La inteligencia artificial dejó de ser promesa y se convirtió en herramienta concreta, con impacto visible en la cuenta de resultados. En Iberoamérica, y particularmente en Argentina, el ritmo de adopción avanza a paso firme en sectores como banca y fintech, retail, agro y salud, aunque el retorno de inversión varía según el punto de partida de cada empresa. La clave pasa por detectar los casos de uso que permiten acelerar mejoras operativas y tecnológicas sin necesidad de esperar años para ver resultados.
En diálogo con InnovaciónDigital360, Mariano Cento, Director de Data & AI para el sur de América Latina en EPAM NEORIS, explicó por qué muchas organizaciones aún se traban en pilotos eternos, qué capacidades mínimas deben construir para escalar, y cómo influye el apetito de riesgo a la hora de decidir si conviene ser early adopter o fast follower. También compartió cuáles son las señales que definen esa elección y qué rol juegan el gobierno del dato, la capacitación y los marcos regulatorios al momento de implementar proyectos con impacto real.
Además, Cento detalló cómo están abordando los desafíos de privacidad, sesgos algorítmicos y trazabilidad en los desarrollos de IA generativa, tanto para cumplir con normativas locales como con los estándares exigidos por la Unión Europea y EE.UU.. Si querés entender por qué algunas compañías ya obtienen resultados concretos con IA mientras otras siguen probando sin escalar, te invitamos a leer la entrevista completa.
¿Cuáles son los casos de uso de IA/ML con retorno más rápido que hoy están viendo en Iberoamérica y, específicamente, en Argentina (por sector: banca/fintech, retail, agro, salud)?
Mariano Cento: Los casos de uso con retorno más rápido dependen del tipo de organización y del nivel de madurez tecnológica de cada industria y empresa. No existe una fórmula única. Particularmente en la región, estamos viendo dos grandes líneas de aplicación que generan resultados en el corto plazo.
Por un lado, la IA aplicada a los procesos del negocio, donde la automatización de tareas permite mejorar la eficiencia operativa, optimizar costos y esto, generalmente, viene acompañado por una mejora en la experiencia del cliente.
Entre algunos ejemplos concretos puedo mencionar: en el sector financiero con los modelos autónomos de cumplimiento de compliance y atención automatizada con agentes de IA, los cuales permiten reducir costos y mejorar los indicadores de satisfacción.
Por otro lado, la IA aplicada a la modernización del área de IT está transformando la manera en que las empresas desarrollan software. La incorporación de asistentes de desarrollo y capacidades de automatización en el ciclo de vida del software como CodeMie, una de las herramientas AI/Run™. Plataforma que desarrollamos en EPAM NEORIS, permite acelerar los procesos de codificación y testing, con lo que logramos reducir tiempos, costos y mejorar la calidad. Ambos enfoques producen impactos visibles en meses, siempre que la compañía tenga la estructura para capitalizar los resultados.
Para una empresa local, ¿cómo decidir si conviene ser early adopter o fast follower? ¿Qué señales (madurez de datos, talento, apetito de riesgo, competencia) deben pesar en esa decisión?
Mariano Cento: Esta no es una decisión que se tome desde un plan de marketing y tampoco podemos considerarla como una moda tecnológica. Esta es una decisión que tiene que ver con la esencia de cada organización.
Hay empresas que nacen tecnológicas y cuyo modelo de negocio depende de la innovación constante y que, de forma natural, se convierten en early adopters. Otras, en cambio, tienen estructuras más tradicionales o reguladas, las cuales por su propia naturaleza adoptan la tecnología una vez que el mercado la valida: estas son fast followers.
En definitiva, las empresas “son lo que son”. La clave está en entender cuál es su grado de madurez tecnológica, su capacidad de inversión y su apetito de riesgo. No todas deben adoptar la IA al mismo ritmo; lo importante es hacerlo con propósito y con una estrategia que refleje su realidad.
El 70% de los CIO planea aumentar inversión: ¿cómo debería repartirse ese presupuesto entre infraestructura (cloud/edge), datos y gobierno de datos, talento/capacitación, y cambio cultural/MLOps?
Mariano Cento: No creemos que tenga sentido hablar de porcentajes fijos, porque cada compañía tiene un punto de partida diferente. Lo esencial es que la inversión responda a un roadmap claro que defina las prioridades en función de sus objetivos de negocio y del nivel de madurez en IA.
Aun así, hay cuatro áreas que hoy resultan fundamentales para cualquier organización que quiera escalar:
- Datos y gobierno del dato: es la base de toda iniciativa de IA
- IA: definir cómo es la incorporación de IA dentro de la organización, con su consecuente plan de ejecución
- Seguridad, privacidad y cumplimiento: garantizar la trazabilidad y el uso responsable de la información
- Gestión del cambio y capacitación: la tecnología solo tiene impacto si las personas la adoptan
En EPAM NEORIS, estructuramos este enfoque en dos capas. La primera, una capa fundacional donde definimos cómo trabajar con la IA dentro de una corporación, y la segunda, una capa de activación que pone en práctica ese marco a través de herramientas como DIALX, una plataforma AI/Run de código abierto que permite gobernar proyectos de IA generativa de punta a punta, garantizando la seguridad, privacidad de información y el cumplimiento normativo.
¿Qué errores frecuentes están frenando el valor de la IA (proyectos piloto eternos, vendor lock-in, falta de casos medibles) y qué métricas concretas recomienda para pasar de POC a escala en 6–12 meses?
Mariano Cento: Más que errores, lo que vemos son limitaciones estructurales que dificultan a las organizaciones escalar. La más común es la falta de un Programa de IA Responsable que establezca reglas claras de gobernanza, seguridad y compliance. Sin ese marco, muchas compañías terminan con proyectos aislados o pilotos que nunca llegan a producción.
Los grandes stoppers suelen estar vinculados a:
- La ausencia de políticas para proteger la información y gestionar el riesgo regulatorio
- La falta de trazabilidad en los modelos de IA generativa
- La dependencia excesiva de proveedores o plataformas cerradas
Para avanzar, las empresas necesitan tener una visión integral de gobierno. En nuestro caso, AI DIAL cumple ese rol, ya que permite centralizar los controles de todos los aspectos críticos: seguridad, privacidad, accesos y auditoría, habilitando el paso de la experimentación a modelos operativos estables.
En compliance y ética: ¿cómo están abordando privacidad, sesgos y trazabilidad de modelos en la región, considerando marcos locales (Argentina) y de exportación (UE/EE.UU.)?
Mariano Cento: La confianza es la base sobre la que se construye la adopción de la IA. Por eso, en EPAM NEORIS implementamos un Programa de IA Responsable compuesto por cinco pilares: cumplimiento, regulaciones, privacidad, ética y seguridad. Este Programa nos permite evaluar cada iniciativa, equilibrando la oportunidad de negocio con la exposición al riesgo.
A partir de ese marco, definimos cómo trabajamos internamente con IA. Esto es lo que llamamos Factory AI, nuestra práctica que organiza el ciclo completo, desde la detección y priorización de casos de uso hasta la implementación y evolución contínua.
Todo esto se opera bajo el soporte de AI DIAL que asegura el gobierno de la información, la seguridad de los modelos, la trazabilidad y la transparencia. De esta forma, garantizamos que los proyectos cumplen tanto con las regulaciones locales como con los estándares internacionales (UE y EE.UU.), sin limitar la innovación.
Mirando 2025–2028: ¿qué “apuestas” tecnológicas (GenAI multimodal, agentes, RAG, synthetic data) ve más listas para producción en empresas argentinas y qué capabilities mínimas deben construir ya para capturar esa ola?
Mariano Cento: Todas las tecnologías que hoy concentran mayor atención, tales como IA generativa multimodal, agentes, RAG o synthetic data, forman parte de una misma evolución.
No son caminos separados, sino componentes de un plan integral de IA generativa dentro de las corporaciones. Más allá de la tendencia, lo clave será que las empresas construyan las capacidades necesarias para que esa tecnología funcione de manera segura y escalable, incluyendo la gestión de prompts, el control de costos de tokens, la definición de roles y permisos, el uso de interceptores para aplicar políticas de IA responsable, la arquitectura API-first, las bases vectoriales y la observabilidad de los modelos.
La adopción exitosa no depende solo de incorporar nuevas herramientas, sino de crear una estructura capaz de gobernarlas y sostenerlas en el tiempo con impacto real en el negocio. Esa es la verdadera madurez hacia la que deben avanzar las organizaciones en los próximos años.
