Cuatro ideas equivocadas que tienen los directivos sobre la IA

Kunal AnandDirector de Producto | F5

Nuestro Informe sobre el estado de la estrategia de aplicaciones de 2026 reveló que el 78 % de las organizaciones ya ejecutan por sí mismas la inferencia de IA, utilizando una media de siete modelos. Un año antes, nuestro Índice de preparación para la IA situaba en un 2 % el porcentaje de organizaciones realmente preparadas para operar con IA a gran escala.

La diferencia entre esas dos cifras es lo más interesante que está ocurriendo ahora mismo en la tecnología empresarial. Las empresas no esperaron a estar preparadas. Internalizaron la inferencia porque querían controlar sus datos, costes y seguridad. Ahora están descubriendo lo que exige ese control. Es lo que podemos llamar la ruta de inferencia: todo lo que ocurre entre la intención de un usuario y la respuesta de un modelo. Recuperación, enrutamiento, llamadas a herramientas, identidad, creación de contexto, aplicación de políticas y trayecto de vuelta. El modelo es un componente de esa ruta. La ruta en sí es el sistema, y es la parte que usted controla.

Cuatro ideas erróneas con las que me encuentro una y otra vez son variaciones del mismo error: considerar el modelo como el producto y la ruta como mera infraestructura.

Idea equivocada n.º 1: «Todo gira en torno al modelo».

¿Con qué modelo, proveedor y caso de uso debería empezar? Esta es la primera pregunta que surge en casi todas las conversaciones con directivos, y es la que menos perdura.

Los modelos son el componente intercambiable. Solo el 8 % de las organizaciones depende exclusivamente de servicios públicos de IA. El resto utiliza carteras diversificadas precisamente porque prevé cambiar de modelo, enrutar las solicitudes y recurrir a alternativas en función del coste, la precisión y la seguridad. Si su arquitectura convierte el cambio de modelo en un proyecto en lugar de un simple cambio de configuración, ya ha tomado la decisión equivocada.

Lo que no se puede sustituir es la ruta de inferencia. La capa de recuperación que decide qué contexto ve el modelo. La lógica de enrutamiento que determina qué modelo gestiona cada solicitud. La identidad que acompaña a la llamada. La política que establece qué puede hacer el modelo con la respuesta. De ahí proviene la precisión, ahí se determina el coste y ahí reside su ventaja competitiva exclusiva. Un competidor puede comprar mañana el mismo modelo. Pero no puede comprar su ruta de inferencia.

Idea equivocada n.º 2: «Si el proyecto piloto funcionó, llevarlo a producción será fácil».

El problema no es que la producción sea más difícil, sino que es compleja y que la longitud agrava esa complejidad. Según un estudio de F5, la gran mayoría de las empresas (el 93 %) opera en varias nubes, mientras que el 86 % distribuye sus aplicaciones en entornos híbridos multinube. La ruta de inferencia atraviesa todos esos entornos, y la complejidad no deja de aumentar. A medida que las organizaciones incorporan más modelos, aplicaciones y agentes, se multiplica el número de posibles rutas de inferencia.

Nuestra investigación también reveló que el 52 % de las organizaciones ya encadenan u orquestan varios modelos. Tomemos una cadena y supongamos que cada paso tiene una fiabilidad del 95 %, una estimación generosa para cualquier proceso que implique recuperación de información, llamadas a herramientas y un modelo probabilístico. Una cadena piloto de tres pasos funciona correctamente el 86 % de las veces. Una cadena de producción de 20 pasos solo lo hace el 36 % de las veces. La fiabilidad de cada paso no ha cambiado. El sistema pasó de funcionar bien en la mayoría de los casos a fallar en la mayoría simplemente porque se añadieron más pasos.

Ahora aplique el mismo cálculo a la seguridad. Si cada agente de una cadena tiene un 5 % de probabilidades de ser manipulado, de tener un ámbito mal definido o de recibir una credencial que no debería tener, un flujo de trabajo con 20 agentes ofrece a un atacante una probabilidad muy alta de que al menos uno de los eslabones sea vulnerable. Por eso, más de nueve de cada diez encuestados señalan nuevas categorías de problemas cuando la IA agéntica llega a entornos de producción: la gestión de credenciales, la auditoría de acciones y la cuestión fundamental de qué hizo un agente y con la autorización de quién.

Concepto erróneo n.º 3: «El rendimiento, la seguridad y la gobernanza son prioridades independientes».

En la arquitectura de aplicaciones tradicional, esta separación era justificable. La seguridad se gestionaba como una línea de trabajo paralela. La gobernanza se revisaba trimestralmente. El rendimiento correspondía a otro equipo con un presupuesto diferente.

La IA concentra los tres aspectos en un único presupuesto, medido en milisegundos y tokens. Cada medida de protección que se añade a la ruta de inferencia aumenta la latencia. Cada requisito de gobernanza consume parte de la ventana de contexto, lo que supone un coste en todas y cada una de las llamadas. La inspección de prompts, el filtrado de resultados, la ocultación de información de identificación personal (PII), el enrutamiento de modelos y la lógica de reintentos son, al mismo tiempo, controles de seguridad, costes de rendimiento y partidas presupuestarias. No se puede financiar uno sin detraer recursos de los demás, ni recortar uno sin dejar expuesto el resto.

Esto es algo realmente nuevo. Antes, la sobrecarga de seguridad se amortizaba de forma invisible. En la ruta de inferencia, se refleja en el p95 y en la factura, lo que significa que la disyuntiva ahora es explícita y alguien debe asumir su responsabilidad. Actualmente, el control más habitual es la autenticación para los servicios de IA y el acceso a las API, que utiliza el 55 % de las organizaciones, mientras que el 47 % tiene previsto adoptar una infraestructura para agentes que tenga en cuenta la identidad. Ambas medidas van en la dirección correcta. Pero ambas también añaden latencia a la ruta. Asígneles presupuesto de forma deliberada o sus equipos acabarán prescindiendo de ellas discretamente para alcanzar un objetivo de rendimiento.

Idea errónea n.º 4: «Las soluciones puntuales añaden complejidad, pero podemos hacer que funcionen».

Tomemos como ejemplo la empresa mediana de nuestros datos, que utiliza siete modelos, opera en varias nubes y tiene aplicaciones distribuidas entre entornos locales, de nube pública y de coubicación. Añadamos una herramienta independiente para la seguridad de las API, otra para las funciones de pasarela de IA y otra para la gobernanza de los resultados. Ahora, cada política que se redacte debe expresarse correctamente en cada lenguaje, en todos los entornos y para todos los modelos, y volver a verificarse cada vez que cambie cualquiera de ellos. El número de lugares en los que una política puede desviarse sin que nadie lo advierta es el producto de todos esos cambios.

Cuando algo falla a las 2 de la madrugada, no hay un único responsable que pueda responder a la pregunta «¿qué control debería haber detectado esto?». La alternativa no consiste en reducir las capacidades, sino en disponer de un único punto de aplicación de políticas en la ruta, independientemente del modelo, el entorno o el protocolo que haya al otro lado.

La coherencia de las políticas y la libertad para elegir modelos no están reñidas. Solo entran en conflicto cuando las políticas residen dentro de la integración del modelo, en lugar de situarse delante de ella. Unificar la entrega de aplicaciones y la seguridad en una única plataforma permite cambiar de modelo cada semana y, aun así, responder a las preguntas de un auditor desde un único lugar.

Las preguntas que merece la pena plantearse ahora

Estas son cuatro preguntas para su equipo directivo mientras su organización trabaja para gestionar la ruta de inferencia:

1. ¿Cuántos modelos están actualmente en producción y cuánto se tarda en añadir o sustituir uno?
2. ¿Cuál es la cadena de agentes más larga que está en producción y cuál es su tasa de éxito integral medida?
3. ¿Dónde se aplica la política de IA y cuántos lugares distintos habría que modificar para actualizarla?
4. ¿Qué porcentaje de la latencia de inferencia p95 corresponde a la sobrecarga de seguridad y gobernanza, y quién es responsable de esa cifra?

Si esas preguntas dan lugar a estimaciones en vez de respuestas, eso ya es información útil, y es mucho mejor descubrirlo ahora que durante un incidente. Mi recomendación para todos es auditar la ruta de inferencia este trimestre. Las organizaciones que lideren esta era no serán las que utilicen más IA, sino las que puedan explicar con exactitud qué ocurre entre el prompt y la respuesta, allí donde se ejecute.

Para profundizar en los datos, descarga el Informe sobre el estado de la estrategia de aplicaciones de 2026. Para descubrir cómo F5 está ampliando su estrategia de plataforma de entrega y seguridad de aplicaciones a la IA empresarial, visita la página web de F5 AI Security Platform. No olvides consultar también el comunicado de prensa de hoy.

Sobre el autor

Kunal AnandDirector de Producto | F5

Kunal Anand dirige la organización de productos de F5 como director de Producto. Es responsable de la visión, la estrategia y la ejecución de los productos, y garantiza el desarrollo de soluciones innovadoras que resuelven retos críticos y ofrecen experiencias excepcionales a los clientes. En su anterior cargo como director de Tecnología e IA, Kunal definió la estrategia y la visión tecnológica y de inteligencia artificial de la empresa. Antes de incorporarse a F5, Kunal desempeñó simultáneamente los cargos de director de Tecnología y director de Seguridad de la Información en Imperva. Su trayectoria en Imperva comenzó en 2018 con la adquisición de Prevoty, una startup de seguridad de aplicaciones que cofundó en 2013. Antes de incorporarse a Prevoty, fue director de Tecnología en BBC Worldwide. Kunal cuenta con una amplia trayectoria en innovación y conocimientos técnicos, y ha ocupado puestos de liderazgo al frente de equipos de seguridad, datos, tecnología e ingeniería en Gravity, MySpace y el Laboratorio de Propulsión a Chorro de la NASA. Kunal cuenta con más de 15 años de experiencia en inteligencia artificial y aprendizaje automático, que abarca desde el entrenamiento de modelos y el uso de algoritmos basados en IA para mejorar productos hasta el diseño y la implementación de arquitecturas de IA. Kunal es graduado en Ciencias de la Computación por Babson College.

Más artículos de Kunal Anand