Primeros pasos con la inteligencia artificial empresarial: Guía para principiantes

Introducción

Cada vez son más las empresas que reconocen las oportunidades que les ofrece la inteligencia artificial en cada aspecto de su actividad. La inteligencia artificial gana terreno en todos los sectores, desde la atención al cliente, el servicio de soporte y las ventas hasta la infraestructura de TI, los procesos, el desarrollo de código y la distribución de soluciones.

Según el informe Worldwide Artificial Intelligence IT Spending Market Forecast de IDC, entre 2025 y 2029, el gasto interanual en iniciativas de inteligencia artificial (IA) aumentará un 31,9 %. Esta inversión está impulsada por el aumento de las aplicaciones y los sistemas de inteligencia artificial con agentes (Agentic AI) que gestionan flotas de agentes, y alcanzará los USD 1,3 billones en 2029¹.

Ante esta rápida evolución, los ejecutivos se enfrentan al desafío de identificar, elegir, diseñar y ofrecer soluciones de inteligencia artificial que proporcionen a sus empresas una ventaja competitiva. Sin embargo, la inteligencia artificial evoluciona demasiado rápido para que la mayoría de las empresas puedan consolidar el uso que hacen de ella al mismo ritmo, lo cual les dificulta aprovechar todos los beneficios de la inteligencia artificial y, en muchos casos, genera más interrogantes que respuestas.

Ya sea que te estés iniciando en el mundo de la inteligencia artificial, que desees conocer mejor el impacto que tendrá en tu empresa o que estés investigando maneras de ampliar tus implementaciones actuales, en este ebook encontrarás la respuesta a muchas de las preguntas sobre la adopción de la inteligencia artificial.

Tipos de inteligencia artificial

Para sacar el máximo partido de la inteligencia artificial, debes conocer todos sus aspectos, entre ellos, los dos tipos más destacados que utilizan las empresas.

Inteligencia artificial predictiva. Permite que las empresas identifiquen y conecten patrones, eventos históricos e información en tiempo real para predecir resultados con extraordinaria precisión. Se puede utilizar para hacer pronósticos sobre la demanda, realizar mantenimiento preventivo y planificar las operaciones, lo que ayuda a las empresas a resolver los problemas antes de que afecten a sus empleados, clientes o recursos. Debido a que se basa en técnicas consolidadas de análisis de datos y machine learning (aprendizaje automático), mejora a medida que se procesa un mayor volumen de datos.

Inteligencia artificial generativa. Permite que las empresas produzcan contenido nuevo a partir de datos únicos. Las aplicaciones con esta tecnología suelen utilizar modelos de deep learning (aprendizaje profundo), como los transformadores, para generar nuevo contenido, como texto, imágenes y código. Los modelos de lenguaje de gran tamaño (LLM) más conocidos, como la familia de modelos GPT (transformadores generativos preentrenados) de OpenAI, continúan avanzando rápidamente, revolucionando el procesamiento del lenguaje natural y los campos creativos al generar texto e imágenes similares a los creados por personas. Además, tiene especial relevancia en aplicaciones como los chatbots, la generación automatizada de contenido y las herramientas creativas. Los sistemas de inteligencia artificial multimodal combinan varios modelos de inteligencia artificial generativa para ofrecer texto y contenido multimedia de manera más eficiente.

Hay otros enfoques de inteligencia artificial muy utilizados en entornos empresariales, como la visión artificial para la detección de objetos, la clasificación de imágenes y la segmentación, que se utilizan en particular en la fabricación y el control de calidad.

Más allá de estas dos categorías, hay otros enfoques de inteligencia artificial que se utilizan mucho en entornos empresariales. Por ejemplo, la visión artificial permite la detección de objetos, la clasificación de imágenes y la segmentación, lo cual es particularmente valioso en la fabricación y el control de calidad. Además, los LLM más conocidos, como la familia de modelos GPT (transformadores generativos preentrenados) de OpenAI, entre otros, continúan avanzando rápidamente, revolucionando el procesamiento del lenguaje natural y los campos creativos al generar texto e imágenes similares a los creados por personas.

Ventajas de implementar la inteligencia artificial

Considera los siguientes desafíos que tu empresa puede enfrentar. ¿Cómo podrías aplicar la inteligencia artificial para superarlos?

Volumen de datos. Las empresas suelen tener dificultades para gestionar la enorme cantidad de información que recopilan y sacar conclusiones a partir de ella. Con la inteligencia artificial, pueden procesar, resumir y analizar rápidamente incluso los conjuntos de datos más grandes, lo cual les permite descubrir información valiosa y tendencias que serían difíciles de identificar de forma manual.
Ineficiencia operativa. Los procesos ineficientes y los bloqueos obstaculizan la productividad. El uso de la inteligencia artificial en la automatización permite agilizar las operaciones, por lo cual disminuyen los errores y mejora la eficiencia. Esto podría abarcar desde aplicaciones sencillas, como la generación automática de actas de reuniones en las que se detallaran con claridad los siguientes pasos, o una mayor rapidez en la creación de gráficos y videos para sitios web o redes sociales, hasta tareas más complejas, como ayudar a los ingenieros de software a escribir y probar código.
Expectativas de los clientes. Los clientes esperan que su experiencia sea personalizada y eficiente. La inteligencia artificial analiza los datos de los clientes y ofrece recomendaciones e interacciones personalizadas y, así, mejora el servicio de atención y lo adapta a las necesidades de los clientes.
Competitividad en el mercado. Para que las empresas sigan siendo competitivas en un mercado en constante evolución, deben generar innovaciones de manera permanente. La inteligencia artificial puede ayudar a las empresas a adaptarse más rápido a los cambios del mercado, mantener una ventaja competitiva e incluso ayudar a perfeccionar el enfoque de los directivos que la utilizan de apoyo o para prepararse para las reuniones importantes.

Terminología de la inteligencia artificial

Modelo base: Modelo de inteligencia artificial de gran tamaño que se entrenó a partir de datos amplios y se diseñó como una base de uso general a partir de la cual se desarrollan las aplicaciones, que suele adaptarse o perfeccionarse para realizar muchas tareas específicas de un área.

Modelo frontier: Los modelos más potentes disponibles en un momento dado. Este es un término relativo que cambia a medida que avanza el campo.

Inteligencia artificial generativa: Modelos de inteligencia artificial que aprenden de los datos que poseen y, luego, generan contenido nuevo, como texto, imágenes, código o audio, en respuesta a las indicaciones.

Modelo de lenguaje de gran tamaño (LLM): Un tipo de modelo base que se entrena con grandes cantidades de texto (y, a menudo, código) para que pueda comprender y generar lenguaje similar al humano para muchos propósitos diferentes.

Modelo de lenguaje pequeño (SLM): Un modelo de lenguaje compacto y eficiente (que suele tener entre 1000 y 10 000 millones de parámetros) optimizado para casos prácticos específicos y las tareas que estos conllevan.

Capítulo 1: El auge de la inteligencia artificial

La inteligencia artificial existe, al menos conceptualmente, desde la década de 1950. Como sucede con la mayoría de los procesos en el área de la ciencia y la tecnología, el desarrollo de la inteligencia artificial se estancó, luego experimentó un gran avance y volvió a estancarse: el ciclo de entusiasmo, desilusión y, posteriormente, avances más realistas, se repite desde hace décadas.

Hoy, se encuentra en un punto de inflexión. Lo que antes era experimental ahora está listo para la producción, y lo que antes era teórico ahora transforma el funcionamiento de las empresas.

¿Y cómo fue que ocurrió esto? En un artículo de investigación de Google de 2017 titulado "Attention Is All You Need", se presentó la arquitectura del transformador: la base sobre la cual se diseñan los modelos de lenguaje de gran tamaño (LLM) actuales. Los transformadores permitieron que los sistemas de inteligencia artificial procesaran grandes conjuntos de datos y comprendieran el contexto como nunca antes había sido posible con los enfoques anteriores. Este avance, en combinación con las mejoras en la potencia informática y la capacidad de almacenamiento, permitió generar texto que se asemejaba al escrito por personas, imágenes realistas y código de software funcional.

Pero este es solo el punto de partida. El trabajo constante para desarrollar modelos, perfeccionar las técnicas de inferencia e integrar diferentes enfoques de inteligencia artificial dio sus frutos y nos permite disfrutar de sistemas que pueden llevar a cabo razonamientos complejos y resolver problemas, planificar y ejecutar acciones con autonomía y aprender de sus interacciones. Para las empresas, esto abre la puerta a soluciones sofisticadas en la automatización y las áreas creativas que no eran posibles hace unos años.

Esta guía te ayudará a comprender mejor los modelos que ofrecen innovación moderna, evaluar el grado de preparación de tu empresa, elegir el enfoque adecuado y diseñar un plan práctico para adoptar y ajustar la inteligencia artificial con confianza.

Los tipos de modelos de inteligencia artificial que aceleran la innovación

Los modelos de lenguaje de gran tamaño (LLM) y los modelos de generación de imágenes se encuentran entre los que han ocasionado el crecimiento explosivo reciente de la inteligencia artificial generativa.

Los LLM (como los de OpenAI, Anthropic y Meta) se entrenan previamente con enormes conjuntos de datos para que puedan procesar y generar lenguaje natural, lo que los hace muy valiosos para la automatización del soporte al cliente, la generación de textos de marketing y mucho más. Por otro lado, los modelos de generación de imágenes (como Stable Diffusion, Midjourney y DALL-E) crean imágenes a partir de indicaciones de texto, lo que impulsa la innovación en el entretenimiento, el marketing y más.

El auge de los modelos de razonamiento y planificación

En 2025, surgió una nueva clase de modelos de razonamiento que cambiaron radicalmente la forma en que la inteligencia artificial aborda los problemas complejos. Estos modelos utilizan el aprendizaje por refuerzo para desarrollar funciones de razonamiento en cadena de pensamiento, autoverificación y corrección de errores, lo que forma la base para los flujos de trabajo de inteligencia artificial con agentes.

Las empresas están adoptando un enfoque multimodelo, en el que utilizan varios modelos especializados en lugar de un único sistema monolítico: emplean modelos de razonamiento a gran escala para las tareas de planificación complejas (entre el 5 % y el 10 % de las consultas), y derivan las solicitudes más sencillas a modelos entrenados con una cantidad aproximada de parámetros entre los 7000 y los 13 000 millones. Este patrón puede suponer considerables ahorros en los costos de inferencia y los gastos informáticos que implica procesar cada consulta sin perder la calidad.

Los modelos de inteligencia artificial procesan el texto en fragmentos denominados tokens, que equivalen aproximadamente a una palabra o parte de una palabra. Los tokens representan la moneda de cambio de la inteligencia artificial. En general, el precio de los servicios de inteligencia artificial se calcula por millón de tokens procesados, por lo que el costo de los tokens es un aspecto clave para las empresas que implementan la inteligencia artificial a gran escala. Por ejemplo, en un servicio de atención al cliente, se podría dirigir el 80 % de las consultas sencillas a modelos más pequeños y rentables, y reservar los modelos de razonamiento que consumen muchos recursos para los problemas complejos que justifiquen el costo más alto por token.

Nuevas tendencias de interés

Las empresas utilizan cada vez más varios modelos de inteligencia artificial en conjunto. Los modelos modernos también admiten ahora la llamada a funciones, lo que les permite interactuar con herramientas externas, interfaces de programación de aplicaciones (API) y bases de datos. Así, pasan de ser meros generadores de texto a convertirse en sistemas capaces de realizar acciones.

Un ejemplo de esta tendencia es Llama Stack, el entorno open source de tiempo de ejecución de inteligencia artificial de Meta, lanzado en 2024, que estandariza la forma en que las empresas diseñan e implementan sistemas de inteligencia artificial de varios modelos. Es como un Kubernetes para los agentes de inteligencia artificial: así como Kubernetes organiza los contenedores, Llama Stack organiza los agentes y sus proveedores, y ofrece API comunes para la inferencia, la generación aumentada por recuperación (RAG), los agentes, las herramientas y la seguridad que funcionan de manera uniforme tanto en entornos de desarrollo como de producción.

El open source: una base para la innovación en inteligencia artificial

La estrategia de inteligencia artificial de Red Hat está muy vinculada al open source, lo cual facilita a las empresas el desarrollo de la inteligencia artificial generativa y predictiva con transparencia, confianza y menos costos. Al utilizar las plataformas de nube híbrida abierta de Red Hat, las empresas pueden generar innovaciones con total flexibilidad y, a la vez, mantener el control sobre sus soluciones de inteligencia artificial.

Domina los LLM con soluciones open source

Si bien la inteligencia artificial generativa genera cambios en casi todos los aspectos de la empresa (desde la creación de software hasta la forma de comunicarnos), es común que los modelos (los LLM y de otros tipos) que se utilizan para desarrollar una función de esta naturaleza estén estrictamente controlados por el proveedor del servicio. Por ello, para una empresa no es una tarea sencilla evaluar las funciones de un servicio de inteligencia artificial generativa sin contar con conocimientos especializados y, en ocasiones, sin invertir mucho tiempo y dinero.

Si las empresas no pueden supervisar los conjuntos de datos con los que se creó el modelo ni comprender cómo los usa el modelo, se exponen a los riesgos que trae el contenido generado por inteligencia artificial. ¿Qué ocurre si tu modelo de generación de código se entrenó con un código fuente que está protegido por derechos de autor? ¿Eso significa que todo el código que genere ese modelo pertenecerá también al dueño del código protegido?

Aún no se tienen todas las respuestas a este tipo de preguntas, pero es fundamental comprender las consecuencias. Las empresas recurren a la inteligencia artificial para asegurarse de tener acceso a sus datos y controlarlos, y de saber cómo se gestionarán y utilizarán.

Red Hat cree desde siempre en la capacidad del open source para impulsar la innovación, así como en la importancia de desarrollar software de forma transparente para que los clientes tengan el control sobre las decisiones que toman. Ahora esa misma filosofía se aplica a la inteligencia artificial. Nuestro enfoque se centra en esa transparencia y esa libertad de elección, y ofrece la estabilidad y el apoyo dinámico que necesitan las grandes empresas, independientemente de los modelos que implementen.

Elegir el modelo adecuado no es fácil. Hay miles de opciones disponibles, ¿cómo podemos saber cuál funcionará de manera confiable en la producción?

Capítulo 2: El modelo de inteligencia artificial más adecuado

Una sola aplicación puede usar varios tipos de inteligencia artificial: un modelo predictivo para pronosticar la demanda, un modelo generativo para redactar respuestas y un modelo de reconocimiento de imágenes para procesar las cargas. Cada uno de ellos tiene diferentes funciones, costos y requisitos de infraestructura.

Los modelos de inteligencia artificial son lo suficientemente avanzados como para que las empresas puedan utilizar las funciones comunes listas para usar, como la generación de texto, el reconocimiento de imágenes, la conversión de voz a texto y la segmentación de imágenes. Si estas funciones ya están incorporadas, se agilizan considerablemente los proyectos de desarrollo de inteligencia artificial.

La clave es elegir los modelos adecuados para tu caso práctico específico, en lugar de buscar la versión más reciente. Ten en cuenta el problema que vas a resolver, la precisión que necesitas y los recursos que tienes disponibles.

Los modelos base se entrenan con grandes conjuntos de datos y ofrecen una gran flexibilidad en muchas tareas. Sin embargo, esto conlleva algunas ventajas y desventajas: mayores requisitos de recursos, costos más altos y mayor complejidad operativa. Aunque son potentes, no siempre son los adecuados.

Los modelos de lenguaje pequeños (SLM) son un término medio convincente. Ofrecen un rendimiento sólido en tareas específicas y requieren muchos menos recursos que sus contrapartes más grandes. Los proveedores suelen ofrecer modelos con una cantidad de parámetros entre los 2000 y los 70 000 millones, por lo que es posible adaptar el tamaño del modelo a la complejidad de la tarea. Para muchos casos prácticos empresariales, un SLM puede funcionar tan bien como un modelo base grande por una fracción del costo.

La tendencia en la inteligencia artificial empresarial es clara: el modelo adecuado es el que cumple tus requisitos en cuanto a nivel de precisión con el menor tamaño posible y que se ha optimizado para tu infraestructura.

Diseño de modelos o perfeccionamiento de modelos

Diseñar un modelo de inteligencia artificial desde cero puede ser una tarea muy complicada, ya que implica recopilar y preparar grandes conjuntos de datos relevantes para los desafíos de tu empresa, elegir un algoritmo adecuado y entrenarlo con tus datos. Se trata de un proceso que requiere potencia informática y conocimientos técnicos muy amplios, por lo que lleva mucho tiempo y consume una gran cantidad de recursos. El modelo debe mantenerse a lo largo del tiempo y actualizarse a medida que evolucionan los datos de origen. Si bien esto proporciona una solución personalizada, no siempre es la opción más eficiente.

Perfeccionamiento del modelo

Una alternativa es ajustar un modelo base y adaptarlo a los requisitos específicos de tu empresa. Para ello, se suele recurrir al aprendizaje por transferencia, una técnica que consiste en utilizar un modelo entrenado con un gran conjunto de datos y volver a entrenarlo con otro más pequeño y específico del área. El modelo conserva los conocimientos generales que aprendió durante su etapa de entrenamiento inicial y, al mismo tiempo, se adapta a las particularidades de tus datos específicos. Esto mejora la capacidad del modelo para comprender la terminología específica del sector y la voz de la marca de tu empresa, lo que hace que las respuestas sean menos genéricas y más personalizadas. De este modo, puedes comenzar de a poco e ir ampliando la implementación de la inteligencia artificial con el tiempo.

Si se parte de un modelo base o un SLM, se agiliza la adopción de la inteligencia artificial. El perfeccionamiento adapta el modelo para que lleve a cabo tareas específicas excepcionalmente bien con tus propios datos. Si se trata de un caso práctico bien definido, como clasificar solicitudes de soporte o extraer datos de facturas, un modelo perfeccionado puede ofrecer una mayor precisión que un modelo de propósito general, sin dejar de lado la eficiencia. Las empresas con requisitos empresariales específicos, inquietudes sobre la privacidad de los datos o el deseo de tener un mayor control sobre el comportamiento del modelo pueden beneficiarse más si perfeccionan y alojan su propio modelo.

Técnicas para personalizar el comportamiento de los modelos

El perfeccionamiento no es la única forma de adaptar los modelos de inteligencia artificial a tus necesidades, y no siempre es el punto de partida adecuado. Hay varias técnicas complementarias que pueden mejorar el rendimiento del modelo y, a menudo, funcionan mejor si se aplican juntas.

La RAG conecta los modelos con fuentes de conocimiento externas, generalmente bases de datos vectoriales (o de vectores de grafos), que proporcionan contexto relevante en el momento de la consulta. En lugar de depender solo de lo que el modelo aprendió durante el entrenamiento, con el RAG se recuperan datos actualizados y se los incorpora en la respuesta. Esto es particularmente valioso cuando la precisión es importante y la información cambia con frecuencia, como sucede con la documentación de los productos, la información sobre las políticas o los registros de los clientes.

Cabe señalar que la RAG y el perfeccionamiento resuelven diferentes problemas. La RAG otorga a los modelos acceso a información actual que no se les proporcionó durante el entrenamiento. El perfeccionamiento modifica el comportamiento, el razonamiento o la forma de responder de un modelo. Muchos sistemas de producción utilizan tanto modelos perfeccionados y especializados en su ámbito como RAG para acceder a los datos más recientes.

Ambos enfoques se unen en el perfeccionamiento aumentado por recuperación (RAFT). El RAFT consiste en perfeccionar los modelos utilizando pares de preguntas y respuestas que incluyen tanto contexto relevante como irrelevante, como en las situaciones reales de RAG, de manera que puedan trabajar eficazmente con los documentos recuperados. Así, se obtienen modelos más eficaces a la hora de identificar información útil, ignorar elementos que distraen la atención y razonar sobre el contenido recuperado. Si tu caso práctico depende en gran medida de la RAG, la RAFT puede mejorar considerablemente la calidad de las respuestas al enseñarle al modelo a utilizar el contexto recuperado de manera más efectiva.

Training Hub ofrece un punto de acceso accesible para la personalización de los modelos. Esta biblioteca open source proporciona abstracciones a nivel de algoritmo para las técnicas modernas posteriores al entrenamiento, desde el perfeccionamiento supervisado hasta el aprendizaje por refuerzo.

Al reunir implementaciones comunitarias de eficacia probada, Training Hub permite a los desarrolladores aplicar métodos avanzados de entrenamiento sin contar con conocimientos profundos de cada uno. Training Hub reduce las dificultades a la hora de incorporar los conocimientos de la empresa a modelos actuales, para que los especialistas de tu ámbito puedan ofrecer sus aportes sin necesidad de ser expertos en inteligencia artificial.

Obtén más información sobre Training Hub

La inteligencia artificial con agentes (Agentic AI) se ha consolidado como un enfoque muy eficaz para conectar los modelos a los sistemas empresariales. En lugar de un solo modelo que responda de forma aislada, las arquitecturas con agentes organizan varios agentes de inteligencia artificial que pueden consultar las bases de datos, llamar a las API, buscar en las bases de conocimiento internas y tomar medidas en función de los resultados. Esto permite que la inteligencia artificial pase de responder preguntas a completar tareas, presentar solicitudes de seguimiento de incidentes, actualizar registros o coordinar flujos de trabajo en distintos sistemas. Para las empresas que buscan obtener resultados medibles de sus inversiones en inteligencia artificial, los enfoques basados en agentes se están volviendo esenciales rápidamente.

El comportamiento del modelo se puede moldear utilizando instrucciones diseñadas con cuidado mediante ingeniería de peticiones (prompt engineering) y peticiones del sistema. Esto puede incluir el uso de entre dos y diez ejemplos para el entrenamiento (lo que se conoce como aprendizaje few-shot, en contraposición a los enfoques zero-shot o one-shot) o sofisticadas indicaciones del sistema que definen el perfil, las restricciones y el formato de salida (many-shot). Cuando se combina con la RAG, el contexto recuperado se convierte en parte de la petición, lo que guía al modelo hacia respuestas precisas y fundamentadas.

En la práctica, estas técnicas se superponen. Una aplicación de inteligencia artificial empresarial bien diseñada puede incluir:

un modelo de lenguaje pequeño perfeccionado para mejorar la comprensión y el tono,
RAG para acceder a los datos actuales,
un marco con agentes para organizar las tareas de varios pasos.

Guíate también por peticiones cuidadosamente diseñadas para garantizar un comportamiento uniforme.

La función de la nube híbrida en la adopción de la inteligencia artificial en las empresas

Los entornos de nube híbrida desempeñan una función clave en la adopción de la inteligencia artificial. Un entorno de nube híbrida combina infraestructura local con recursos de nubes públicas y privadas, lo cual permite disponer de una mayor flexibilidad respecto de la forma y el lugar de implementación y gestión de las cargas de trabajo de inteligencia artificial. Podrías utilizar GPU potentes basadas en la nube para entrenar los modelos de inteligencia artificial y, a continuación, implementarlos en las instalaciones o en una nube privada para garantizar la seguridad o el cumplimiento normativo. Lo más importante es que te asegures de que las herramientas y la plataforma que elijas funcionen en todos los entornos.

El enfoque de nube híbrida abierta de Red Hat permite que las empresas integren la inteligencia artificial para mejorar la uniformidad, la capacidad de ajuste y la flexibilidad. Así, pueden gestionar cargas de trabajo de inteligencia artificial en distintas nubes, optimizar la ubicación de los datos e implementar una migración más fluida, de forma de adoptar la inteligencia artificial a gran escala con mayor eficiencia.

Inteligencia artificial soberana: Control en un entorno incierto

A medida que la inteligencia artificial se integra a la estructura de las operaciones empresariales, se vuelve fundamental para la empresa poder controlar y supervisar los sistemas de inteligencia artificial. La inteligencia artificial soberana resuelve este problema manteniendo los datos, los modelos y las inferencias bajo tu control, ya sea en tus instalaciones, en una región concreta o en un entorno de nube de confianza.

Hay varios factores que fomentan el interés empresarial en la inteligencia artificial soberana:

Cumplimiento normativo. En 2025 entraron en vigor las disposiciones clave de la Ley de Inteligencia Artificial de la UE, que se suman al Reglamento General de Protección de Datos (RGPD) de Europa, a la Ley de Portabilidad y Responsabilidad de Seguros de Salud (HIPAA) del Departamento de Salud y Servicios Humanos de EE. UU. y a las normativas específicas del sector que establecen cómo deben gestionarse, auditarse y documentarse los modelos de inteligencia artificial. Si los modelos se ejecutan en entornos controlados, el cumplimiento normativo es más fácil.

Residencia de datos. Los datos confidenciales deben permanecer dentro de jurisdicciones particulares. Con la inteligencia artificial soberana, te aseguras de que tus datos nunca traspasen los límites aprobados.

Previsibilidad de los costos. Los servicios de inteligencia artificial en la nube pueden modificar los precios o dejar de ofrecer los modelos de un momento a otro. Esto obliga a volver a evaluar las aplicaciones conectadas, lo cual resulta costoso. Con un modelo autoalojado, puedes evitar los gastos por token de la API y protegerte frente a los cambios en los precios de los proveedores.

Independencia del proveedor. Cuando un proveedor de nube remplaza o retira un modelo, se debe volver a trabajar sobre todas las aplicaciones que se basen en él. Implementar modelos open source con inteligencia artificial soberana soluciona este problema.

Rendimiento. Las implementaciones en el extremo de la red y en las instalaciones ofrecen inferencias de baja latencia para las aplicaciones en tiempo real, sin llamadas de ida y vuelta a las API externas.

El open source es una ventaja estratégica para la inteligencia artificial

Las consideraciones y preocupaciones en torno a la inteligencia artificial soberana sitúan a la tecnología open source en un lugar destacado de la estrategia empresarial. Los métodos open source aportan transparencia sobre los datos de entrenamiento y el comportamiento de los modelos, portabilidad en toda la infraestructura y evitan la dependencia de un solo proveedor. Cuando los procesos fundamentales de la empresa se basan en la inteligencia artificial, la capacidad de inspeccionar, modificar y controlar los modelos no es algo opcional, sino imprescindible.

Los modelos de lenguaje pequeños (SLM) aportan practicidad a la inteligencia artificial soberana. Los modelos como IBM Granite, Mistral y el modelo Llama de Meta ofrecen funciones sólidas en formatos compactos y eficientes que se ejecutan en infraestructuras empresariales. "Según Gartner®, los modelos pequeños de inteligencia artificial pensados para tareas específicas se utilizarán al menos tres veces más que los LLM de uso general para el año 2027"².

Al comprender cómo se relacionan entre sí los modelos, los datos, la infraestructura y la soberanía, podrás hacer frente a las complejidades que plantea la adopción de la inteligencia artificial sin perder el control que necesita tu empresa.

La infraestructura que respalda tu modelo de inteligencia artificial es tan importante como el modelo en sí. Cada tarea requiere un tipo de hardware distinto.

Unidad central de procesamiento (CPU)

Se trata de procesadores tradicionales que se encargan de ejecutar tareas informáticas generales. Aunque son versátiles, pueden no ser eficientes para las cargas de trabajo de inteligencia artificial a gran escala.

Unidad de procesamiento gráfico (GPU)

Son procesadores especializados que se diseñaron para gestionar tareas de procesamiento de manera simultánea, por lo que son ideales a la hora de entrenar modelos de deep learning que requieren el procesamiento de grandes volúmenes de datos al mismo tiempo.

Unidad de procesamiento de tensores (TPU)

Se trata de aceleradores específicos para las cargas de trabajo de machine learning, optimizados para las operaciones de tensor comunes en las redes neuronales.

Unidad de procesamiento neuronal (NPU)

Es un tipo de procesador más reciente para ejecutar tareas de inteligencia artificial que ofrece una mayor eficiencia y velocidad en determinados tipos de modelos.

Capítulo 3 Guía básica para comenzar

Al igual que con cualquier tecnología nueva, la adopción de la inteligencia artificial conlleva desafíos. En este capítulo, podrás evaluar si tu empresa está preparada para adoptar la inteligencia artificial y trazar un plan práctico para dar los primeros pasos con esta tecnología.

El grado de preparación de tu empresa

Antes de analizar en profundidad la implementación, plantéate si tu empresa está en condiciones de llevar a cabo iniciativas de inteligencia artificial. Esta revisión inicial no consiste en tener todo listo, sino en comprender en qué punto te encuentras, qué retos debes superar y qué carencias necesitas abordar.

Adecuación con la estrategia: ¿Tus ambiciones en materia de inteligencia artificial respaldan los objetivos generales de la empresa? Los proyectos de inteligencia artificial que carecen de una conexión clara con los objetivos estratégicos difícilmente pueden garantizar una inversión sostenida y el apoyo del personal directivo.

Capacidad de la infraestructura: ¿Puedes trabajar con cargas de trabajo de inteligencia artificial en tu entorno actual? Debes tener en cuenta los recursos informáticos, el almacenamiento, las funciones de red y la posibilidad de aumentar la capacidad cuando lo necesites.

Habilidades y experiencia: ¿Cuáles son las competencias de tu personal en este ámbito? Al comprender las habilidades con las que cuentas, podrás identificar las áreas en las que quizás necesites realizar capacitaciones, contratar personal o solicitar soporte externo.

Consolidación de los datos: ¿Qué datos conserva tu empresa y en qué medida son accesibles? Los datos empresariales suelen estar fragmentados en distintos sistemas, formatos y equipos. Una visión realista de tu entorno de datos ayuda a identificar cuáles son las oportunidades viables en materia de inteligencia artificial.

Un plan práctico para la adopción de la inteligencia artificial

La rapidez con la que se adopta la inteligencia artificial y en qué medida se lo hace depende de muchos factores, pero empezar poco a poco e ir avanzando gradualmente sigue siendo un enfoque con eficacia demostrada. Los siguientes pasos proporcionan un plan práctico desde el concepto inicial hasta la implementación en la producción.

Paso 1: define el problema y los criterios de éxito

Comienza con un problema empresarial específico, no con una tecnología. Los mejores puntos de partida son los casos prácticos con resultados claros, datos disponibles y partes interesadas comprometidas. Define los criterios de éxito con anticipación: límites de precisión, calidad de la respuesta, requisitos de latencia o indicadores empresariales. Sin criterios claros, no sabrás si tu implementación funciona. Evita caer en la tentación de utilizar la inteligencia artificial porque sí; céntrate en los problemas en los que la inteligencia artificial ofrece una ventaja genuina sobre otros enfoques.

Paso 2: forma un equipo

La adopción de la inteligencia artificial depende de la colaboración entre las disciplinas. Forma un equipo interdisciplinario desde el principio. Deberías incluir:

miembros del equipo que entienden el problema y utilizarán la solución;
ingenieros de datos que puedan preparar la información y diseñar canales;
especialistas en inteligencia artificial/machine learning que seleccionen, personalicen y evalúen los modelos;
equipos de operaciones de TI que integren las soluciones a la infraestructura actual y apliquen las políticas de seguridad;
especialistas en ética y cumplimiento normativo que garanticen que las iniciativas cumplan con los requisitos normativos;
equipos de desarrollo y comunidades, quienes deben participar desde el principio. Un enfoque interdisciplinario garantiza que las inversiones en inteligencia artificial generen resultados medibles.

La experiencia en el área es particularmente valiosa. Por lo general, son las personas que comprenden bien los procesos de tu empresa quienes pueden identificar las oportunidades de mayor impacto y detectar los problemas que los especialistas en tecnología podrían pasar por alto.

Paso 3: evalúa tus datos

Una vez definido el caso práctico, evalúa si dispones de los datos necesarios para respaldarlo. Evalúa su exhaustividad, precisión y pertinencia para el problema concreto que deseas resolver. Identifica dónde se encuentran los datos, a quién pertenecen y qué se necesita para acceder a ellos. Si no hay datos importantes o no se pueden obtener, vuelve a analizar el caso práctico antes de invertir más.

Paso 4: selecciona un modelo

Elige los modelos de inteligencia artificial en función del caso práctico y los criterios de éxito que hayas identificado. Ten en cuenta las funciones, los costos, la capacidad de ampliación y la compatibilidad con tu infraestructura. Ahora, lo habitual es utilizar arquitecturas multimodelo; cada modelo destaca en tareas diferentes y, a menudo, las aplicaciones en producción combinan varios de ellos.

Si los desarrolladores y las partes interesadas pueden explorar diferentes modelos de inteligencia artificial y experimentar con ellos, se puede agilizar considerablemente la selección de modelos. Red Hat® AI incluye un estudio de inteligencia artificial generativa precisamente para este propósito, que permite crear prototipos y evaluarlos con rapidez antes de pasar a la producción.

Como mencionamos antes, el modelo adecuado suele ser el que cumpla tus requisitos en cuanto a nivel de precisión con el menor tamaño posible. Un modelo más pequeño, perfeccionado con tus datos específicos, como las transcripciones de atención al cliente o la documentación de productos, puede ofrecer tiempos de respuesta más rápidos, costos más bajos y una mayor precisión para tu caso práctico que un modelo más grande y de uso general.

La adopción de la inteligencia artificial depende de la colaboración

Para que los proyectos de inteligencia artificial generativa sean exitosos, es importante contar con un equipo cuyos miembros tengan distintas funciones³.

Los directivos de la empresa representan a las personas que usan una solución o se ven afectadas por ella.

Los especialistas en inteligencia artificial perfeccionan, mantienen y actualizan los modelos de inteligencia artificial generativa para optimizar su rendimiento en los casos prácticos específicos.

Los ingenieros de datos e inteligencia artificial preparan los datos de entrenamiento, diseñan canales de RAG, implementan flujos de trabajo de perfeccionamiento e integran los modelos en los sistemas de producción.

Los encargados de la ética y el cumplimiento normativo garantizan que las iniciativas de inteligencia artificial generativa cumplan con las normas.

Los especialistas en operaciones de TI integran las soluciones a la infraestructura actual, aplican las políticas de seguridad y ofrecen entornos de inteligencia artificial y funciones de modelos como servicio que permiten aprender y realizar pruebas con rapidez en toda la empresa.

Paso 5: conecta los modelos a los datos

Gran parte del conocimiento empresarial se encuentra en documentos repartidos por toda la empresa: documentos PDF, wikis, solicitudes de soporte y documentación interna. A menudo, vincular los modelos a estos conocimientos es una vía más eficaz para obtener resultados.

La generación aumentada por recuperación (RAG) permite que los modelos accedan a tus datos en el momento de la consulta sin que debas volver a entrenarlos. La clave es incorporar los documentos de forma efectiva, es decir, convertir el contenido no estructurado a formatos que los modelos puedan utilizar. Docling, un marco open source incluido en Red Hat AI, se encarga de esta complejidad extrayendo el texto, las tablas y la estructura de los PDF y otros documentos.

Comienza a utilizar la RAG para adaptar los modelos a los conocimientos de tu empresa en menos tiempo. A medida que aprendes qué información es más importante, puedes perfeccionar los modelos de forma selectiva para obtener un rendimiento aún mejor.

Paso 6: personaliza el modelo si lo necesitas

Cuando la RAG por sí sola no es suficiente, el perfeccionamiento adapta los modelos a tu ámbito y requisitos específicos. Esto implica entrenar el modelo con tus datos para mejorar la precisión, ajustar el tono o incorporarle conocimiento especializado.

Red Hat AI ofrece funciones de entrenamiento que simplifican este proceso y proporcionan flujos de trabajo accesibles para la personalización de los modelos. La generación de datos sintéticos permite que los modelos generen ejemplos de entrenamiento a partir de tus documentos y directrices. Al incorporar la generación de datos sintéticos en el flujo de trabajo, puedes crear conjuntos de datos de entrenamiento de alta calidad incluso si tienes pocos ejemplos reales o son confidenciales.

Si tu aplicación depende en gran medida de la RAG, considera utilizar RAFT, perfeccionamiento aumentado por recuperación. Con RAFT, se entrena a los modelos para que trabajen de manera más efectiva con el contenido recuperado, lo que mejora su capacidad para identificar la información relevante y razonar sobre los documentos.

Paso 7: optimiza el modelo para la producción

Pasar de la fase de prueba de concepto a la de producción plantea nuevos desafíos en materia de costos, latencia y capacidad de ajuste. Al optimizar tus modelos, te aseguras de que funcionen de manera eficiente en condiciones reales, donde cada milisegundo de latencia y cada dólar de costo informático son importantes.

La cuantificación del modelo reduce el tamaño y acelera la inferencia mediante el uso de formatos numéricos de menor precisión. Al representar las ponderaciones del modelo con menos bits (por ejemplo, números enteros de 8 o 4 bits en lugar de números de coma flotante de 16 bits), los modelos cuantificados requieren menos memoria y procesan la información en menos tiempo. Las pruebas comparativas de Red Hat, basadas en más de medio millón de evaluaciones, revelaron que la cuantificación de 8 bits ofrece un aumento del rendimiento de aproximadamente 1,8 veces con una recuperación total de la precisión, mientras que la cuantificación de 4 bits alcanza un aumento de 2,4 veces para aquellas aplicaciones en las que la latencia es un factor determinante.

Los servidores de inferencia son tan importantes como los propios modelos. Las infraestructuras de servidor diseñadas específicamente para este fin, como Red Hat AI Inference Server (basado en vLLM), maximizan el rendimiento mediante técnicas como el procesamiento por lotes continuo, Paged Attention y el uso optimizado de la GPU. Cuando las cargas de trabajo superan la capacidad de un único servidor, se puede aplicar inferencia distribuida, que distribuye el procesamiento entre varias máquinas para que puedan utilizarse modelos más grandes y alcanzar un mayor rendimiento.

Red Hat AI ofrece un conjunto cada vez mayor de versiones comprimidas y validadas de los modelos open source más conocidos, junto con las herramientas de LLM Compressor para que cuantifiques y optimices tus propios modelos. Nuestros modelos validados se comparan con otros en cientos de situaciones, por lo que puedes implementarlos confiando tanto en el rendimiento como en la precisión.

Como mencionamos en el Paso 4, el modelo adecuado es el que cumple tus requisitos en cuanto a nivel de precisión con el menor tamaño posible. Un modelo cuantificado y bien ajustado casi siempre ofrecerá mejores resultados que un modelo de gran tamaño en términos de rentabilidad en un entorno de producción.

Paso 8: implementa el modelo con medidas de seguridad y supervisión

Cuando se emplea la inteligencia artificial en la producción, es fundamental supervisarla constantemente. Implementa las medidas de protección adecuadas: filtros de contenido, validación de resultados y límites de seguridad que reflejen tus políticas y tu tolerancia a los riesgos.

Supervisa el modelo en busca de desajustes para realizar un seguimiento de su comportamiento a lo largo del tiempo: observa los cambios en la precisión, la calidad de las respuestas y el cumplimiento de las pautas de seguridad. Los modelos pueden degradarse a medida que cambia el mundo que los rodea; la supervisión detecta este problema antes que los usuarios.

Paso 9: repite la implementación y realiza ajustes

Adoptar la inteligencia artificial rara vez consiste en un único proyecto. Utiliza los conocimientos que adquiriste en las implementaciones iniciales para perfeccionar tu enfoque, expandirte a nuevos casos prácticos y desarrollar funciones internas. Cada vez que se repite una implementación, se genera confianza y aumenta la experiencia en la empresa.

Si tu personal aún está adquiriendo experiencia en inteligencia artificial, puedes recurrir a asesoramiento externo para agilizar el proceso. Red Hat Consulting aporta la experiencia de cientos de implementaciones de inteligencia artificial y te ayuda a tomar decisiones respecto de la arquitectura, evitar errores comunes y desarrollar funciones internas.

¿Qué es la inferencia?

La inferencia de la inteligencia artificial es el último paso del proceso de machine learning. Es cuando se establecen conexiones entre lo que el modelo aprendió durante el entrenamiento y los patrones que ve en el mundo real. Constituye la forma en la que las aplicaciones de inteligencia artificial sacan sus conclusiones, ya sea para brindar soporte de servicio al cliente, predecir accidentes automovilísticos o identificar anomalías en datos de salud.

Descubre los casos prácticos de la inteligencia artificial

Capítulo 4: Adopción y ajuste con Red Hat

Debido a la velocidad con la que se desarrolla la inteligencia artificial, los modelos de inteligencia artificial que eran innovadores hace seis meses se superan de forma rutinaria y surgen técnicas nuevas constantemente. Este proceso de desarrollo rápido e iterativo, en muchos sentidos, refleja el modelo de desarrollo en el que se creó Red Hat.

Red Hat es una empresa con un modelo de desarrollo open source: una base modular y flexible que evoluciona con la comunidad. En lugar de crear código nuevo a puertas cerradas, Red Hat AI se basa en proyectos open source innovadores de inteligencia artificial, y por ello se mantiene al día con las últimas innovaciones y, al mismo tiempo, brinda el soporte empresarial, la transparencia y la estabilidad que necesita tu empresa.

Red Hat AI ofrece una plataforma unificada para implementar la inteligencia artificial en las empresas, que va más allá de la infraestructura tradicional para hacer frente a los desafíos específicos de esta tecnología: herramientas fragmentadas, costos impredecibles y portabilidad de las cargas de trabajo. La plataforma brinda una gama de productos y servicios necesarios para diseñar, implementar, supervisar y utilizar modelos y aplicaciones de inteligencia artificial para todas las etapas del proceso de adopción de esta tecnología.

Obtención de resultados empresariales con Red Hat AI

Red Hat AI ofrece confianza, opciones y uniformidad en todos los entornos de nube híbrida, lo cual agiliza el desarrollo y la distribución de soluciones de inteligencia artificial y aborda los desafíos que enfrentan quienes las adoptan. Elegir Red Hat AI supone grandes ventajas para las empresas.

Optimiza el sistema con inferencias eficientes y rentables y aprovecha los recursos disponibles. Red Hat AI optimiza la inferencia de los modelos en los entornos de nube híbrida, lo cual permite realizar implementaciones más rápidas a un menor costo. Con la tecnología vLLM como elemento central, la plataforma aumenta al máximo el rendimiento y reduce al mínimo la latencia. En combinación con las herramientas de LLM Compressor y un conjunto cada vez mayor de modelos validados y comprimidos, las empresas pueden reducir los costos informáticos y, al mismo tiempo, mantener la precisión.
Conecta los modelos a tus datos para que las aplicaciones de inteligencia artificial comprendan el ámbito de tu empresa y ofrezcan respuestas precisas y relevantes. Los modelos de inteligencia artificial generativa solo son útiles en la medida en que comprenden a tu empresa. Red Hat AI ofrece una experiencia simplificada y uniforme para integrar los datos privados con los modelos de inteligencia artificial a través de la RAG, el perfeccionamiento con Training Hub y las funciones integradas de incorporación de datos.
Agiliza la innovación de la inteligencia artificial con agentes y lleva los experimentos a la producción con confianza. Red Hat AI proporciona una base flexible y con capacidad de ajuste para diseñar e implementar flujos de trabajo de inteligencia artificial con agentes con la API de Llama Stack como punto de acceso unificado, paneles exclusivos y compatibilidad con el protocolo Model Context Protocol (MCP) para conectar los modelos con herramientas y fuentes de datos externas.
Implementa la inteligencia artificial en los entornos de nube híbrida y ajusta la capacidad de manera eficiente sin perder el control. Implementa las cargas de trabajo de inteligencia artificial donde tu empresa las necesite: en las instalaciones, en entornos de nube o en el extremo de la red. Red Hat AI ofrece la flexibilidad para elegir un modelo y un acelerador de hardware, con herramientas y controles uniformes. También proporciona registros de modelos centralizados, determinación del estado interno mejorada y gestión inteligente de GPU.
Obtén una plataforma de inteligencia artificial basada en el open source y respaldada por el soporte empresarial, que ofrece innovación, opciones y confianza. La plataforma incluye una familia de modelos open source IBM Granite con garantía total, diseñados específicamente para uso empresarial, con soporte permanente para la producción y cobertura extendida del ciclo de vida.

El amplio ecosistema de partners de Red Hat refuerza aún más tus funciones de inteligencia artificial. NVIDIA sigue asociándose con Red Hat para ofrecer una plataforma empresarial completa y optimizada para las cargas de trabajo de inteligencia artificial. Red Hat AI no solo admite los aceleradores de NVIDIA; también puedes utilizar las GPU de AMD, Intel Gaudi, IBM Spyre y las unidades de procesamiento de tensores de Google. Esto te brinda la flexibilidad para elegir el hardware que mejor se adapte a tus cargas de trabajo, presupuesto y dirección estratégica.

Red Hat Consulting puede ayudarte a agilizar el proceso, ya sea que estés llevando a cabo un proyecto piloto o sentando las bases para una adopción rápida.

La cartera completa de productos tecnológicos, la experiencia comprobada y las asociaciones estratégicas de Red Hat te ayudan a desarrollar e implementar los modelos y las aplicaciones de inteligencia artificial, así como los servicios y la capacitación que necesitas para alcanzar tus objetivos.

Próximos pasos en el proceso de adopción de la inteligencia artificial

Agiliza la adopción de la inteligencia artificial con una estrategia de nube híbrida abierta, que te brinda la flexibilidad necesaria para ejecutar las aplicaciones de inteligencia artificial donde las requieras.

Pon en marcha tus proyectos de inteligencia artificial/machine learning con la experiencia, la consultoría y los servicios de capacitación de Red Hat para que tu empresa logre el objetivo deseado con la inteligencia artificial.

Obtén más información sobre los servicios de IA/ML de Red Hat
Obtén más información sobre Red Hat AI
Programa una sesión de exploración gratuita

Comunicado de prensa de IDC. "Agentic AI to Dominate IT Budget Expansion Over Next Five Years, Exceeding 26% of Worldwide IT Spending, and $1.3 Trillion in 2029, According to IDC". 26 de agosto de 2025.
Comunicado de prensa de Gartner. "Gartner Predicts by 2027, Organizations Will Use Small, Task-Specific AI Models Three Times More Than General-Purpose Large Language Models". 9 de abril de 2025.
Kearney. "Standing up tiger teams to tackle generative AI complexity", 15 de noviembre de 2023.