Casi todos en una sala levantan la mano cuando se les pregunta si usan inteligencia artificial. Pocos saben qué contestar cuando la pregunta es otra: cuál es su estrategia. Esa brecha fue el eje de la charla de Pedro de Sá, eecutivo de Cuentas de Inteligencia Artificial Aplicada para Latinoamérica en Google, en el marco del evento Fenicio Talks en Montevideo.
Para De Sá, brasileño radicado en Chile, el problema de fondo no es tecnológico. "Hoy siento que falta un poco más de visión estratégica más que tecnología", dijo. La herramienta ya está; lo que escasea es una idea clara de para qué usarla.
Su crítica apunta a cómo la mayoría incorpora la IA: como un parche para tareas sueltas. "No pensando cómo la IA me puede resolver este problemita que me puede ahorrar 10, 20 minutos por día", planteó, sino "cómo realmente puedo pensar mis procesos teniendo la IA en mente".
La diferencia, para él, es la que separa a una empresa que optimiza de una que se reinventa. Rediseñar los procesos con la IA "como el medio principal" es, en su lectura, lo que permite "ser líderes globales", incluso desde mercados chicos.
El reverso de esa falta de visión es lo que llamó "anarquía". Describió el caso de un jefe de Marketing amigo, de una gran marca en Chile, que le dijo: "Yo tengo más o menos unos seis productos de IA distintos, cada uno me resuelve una cosita distinta".
Multiplicado por toda la organización, el resultado es conocido: "cada uno está haciendo lo que quiere, y eso no es una estrategia. Eso es anarquía". Las consecuencias, según él, se encadenan: datos "dispersos", "silos de comunicación" y una IA "fragmentada y redundante" que termina repitiendo esfuerzos.
El usuario corre, la empresa camina
La otra parte de su reflexión fue sobre América Latina. De Sá sostuvo que, por su paso por el equipo de Ads de Google, "el usuario latino es el que más rápido agarra la tecnología en todo el mundo", fascinado con cada novedad.
El problema aparece del otro lado del mostrador. Esas ganas del usuario chocan con "un time to market de las empresas que no acompaña", dijo: la gente ya quiere usar IA para comprar, trabajar o resolver trámites, pero las compañías llegan tarde.
Como salida, De Sá propuso dejar de sumar herramientas sueltas y centralizar todo en una única plataforma —en su caso, Gemini Enterprise— para que cada área trabaje con el mismo proceso y la misma información, en lugar de cada empleado tirando para su lado.
Cómo funciona y qué resuelve
De Sá describió a Gemini Enterprise como algo que "parece un chatbot normal", pero cuya diferencia está en lo que tiene detrás: se conecta con "todas tus fuentes de datos" —mails, CRM, ERP, calendario— y sobre esa base se arman agentes, que definió como "robotitos que te van a hacer la tarea".
Dio casos concretos. En una financiera de microcréditos en México, cada operación tardaba 20 minutos; la bajaron a dos. El flujo: llega el correo del solicitante, el sistema "lo cruza con el CRM" y evalúa si corresponde un crédito automático.
Cuando hay dudas, agregó, entra "un human-in-the-loop, una persona humana que lo tiene que chequear", que le hace preguntas al modelo antes de aprobar o rechazar.
Otro caso fue el de KLog, una empresa de logística chilena en expansión a México y Perú. Su equipo de operaciones perdía horas leyendo avisos de navieras —"tu envío de China va a tardar"—, buscándolos en el CRM y copiando datos a mano para avisar a cada cliente.
Automatizaron ese circuito: ahora el mail de la naviera se procesa, se cruza con el CRM y las alertas salen solas. El efecto, según De Sá, no fue solo de tiempo. Les permitió una decisión de negocio: contratar "más personas comerciales" en lugar de ampliar el backoffice.
En marketing, mencionó agentes conectados a Google Ads, Meta y TikTok que reemplazan el trabajo manual de bajar reportes y volcarlos a una planilla. Una empresa, dijo, llevó "cinco veces más oportunidades comerciales" a sus clientes en cuatro meses.
Qué pasa con los datos
La parte más técnica llegó por una pregunta del público: qué impide que la información salga y cómo se garantiza que Google no la use. De Sá respondió con una herramienta llamada Model Armor, pensada para frenar el "prompt injection".
Lo explicó así: es "cuando uno le está preguntando a la IA algo para sacarle información". El ejemplo que dio es pedirle al modelo la contraseña de un jefe con la excusa de una abuela enferma. Model Armor, afirmó, bloquea esas consultas "tanto de entrada como de salida".
Para ilustrar el riesgo, apuntó contra la competencia sin nombrarla: una persona en Estados Unidos "logró comprar un auto por US$ 1 haciendo un prompt injection" con otro modelo.
Sobre el uso de la data, su respuesta fue contractual y de negocio. Google es "un procesador, no somos dueños de la data", sostuvo. Y sumó un argumento económico: si usaran información de clientes, no podrían trabajar con bancos, hospitales ni grandes consultoras. "El riesgo de negocio para Google es mucho más grande que el beneficio".
Hizo una salvedad: esa protección rige para los productos corporativos. En las versiones gratuitas o en beta —mencionó AI Studio— hay un aviso que pregunta si se pueden usar los datos para mejorar el modelo. Ahí, su recomendación a un cliente fue trabajar "con datos dummy", no con información real.
