Un estudio global revela que el 82.8% de las empresas impulsa iniciativas de inteligencia artificial, pero la desconfianza en la calidad de la información frena su escalamiento operativo.
Por: Redacción
CIUDAD DE MÉXICO, 17 de agosto de 2026.- La inteligencia artificial ha dejado de ser un concepto abstracto para convertirse en una prioridad estratégica en los departamentos de tecnología, sin embargo, la velocidad con la que las organizaciones adoptan esta tecnología está superando su capacidad operativa para garantizar resultados seguros y precisos.
De acuerdo con una investigación realizada por la firma de ciberseguridad y observabilidad NETSCOUT a cerca de 950 profesionales durante el evento Cisco Live 2026, el 82.8% de las empresas se encuentra evaluando, probando o implementando proyectos basados en IA y modelos de lenguaje (LLM).
A pesar de esta masiva penetración, la mayoría de los equipos enfrenta dificultades para llevar estas iniciativas a entornos de producción críticos con total certidumbre.
Eileen Haggerty, AVP de Marketing de Productos y Soluciones en NETSCOUT, señala que la ambición por la IA avanza más rápido que la madurez de la infraestructura que la sostiene.
Para la ejecutiva, la falta de datos confiables y de alta calidad representa la principal barrera para consolidar el paso de las fases piloto a operaciones automáticas de misión crítica.
El verdadero cuello de botella de la tecnología no radica en la complejidad de los algoritmos, sino en el entorno de datos, y en ese sentido, el informe identifica desafíos clave que erosionan la confianza de los especialistas:
- Telemetría fragmentada: Información con exceso de “ruido” y falta de consistencia.
- Visibilidad reducida: Puntos ciegos de monitoreo en arquitecturas de nube e híbridas.
- Herramientas desvinculadas: Procesos desconectados que dificultan la validación de resultados.
- Opacidad en las respuestas: Poca explicabilidad sobre cómo los modelos llegan a sus conclusiones.
Ante esta realidad, el 65% de los profesionales de TI encuestados considera que la observabilidad continua de los procesos de IA es crítica para garantizar la continuidad del negocio.
Los equipos buscan evitar el síndrome de la “caja negra”: para delegar decisiones de forma autónoma a la IA (como en entornos de AIOps o AgenticOps), necesitan auditoría en tiempo real y contexto operativo directo.
El estudio concluye que las métricas y registros tradicionales (MELT) resultan insuficientes para alimentar los modelos actuales.
El verdadero factor diferenciador para maximizar el retorno de inversión en IA no será la sofisticación del modelo, sino la capacidad de las empresas para basar sus análisis en la inspección directa del tráfico de red, garantizando datos de alta fidelidad y un monitoreo integral.
