La IA no puede arreglar décadas de deuda técnica

Las empresas están invirtiendo mucho para desplegar IA, pero muchas descubren que su mayor obstáculo no son los modelos en sí, sino la infraestructura de décadas que sustenta sus operaciones.

Las plataformas heredadas no fueron diseñadas para la accesibilidad de datos, la interoperabilidad y la inteligencia en tiempo real que exige la IA moderna. El resultado es un riesgo creciente de que las empresas integren IA en sistemas que no pueden aportar los datos, el contexto ni los bucles de retroalimentación necesarios para que sea útil a escala.

Un evangelista tecnológico de PFU America, Inc. sostiene que la cuestión central ya no es si las empresas deben adoptar la IA, sino si sus cimientos existentes pueden soportarla. Las compañías que no se modernicen podrían enfrentarse a costes crecientes, flujos de trabajo fragmentados y retornos decepcionantes de las inversiones en IA.

El coste de la infraestructura heredada

Las iniciativas de transformación digital han consumido capital sustancial en las últimas décadas, pero el trabajo sigue incompleto. Según una investigación de Synergy Labs, el 62% de las organizaciones en EE. UU. aún dependen de software desactualizado en 2026, mientras que el mantenimiento consume hasta un 80% de los presupuestos de TI.

Recomendado

El CEO de Bluehost considera a los agentes de IA como una fuerza laboral para las pequeñas

McKinsey informa que hasta el 70% del software empresarial que utilizan las compañías Fortune 500 fue desarrollado hace más de 20 años. La fuente afirma que las empresas están perdiendo colectivamente 370 millones de dólares anuales por deuda técnica, lo que convierte la remediación en una prioridad empresarial en lugar de un proyecto aislado de TI.

La deuda técnica suele incluir personalizaciones no documentadas, soluciones improvisadas y dependencias interrelacionadas acumuladas durante décadas. Incluso cuando una empresa puede técnicamente dejar a un proveedor, la complejidad interna de migrar datos y procesos empresariales puede ser un obstáculo mayor que el propio bloqueo por proveedor. Los formatos de datos propietarios, las API cerradas y los contratos a largo plazo aumentan los costes de cambio, pero a menudo actúan como acelerantes de problemas de modernización más profundos en lugar de ser la causa raíz.

Por qué la IA añadida como capa externa crea nueva fricción

Para evitar un esfuerzo de modernización completo, muchas organizaciones están adoptando capas de IA de terceros y soluciones puntuales desconectadas. Estos productos pueden ofrecer mejoras incrementales, pero también pueden añadir complejidad, costes y más deuda técnica. La fuente describe el marketing de tales herramientas como un contribuyente al «lavado de IA», donde las capacidades parecen transformadoras en las demostraciones pero decepcionan a empleados, clientes e inversores en la práctica.

Un sistema de IA acoplado externamente suele situarse fuera de la arquitectura de datos central. Funciona como una herramienta separada conectada a un flujo de trabajo existente, lo que exige que los usuarios se desplacen entre el sistema principal y la interfaz de IA, y luego transfieran manualmente los resultados.

Ese diseño socava la promesa central de la IA: reducir la fricción. También puede perjudicar la calidad y el contexto de los datos. Los sistemas heredados no fueron construidos para la IA, por lo que una capa externa puede basarse en exportaciones incompletas o mal estructuradas en lugar de conjuntos de datos completos y en vivo. En sectores regulados como los servicios financieros y la salud, las recomendaciones basadas en información filtrada o sesgada pueden generar una responsabilidad significativa.

La IA nativa tiene un modelo operativo distinto. Puede aprovechar la arquitectura completa del sistema, incluidos los datos en tiempo real, los registros digitalizados, el comportamiento de los usuarios y la información histórica. En lugar de limitarse a lo que expone una API, puede potencialmente razonar a través de la plataforma y desencadenar acciones dentro de ella.

Tres limitaciones de la IA no nativa

La fuente identifica tres desventajas adicionales de añadir IA como una capa separada:

• Mayor carga de mantenimiento: Las actualizaciones de la plataforma central pueden romper o retrasar la integración de la IA. Mantener la conexión fiable requiere trabajos continuos de ingeniería y coordinación entre dos proveedores.
• Brechas de seguridad y cumplimiento: La infraestructura más antigua es anterior a muchas amenazas cibernéticas modernas. Añadir IA a esos sistemas puede exponer vulnerabilidades heredadas a nuevos vectores de ataque, complicar los registros de auditoría y aumentar la carga de trabajo de los equipos de seguridad.
• Profundidad limitada de capacidades: Una integración generalmente solo puede actuar sobre los datos y funciones expuestos a través de su API. No puede observar fácilmente patrones a largo plazo en toda la plataforma ni iniciar acciones más profundas, lo que limita la personalización, la predicción y la automatización significativa.

En contraste, la IA nativa entrenada con el conjunto de datos propietarios completo de una empresa puede aprovechar patrones longitudinales y operar dentro de la plataforma. La distinción no es simplemente cosmética: un enfoque tiene una visión limitada y conectada externamente, mientras que el otro está integrado con los sistemas y los datos que hacen funcionar el negocio.

Modernización de datos antes de una rearquitectura completa

Para las organizaciones que todavía dependen de infraestructura heredada, la fuente identifica la modernización de datos como un punto de partida práctico. Los datos fragmentados, aislados e inaccesibles son una barrera común, por lo que las empresas podrían comenzar migrando la información a un data lakehouse o creando acceso por API a los datos existentes sin interrumpir de inmediato los sistemas centrales.

Este enfoque puede desbloquear capacidades de IA a la vez que genera victorias tempranas y construye apoyo interno para proyectos de modernización mayores. Sin embargo, trasladar décadas de datos estructurados y no estructurados sigue siendo difícil y costoso, especialmente cuando las empresas deben preservar la integridad de los datos y la continuidad operativa.

La conclusión de la fuente es que la rearquitectura es necesaria para obtener un retorno de la inversión significativo en IA. Superponer IA sobre canalizaciones fragmentadas y soluciones improvisadas acumuladas deja a la tecnología con las mismas limitaciones que los sistemas heredados que la sustentan: integraciones lentas, calidad de datos inconsistente y ausencia de una arquitectura para los bucles de retroalimentación que requiere la IA moderna.

Las opiniones fueron aportadas por un evangelista tecnológico de PFU America, Inc. como parte de TechRadar Pro Perspectives y no son necesariamente las de TechRadar Pro o Future plc.