La inteligencia artificial se ha convertido en una de las prioridades de las agendas empresariales. Sin embargo, entre la velocidad con la que aparecen nuevas herramientas y las promesas de automatización, las organizaciones enfrentan una pregunta cada vez más importante: ¿necesitan modelos capaces de resolverlo todo o soluciones especializadas que entiendan a profundidad sus operaciones?
Esta fue la discusión central del panel “IA Vertical: la revolución que los modelos generalistas no podrán ganar”, realizado durante el Neuron IT Forum 2026, donde Fernando Ibarra, presidente de Alianza 4.0, reunió a representantes de Schnellecke Logistics, Changan y Coppel para analizar cómo están incorporando estas tecnologías y qué condiciones necesitan para convertirlas en una ventaja competitiva.
La conversación dejó claro que no se trata de elegir entre inteligencia artificial generalista y vertical. Ambas pueden convivir y complementarse, siempre que su implementación responda a una estrategia de negocio.
De la experimentación a resolver problemas concretos
Los modelos generalistas han acercado la inteligencia artificial a millones de usuarios y han demostrado su capacidad para generar contenido, procesar información y facilitar tareas. Sin embargo, cuando se trasladan al entorno empresarial, sus respuestas no siempre son suficientes para atender procesos altamente especializados.
Javier Corte, Head of IT MX & US de Schnellecke Logistics, señaló que la IA debe funcionar como una herramienta de apoyo y no como una fuente incuestionable de información. Su mayor valor aparece cuando se aplica a procesos específicos, con objetivos identificados y resultados que puedan medirse.
La adopción tampoco debería responder a una tendencia. Para justificar una inversión, las organizaciones necesitan identificar qué problema quieren resolver, cuánto les cuesta actualmente y qué retorno pueden esperar. Sin ese análisis y sin el respaldo de la alta dirección, una iniciativa tecnológica difícilmente llegará a convertirse en un proyecto estratégico.
Desde la perspectiva de Changan, Ángel Enríquez, Mexico IT Manager, planteó que la respuesta está en combinar modelos generalistas y especializados. Las necesidades de una compañía global no siempre coinciden con las de sus mercados locales, por lo que adaptar las herramientas a las particularidades de cada región resulta fundamental.
En el sector automotriz, por ejemplo, una solución puede funcionar en otros mercados, pero necesitar ajustes para interpretar los hábitos de compra, las preferencias y el comportamiento del consumidor mexicano. La tecnología ofrece capacidades, pero es el conocimiento local el que permite aprovecharlas correctamente.
Los datos: el verdadero punto de partida
Si hay un elemento que atravesó toda la conversación fue la importancia de los datos. Antes de hablar de modelos, algoritmos o agentes inteligentes, las empresas necesitan contar con información organizada, confiable y disponible.
Juan Pinacho, Director de Transformación Digital eCommerce y CDS de Coppel, explicó que la compañía cuenta con más de 80 años de operación en México, más de 2,000 tiendas y cobertura en el 98% de las zonas postales del país. Esta presencia ha generado un activo de información que permite conocer con profundidad a sus clientes, sus patrones de consumo y las particularidades de los mercados donde opera.
Para Coppel, la inteligencia artificial no sustituye ese conocimiento: lo potencia. La información bien estructurada permite entrenar modelos, identificar oportunidades y desarrollar soluciones alineadas con las necesidades de los consumidores.
El escenario es distinto para empresas que comienzan a construir su presencia en un mercado. En el caso de Changan, la experiencia y los datos acumulados en China representan una base importante, pero no necesariamente explican el comportamiento del consumidor mexicano. Por ello, la compañía ha tenido que generar información local para comprender factores que van desde las preferencias de compra hasta la percepción de marca y el servicio posventa.
La discusión también puso sobre la mesa una realidad que suele pasar desapercibida: preparar los datos puede representar una parte considerable del esfuerzo de implementación. Durante el panel se mencionó que su limpieza, organización y consolidación pueden ocupar cerca del 70% de un proyecto de inteligencia artificial. Es decir, el reto no comienza al elegir el modelo, sino al preparar la información que hará posible su funcionamiento.
Cuando la IA llega a la operación, los resultados se pueden medir
Uno de los ejemplos más concretos de la conversación vino de Schnellecke Logistics, donde la inteligencia artificial ya participa en procesos críticos de la operación logística.
La compañía utiliza modelos propios de visión para identificar etiquetas, incluso cuando están dañadas o escritas a mano, además de algoritmos de pronóstico que ayudan a anticipar posibles desabastecimientos y evitar excesos de inventario. En una operación donde un paro de línea puede representar pérdidas de hasta 90 mil dólares por hora, anticipar una falla o asegurar el suministro de materiales tiene un impacto directo en el negocio.
La aplicación también llegó al desarrollo de software. Javier Corte compartió que, mediante agentes de inteligencia artificial incorporados a este proceso, Schnellecke registró una reducción del 37% en los tiempos de desarrollo y puesta en producción entre mayo y septiembre.
El caso demuestra que el valor de la IA no está únicamente en generar respuestas más rápido, sino en transformar actividades específicas, reducir tiempos y mejorar el desempeño de una operación.
La ventaja competitiva está en la estrategia, no en la herramienta
Al hablar de quién está mejor preparado para aprovechar esta tecnología, el tamaño de la empresa o su origen no parecen ser factores determinantes. Una startup puede tener mayor agilidad, mientras que una organización consolidada puede contar con información, infraestructura y conocimiento acumulado. Pero ninguna de esas ventajas garantiza resultados por sí sola.
Para Juan Pinacho, la inteligencia artificial no es un fin, sino una herramienta que habilita una estrategia de negocio. Las empresas que realmente podrán aprovecharla serán aquellas dispuestas a revisar sus procesos, transformar su organización e integrar estas capacidades en su operación, en lugar de limitarse a automatizar tareas aisladas.
Esto también implica entender que los beneficios no llegan necesariamente de inmediato. Los proyectos pueden comenzar con mejoras de productividad y eficiencias de corto plazo, pero su verdadero potencial aparece cuando esas primeras ganancias permiten impulsar transformaciones de mayor alcance.
La supervisión humana, la gobernanza y la ciberseguridad también forman parte de esta ecuación. Conforme los agentes de IA adquieren más capacidades, las organizaciones necesitan definir qué pueden hacer, cuáles son sus límites, quién es responsable de sus acciones y en qué situaciones requieren intervención humana.
La conclusión del panel fue contundente: no gana quien implementa más herramientas ni quien desarrolla su propio modelo por principio. Gana quien entiende qué necesita resolver, cuenta con los datos para hacerlo y logra conectar la tecnología con una estrategia respaldada por la alta dirección.
Porque en un entorno donde las soluciones de inteligencia artificial evolucionan constantemente, la verdadera ventaja no está en tener el modelo más avanzado, sino en saber dónde, cómo y para qué utilizarlo.
