Gartner revela que la GenAI entra en el “valle de la desilusión” y destaca fundamentos como AI Engineering y ModelOps para avanzar en la IA empresarial.
Descripción SEO
Gartner Hype Cycle 2025: GenAI cae en la desilusión, mientras AI Engineering, ModelOps y datos listos para IA se consolidan como ejes estratégicos.
Palabras clave: Gartner Hype Cycle 2025, IA generativa, AI Engineering, ModelOps, AI Agents.
Recientemente, el estudio Hype Cycle 2025 de Gartner señala cómo ha cambiado la percepción de la inteligencia artificial. La IA generativa (GenAI), que dominó titulares en los últimos dos años, desciende al “valle de la desilusión”, reflejando la brecha entre expectativas y resultados reales.
Para ser más claros, el valle de la desilusión es una etapa crítica en el ciclo de expectativa, crecimiento y madurez de las tecnologías emergentes. Su principal característica es una disminución significativa en el interés y la inversión después de un pico inicial de expectativas infladas.
En contraste, Gartner identifica pilares tecnológicos que sostendrán el futuro de la IA en las empresas. Estas son: AI Engineering, ModelOps, AI-ready data y AI Agents.
Al respecto, Svetlana Sicular, VP Analyst de Gartner, señala que: “Las organizaciones deben pasar del entusiasmo a la disciplina, construyendo bases sólidas para una IA escalable y confiable”,
Este panorama invita a los líderes empresariales a reevaluar su enfoque, es decir, dejar de perseguir modas para invertir en fundamentos que aseguren resultados tangibles.
¿Cómo superar estratégicamente este valle?
Para lograrlo, Garner define algunos elementos que se deben tener en cuenta:
- AI Engineering: De acuerdo con Foqum, esta disciplina es clave para diseñar, implementar y escalar IA de forma confiable. Básicamente, AI Engineering se enfoca en la aplicación de principios y prácticas de ingeniería para el desarrollo, implementación y mantenimiento de sistemas de inteligencia artificial.
- ModelOps: habilita gobernanza y operación continua de modelos en entornos complejos.
En síntesis y según IBM, ModelOps es un enfoque basado en principios para hacer operativo un modelo en las aplicaciones. Asímismo, ModelOps sincroniza las cadencias entre la aplicación y los pipelines de modelos. Por eiemplo, con ModelOps multinube se pueden optimizar las inversiones en IA mediante datos, modelos y recursos desde el edge al core y a la nube.
- AI-ready data: más del 57 % de las organizaciones aún carece de datos preparados para IA. Precisamente, la oficina de Datos Abiertos de España, explica que este modelo busca que los datos estén preparados para alimentar modelos de IA. La condición principal es que se haga con las mínimas fricciones posibles, evitando posibles contratiempos a posteriori durante el desarrollo de los proyectos.
- AI Agents: en el pico de expectativas; promesa de automatización autónoma, con riesgos de seguridad y confianza.
- AI-native software engineering: aparece por primera vez; la IA empieza a integrarse en la creación de software, aunque con riesgos de sesgos y vulnerabilidades. Y, según, Datum Labs,
La ingeniería nativa de IA representa el siguiente salto. Integra sistemas de IA que pueden refactorizar código de manera proactiva, generar documentación, ejecutar pruebas y sugerir revisores por pares, todo integrado en el IDE del desarrollador. Los desarrolladores se convierten en conductores en este modelo, dirigiendo agentes de IA que ejecutan secciones enteras del proceso de desarrollo de forma autónoma.
Aplicaciones por sector
- Finanzas: Con ModelOps se facilita el cumplimiento regulatorio en la gestión de modelos de riesgo y fraude.
- Retail: Al usar AI Agents pueden optimizar la experiencia del cliente y la logística, si se controla la seguridad.
- Salud: Usando AI-ready data se acelera investigación clínica y personalización de tratamientos.
- Industria tecnológica: la ingeniería de software nativa con IA promete acelerar el ciclo de desarrollo.
Es hora de madurar la IA
El informe de Gartner marca un punto de madurez: el éxito en IA no está en perseguir la curva de moda, sino en cimentar prácticas confiables.
La pregunta clave es: ¿están las empresas de América Latina preparando su base de datos, procesos y gobernanza para capitalizar la próxima ola de IA?
Conozca todo sobre Inteligencia Artificial en Estratech-IA