Bluetab (IBM): las 5 tendencias de IA para 2027

¿Por qué 2027 será el año en que la IA entra en los procesos de negocio?

El 40% de los proyectos de IA agéntica podría cancelarse antes de que termine 2027, según Gartner. Ese dato, citado por Bluetab en su hoja de ruta para el próximo año, resume el cambio de etapa: la conversación ya no gira en torno a qué modelo elegir, sino a si la organización tiene los datos, los controles y las métricas para sostener la inversión.

Bluetab es la compañía de datos e inteligencia artificial del grupo IBM, adquirida por el gigante tecnológico en 2021 y con operaciones en España, México, Perú y Colombia, según detalló Cinco Días en una entrevista con Ana Marino, responsable de data transformation de IBM Consulting. Su diagnóstico para 2027 parte de una premisa simple: si los datos no están listos, la IA tampoco.

La adopción deja de estar concentrada en herramientas independientes y se integra en las operaciones diarias. Según proyecciones de IDC citadas por Bluetab, para 2029 el 60% de las empresas ejecutará la mayoría de sus procesos de negocio con un enfoque centrado en inteligencia artificial. La compañía considera que 2027 será el año decisivo para preparar esa transición.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El obstáculo no es el que suele mencionarse. Un estudio de GFT Technologies realizado por Wakefield Research entre 945 CIOs y CTOs de 19 países, reportado por International Business Times, encontró que el 84% de los líderes tecnológicos canceló algún piloto de IA por limitaciones de sus sistemas heredados, y que el 89% teme que la inversión en IA crezca más rápido que el valor que entrega.

¿Qué son los sistemas multiagente y por qué Gartner apunta a 2027?

Los sistemas multiagente son arquitecturas en las que varios agentes de IA colaboran para completar tareas complejas. Según Gartner, para 2027 el 70% de los sistemas multiagente utilizará agentes altamente especializados.

En la práctica, eso significa repartir responsabilidades: un agente revisa documentación, otro contrasta información y un tercero coordina el proceso y verifica los resultados. El potencial está en combinar esos agentes dentro de procesos de negocio más amplios, no en aislarlos como demos de laboratorio.

El argumento económico detrás de la especialización es concreto. Forbes Technology Council señala que un enjambre de agentes especializados, cada uno con una ventana de contexto más pequeña, reduce el costo por tarea frente a un «superagente» monolítico que debe razonar todo el problema de punta a punta. El mismo artículo cita un estudio de la Universidad de Hong Kong y Stellaris AI sobre una empresa de servicios financieros: sus costos de inferencia superaban los US$200.000 mensuales aunque más del 70% de las consultas eran lo bastante rutinarias como para resolverse con modelos más pequeños.

Bluetab advierte que esta evolución exige resolver preguntas operativas antes de escalar: cómo intercambian información los agentes, qué ocurre cuando producen resultados contradictorios y en qué situaciones debe intervenir una persona para tomar la decisión final.

¿Por qué la calidad de los datos define si puedes escalar la IA?

La preparación de datos, o Data Readiness, se convierte en la prioridad central. Un sistema inteligente no necesita solo volumen de información: necesita saber qué datos son correctos, cuál es su contexto y si existe autorización para usarlos.

El ejemplo que da Bluetab es útil: cuando un agente analiza un contrato, debe reconocer cuál es la versión vigente, interpretar su contenido y respetar los permisos de acceso de la organización. Eso obliga a trabajar tanto sobre bases de datos estructuradas como sobre documentos y contenido no estructurado, modernizar plataformas en la nube y construir catálogos de datos.

El costo de no hacerlo es alto. Ana Marino, de IBM Consulting, explicó a Cinco Días que un estudio de IBM de 2023 estimaba que por cada dólar invertido en IA generativa las empresas gastarían tres en preparar datos, y que hoy esa relación se acercó a cinco dólares en datos por cada euro en IA. «Sin una buena plataforma de datos es imposible implementar una IA útil, eficiente y confiable», señaló.

La misma idea aparece en el discurso de Bluetab para la región. En declaraciones recogidas por La Nota Económica, Oscar Hernández, CEO de Bluetab LATAM, sostuvo que la IA no da certeza absoluta y que su valor está en anticipar escenarios y priorizar riesgos: «Sin una buena base de datos, incluso el mejor modelo de IA tendrá capacidades limitadas».

¿Cómo se gobierna un agente de IA que toma decisiones?

Cuando un agente gana autonomía, la pregunta deja de ser qué información puede consultar y pasa a ser qué acciones puede ejecutar, bajo qué condiciones y quién responde por el resultado.

Bluetab identifica cuatro mecanismos para 2027: permisos específicos por tarea, registros de actividad, evaluaciones previas a la puesta en producción y mecanismos para detener un sistema o recuperar la operación ante un error. La supervisión humana sigue siendo obligatoria, pero su intensidad debe ajustarse al nivel de riesgo de cada proceso.

La gobernanza también tiene un retorno medible. Según Forbes Technology Council, Gartner estima que las tecnologías de gobernanza efectivas podrían reducir los gastos regulatorios en un 20%, y McKinsey encontró que incorporar los controles después del desarrollo genera retrabajo costoso y retrasos en el despliegue. Construir el control una sola vez y aplicarlo a todos los agentes es más barato que diseñarlo diez veces.

¿Qué proyectos de IA sobrevivirán al filtro del ROI en 2027?

Gartner proyecta que el 40% de los proyectos de IA agéntica podría cancelarse antes de terminar 2027 por costos crecientes, falta de claridad sobre el valor de negocio o controles de riesgo insuficientes. La cifra coincide con lo que reportan los propios compradores: Gartner también señala que el 72% de los CIOs declara que su organización está empatando o perdiendo dinero con sus inversiones en IA, según recogió Forbes Technology Council.

Otros estudios apuntan en la misma dirección. Un análisis publicado por Yahoo Finance que recopila investigaciones de IBM, CrewAI y Gartner reporta que solo el 33% de las iniciativas de IA cumple sus objetivos de retorno, que el 72% no logró escalar más allá del piloto y que apenas el 41% de los ejecutivos encuestados por CrewAI reporta ROI positivo en el primer año, con un periodo de repago mediano de 6,7 meses. El mismo análisis cita una previsión de Gartner de agosto de 2026: los costos de inferencia podrían multiplicarse por más de cinco hasta 2028.

Para Bluetab, la selección de proyectos debe atarse a indicadores verificables: costo por proceso resuelto, tiempo ahorrado y calidad del trabajo. Y la evaluación debe incluir todos los componentes de la inversión, desde el costo de los modelos hasta la integración tecnológica y las horas de supervisión.

¿Qué oportunidades abre esto para las startups en Latinoamérica?

El ritmo de adopción no será uniforme. Bluetab prevé que en México la modernización de plataformas en la nube y su integración con los sistemas empresariales existentes seguirá impulsando la demanda de servicios de datos e IA. En Colombia y Perú identifica oportunidades en banca, comercio minorista y telecomunicaciones, con prioridades en gobierno de datos, analítica avanzada y automatización de procesos.

La compañía definió además sus líneas de trabajo para 2027: Fastcapture (automatización de metadatos), Spark Tune (optimización de plataformas), Truedat (gobierno de datos) y PurIA (migraciones con IA multiagente). «Si un agente va a participar en una decisión de negocio, tenemos que saber con qué información trabaja, qué puede hacer y quién responde por el resultado», señaló Oscar Hernández, CEO de Bluetab LATAM.

Qué significa esto para tu startup

Si tu equipo está evaluando agentes de IA, el mensaje de 2027 es que la ventaja no estará en el modelo que uses, sino en la infraestructura que lo rodea. Cuatro movimientos concretos:

Audita tus datos antes de comprar agentes. Lista las fuentes que alimentarían al agente, marca cuáles tienen dueño, versión vigente y permisos definidos, y resuelve los huecos antes de firmar. El 84% de cancelaciones por sistemas heredados que reporta GFT es un recordatorio de que el orden importa.
Empieza por un caso de uso con resultado medible. Elige un proceso donde puedas calcular costo por caso resuelto y tiempo ahorrado, y llévalo a producción antes de sumar el segundo. Los datos de IBM y CrewAI citados por Yahoo Finance muestran que la mayoría de los pilotos nunca cruza esa línea.
Diseña la gobernanza desde el primer agente. Permisos por tarea, logs de actividad y un mecanismo de apagado no son burocracia: son lo que permite escalar sin reconstruir los controles en cada despliegue nuevo.
Presupuesta el costo completo. El precio del modelo es una parte. Integración, supervisión humana y gobernanza son las otras, y son las que suelen romper el caso de negocio.

La diferencia entre las empresas que experimentan con IA y las que la convierten en una herramienta de negocio se decidirá, según Bluetab, en la capacidad de integrar, supervisar y medir. Ese trabajo empieza mucho antes de elegir el próximo modelo.