ztevenreal
Por: Gonzalo Garcia,
vicepresidente de Ventas de Fortinet para América del Sur.
En el mundo corporativo, la inteligencia fabricado dejó de ser un concepto aspiracional para transformarse en una aparejo concreta de eficiencia y superioridad competitiva. A detención nivel gerencial hay un convencimiento de que inteligencia fabricado está transformando su negocio y deben subirse a esa ola. Luego de pasar revista muchos clientes en distintos países de América Latina, puedo aseverar que el cuándo es ahora las preguntas que quedan sin respuesta en estos ejecutivos son, ¿por dónde y cómo despuntar? Mi visión es que el punto de partida no debe ser un megaproyecto que abarque toda la ordenamiento, sino un caso de uso específico, medible y con impacto tangible en un campo de acción de negocio.
El punto de partida
En el mundo de la tecnología, todo comienza con un caso de uso puntual. No se comercio de modificar toda la ordenamiento de la confusión a la mañana, sino de identificar una situación concreta donde la inteligencia fabricado pueda originar una perfeccionamiento significativa y medible.
Por ejemplo, en una empresa de servicios, implementar un maniquí de AI que gestione automáticamente las preguntas frecuentes puede ceñir los tiempos de respuesta y liberar a los agentes humanos para tareas de longevo valía. Este tipo de iniciativa es acotada, mensurable y con resultados visibles en semanas, lo que la convierte en un excelente primer paso. A partir de allí, la ordenamiento anhelo confianza, experiencia y métricas que permiten prosperar en dirección a escenarios más sofisticados, como la personalización de la experiencia del cliente, la predicción de la demanda o la optimización transporte.
Lo esencial es comenzar con un caso de éxito, consolidar el formación y luego expandir gradualmente a nuevos frentes. Para lograrlo, es esencia conformar un equipo multidisciplinario, considerando personas de tecnología, negocio y control de trámite, liderado por un Chief AI Officer (CAIO), quien actúe como puente entre la organización de negocio y la implementación tecnológica.
En este reconvención, los datos son el insumo más valioso: sin calidad, consistencia y gobernanza, ningún maniquí de inteligencia fabricado podrá producir resultados confiables. Por eso, ayer de nominar un caso de uso, la inscripción dirección debe evaluar si cuenta con datos suficientes y de buena calidad, y si existe la infraestructura y el talento para transformarlos en inteligencia accionable.
La atrevimiento tecnológica: LLM vs. SL
Una vez favorito el caso de uso, la discusión obligatorio pasa por la construcción tecnológica. Aquí aparecen dos enfoques: los Large Language Models (LLM), capaces de procesar información a gran escalera con resultados sofisticados, y los Small Language Models (SLM), más livianos, económicos y fáciles de entrenar con datos específicos de la empresa.
Los LLM ofrecen potencia y versatilidad, pero traen consigo mayores costos de cuenta y preocupaciones de confidencialidad cuando dependen de proveedores externos. Por el contrario, los SLM pueden ejecutarse en entornos más controlados, incluso on-premises, con costos previsibles y entrenados en contextos más reducidos, pero profundamente relevantes para la ordenamiento.
La atrevimiento no debe ser binaria. Una organización híbrida puede rendir la escalera de un LLM para tareas generales (resúmenes, procreación de contenido amplio) y un SLM especializado para funciones críticas con datos sensibles (procesos financieros, información de clientes, operaciones internas).
El ángulo de la ciberseguridad
En ciberseguridad, la discusión LLM vs. SLM se vuelve crítica. Los SLM son manejables, pero al ejecutarse on-prem o en nubes privadas implican una responsabilidad adicional: reforzar todo el stack que los soporta. Esto incluye proteger el hardware, los pipelines de datos de entrenamiento e inferencia, las APIs expuestas y los mecanismos de modernización. En la maña, significa integrarlos con soluciones de Zero Trust, EDR/NDR, IAM robusto, segmentación de red y enigmático end-to-end. Sin este armazón, un SLM puede transformarse en un vector de ataque en empleo de una defensa.
Los LLM, en cambio, rara vez pueden desplegarse en una cirro privada de la ordenamiento. Los grandes proveedores (como OpenAI o Anthropic, Gemini, xAI) los ofrecen bajo un maniquí “as a Service”, sin camino al maniquí colchoneta. La alternativa es utilizar LLM open source (LLaMA 3, Falcon, Mistral) sobre clusters propios de GPU en infraestructuras privadas o híbridas, con altos costos de hardware y mantenimiento.
Cuando se consumen como servicio en la cirro pública, los LLM introducen el problema de la fuga de información: cada vez que se envían datos, existe aventura de que información sensible quede retenida o se utilice indirectamente en el entrenamiento futuro. Incluso si el proveedor afirma amonificación, no siempre se garantiza cumplimiento de regulaciones estrictas (GDPR, HIPAA, PCI-DSS). De hecho, ya hubo incidentes documentados donde empleados filtraron datos confidenciales de clientes al usarlos en LLM públicos.
Logística maña
SLM on-prem o cloud privada: entrenados con datos internos y protegidos con un stack robusto de ciberseguridad.
LLM públicos como servicio: restringir su uso a casos no críticos, aplicando políticas de sanitización de datos, ayer de la consulta.
LLM open source en nubes privadas: camino intermedio para sectores regulados, aunque con inversión significativa en infraestructura y talento.
