La transformación digital dejó de ser un tema exclusivo del área de sistemas para convertirse en una decisión de negocio estratégica que atraviesa a toda la organización. Según Fabián Perfetti, director y cofundador de Streambe, el punto de inflexión comenzó a gestarse hace más de una década, cuando empresas como Netflix y Uber redefinieron industrias completas y modificaron las expectativas sobre eficiencia, escalabilidad y experiencia de usuario.

Hoy en día, más del 80% de las empresas en Argentina ya implementa IA en diversas áreas de su operación, según datos de Randstad. Sin embargo, el 95% de los pilotos de inteligencia artificial generativa no logran generar un impacto medible en el negocio, según investigaciones del MIT. El problema no parece estar en la tecnología, sino en la falta de una estrategia clara para integrarla de manera efectiva en los procesos y objetivos de negocio.

La resistencia al cambio, el miedo a perder el trabajo o simplemente la inercia de “siempre lo hicimos así” pueden frenar incluso los proyectos mejor financiados. Por eso, uno de los aprendizajes más relevantes en los últimos años es que cualquier proceso de transformación debe involucrar desde el inicio a todas las áreas de la organización. Fariña destaca que el principal error es cuando la empresa no está alineada al cambio.

La falta de claridad sobre cómo incorporar la IA en los procesos de negocio se posiciona como la principal barrera para el éxito en la transformación digital. Así lo señala el 39% de las medianas empresas y el 33% de las pequeñas, según un relevamiento hecho por la firma SAP. Otros obstáculos constituyen la falta de talento calificado y la falta de prioridad estratégica.

La transformación digital no tiene un principio y un final claros, sino que es un proceso continuo que requiere alinear tres dimensiones clave: el negocio, la organización y las personas. Perfetti señala que un proceso normal dura unos seis meses para implementar la metodología, pero para que sea natural y la gente lo adopte, pasa un año. En los casos más complejos, especialmente aquellos vinculados a data, omnicanalidad o inteligencia artificial, los plazos se extienden aún más y evolucionan en ciclos sucesivos de mejora.

En un entorno donde la tecnología está cada vez más democratizada, la ventaja competitiva no pasa por acceder a herramientas, sino por la capacidad de integrarlas estratégicamente en el negocio. La transformación digital ya no es una cuestión de sistemas, sino una cuestión de liderazgo, visión y ejecución. Con más de 20 iniciativas de transformación digital en distintos sectores, Streambe observa que las compañías que logran avanzar son aquellas que entienden la transformación como una evolución constante y no como un proyecto aislado.

Fuente: https://www.totalmedios.com/nota/63803/la-transformacion-digital-ya-no-es-solo-tema-de-tecnologia

La entrada La transformación digital ya no es solo tema de tecnología se publicó primero en Streambe.

La entrada La confianza se volvió clave en la era de la inteligencia artificial se publicó primero en Streambe.

La entrada IA en salud: recetas por voz, gemelos digitales y especialistas virtuales en 2026 se publicó primero en Streambe.

La entrada Modernización del Estado argentino: ¿Cuál es el costo anual de no digitalizar la gestión pública? se publicó primero en Streambe.

La secuencia habitual: elegir el caso de uso más ambicioso, contratar la plataforma, descubrir a mitad de camino que los datos no están listos, que compliance necesita revisar desde el inicio y que el sistema legacy no expone las APIs que el modelo requiere. El proyecto se detiene o se reduce hasta volverse irrelevante.

Esto ocurre con más frecuencia en organizaciones que no nacieron como empresas de tecnología: bancos, aseguradoras, laboratorios, clínicas. Organizaciones con operaciones críticas, equipos especializados y marcos regulatorios que no pueden ignorarse. Para ellas, el orden de los pasos no es un detalle táctico — es lo que determina si el proyecto llega a producción o muere en el piloto.

La IA no falla por la tecnología. Falla por lo que viene antes.

Un modelo de machine learning es tan bueno como los datos con los que se entrena. Y en la mayoría de las organizaciones reguladas de LATAM, los datos existen, pero están fragmentados entre sistemas que no se comunican, sin estandarizar, sin trazabilidad de origen y con responsables difusos.

IDC estima que entre el 60% y el 80% del presupuesto IT de las organizaciones se destina al mantenimiento de sistemas existentes. Esos sistemas acumulan información valiosa atrapada en estructuras que no fueron diseñadas para alimentar pipelines de datos modernos.

Agregar una capa de IA sobre esa infraestructura sin antes resolver el problema de los datos produce modelos que degradan rápido, alertas con alta tasa de falsos positivos y resultados que no se pueden auditar — un problema especialmente grave cuando el modelo toma decisiones sobre crédito, cobertura médica o detección de fraude.

Las 4 etapas para implementar IA en entornos regulados

Un enfoque AI-first no significa poner IA en todos los procesos al mismo tiempo. Significa diseñar cada iniciativa con la inteligencia integrada desde el inicio — en la arquitectura, en los datos, en los criterios de éxito — en lugar de agregarla como capa encima de lo que ya existe.

Etapa 1 — Diagnóstico de datos y governance (4–6 semanas)

Antes de cualquier desarrollo, es necesario saber qué datos existen, dónde están almacenados, qué calidad tienen y bajo qué marco regulatorio pueden usarse en modelos predictivos. En banca, esto incluye evaluar la trazabilidad transaccional y los requisitos de explicabilidad del modelo según el regulador local. En salud, implica mapear compatibilidad con estándares HL7 y FHIR y definir qué información clínica puede procesarse sin comprometer privacidad del paciente.

El entregable de esta etapa no es un prototipo — es un mapa de fuentes confiables, un modelo de governance con responsables definidos y una evaluación de qué procesos tienen datos suficientes para sostener un modelo en producción. Sin esto, cualquier iniciativa subsiguiente asume riesgos que no puede ver.

Etapa 2 — Caso de uso de impacto rápido (6–10 semanas)

Con el diagnóstico de datos completo, la pregunta es qué proceso tiene el mejor ratio entre impacto medible y riesgo de ejecución. No el más estratégico a largo plazo — el que tiene datos más limpios, un KPI de negocio preexistente y un sponsor interno con autoridad para tomar decisiones durante el desarrollo.

Los casos que generan resultados en este plazo en organizaciones reguladas comparten una característica: automatizan una decisión que antes dependía de revisión manual con criterios documentados. Validación de cobertura en tiempo real, clasificación de siniestros simples, detección de anomalías en transacciones de bajo monto, alertas de riesgo operativo. Procesos donde la IA no reemplaza al experto — le quita el trabajo repetitivo para que se concentre en los casos que requieren criterio.

Etapa 3 — Integración con sistemas existentes (8–12 semanas)

La integración de modelos en entornos regulados se hace por capas, no por reemplazo. APIs que conectan los servicios de inferencia con los sistemas core sin alterar la lógica de negocio. Microservicios que procesan datos en paralelo a la operación. Arquitecturas que permiten desplegar el modelo en shadow mode — corriendo en paralelo al proceso actual sin afectarlo — antes de darle autoridad de decisión real.

Este enfoque tiene una ventaja adicional en contextos de compliance: permite que los equipos legales y regulatorios revisen el comportamiento del modelo con datos reales antes de que produzca efectos sobre clientes o transacciones. No como paso final de aprobación, sino como parte del proceso de desarrollo desde el sprint inicial.

En proyectos de interoperabilidad clínica, la integración por capas con estándares abiertos reduce el riesgo regulatorio sin frenar el desarrollo técnico. En banca, permite que el modelo de scoring o detección de fraude coexista con los sistemas legacy mientras se valida su performance con datos de producción.

Etapa 4 — Escalabilidad y operación continua

Un modelo que llega a producción no es el punto final del proyecto — es el inicio de su ciclo operativo. Los modelos de machine learning degradan. Los datos cambian. Los patrones de comportamiento evolucionan. Sin un proceso de monitoreo activo, reentrenamiento periódico y gestión del feature drift, un modelo que funcionaba bien en el mes uno puede generar decisiones erróneas en el mes seis sin que nadie lo detecte.

Esta etapa define las métricas de performance del modelo, los umbrales de alerta para degradación, los pipelines de reentrenamiento y los criterios de expansión a nuevos casos de uso. La diferencia entre una organización que tiene IA implementada y una que opera con IA es exactamente esta: la segunda convirtió el modelo en una capacidad continua, no en un entregable de proyecto.

Lo que separa los proyectos que llegan a producción

Los proyectos de IA que generan impacto sostenido en industrias reguladas comparten cinco condiciones. Empezaron por el diagnóstico de datos, no por la selección de plataforma. Tuvieron un sponsor ejecutivo con presupuesto real y autoridad para destrabar decisiones. Midieron el éxito con KPIs de negocio que existían antes del proyecto. Incluyeron compliance y legal desde el sprint cero, no en la revisión final. Y combinaron conocimiento técnico externo con entendimiento del proceso por parte del equipo interno.

Cuando alguna de estas condiciones falta, el proyecto no fracasa ruidosamente — se reduce hasta volverse un piloto permanente que nadie escala.

Cinco preguntas antes de contratar o iniciar cualquier iniciativa de IA

¿Existe un inventario de fuentes de datos con evaluación de calidad documentada?

¿Hay un ejecutivo con presupuesto asignado y autoridad de decisión durante el proyecto?

¿Se identificaron al menos dos procesos con ROI estimable en menos de 90 días?

¿Compliance puede revisar en paralelo al desarrollo, no al final?

¿El equipo que opera el proceso está disponible para participar activamente desde el inicio?

Si alguna respuesta es negativa, el primer trabajo no es seleccionar tecnología — es resolver ese punto. Un socio con experiencia en entornos regulados puede ayudar a hacerlo con rapidez.

Cierre

Implementar IA en una organización que no es tech no requiere rediseñar todo al mismo tiempo. Requiere un diagnóstico honesto del punto de partida, datos en condiciones de trabajar y un enfoque que trate la inteligencia artificial como capacidad operativa continua, no como proyecto de innovación con fecha de entrega.

En Streambe trabajamos con enfoque AI-first: diseñamos las soluciones con la inteligencia integrada desde la arquitectura, no agregada al final. Hemos acompañado iniciativas en banca, salud y seguros en LATAM donde las restricciones operativas y regulatorias no son obstáculos a resolver después — son parte del diseño desde el día uno.

Si tu organización está evaluando cómo avanzar con IA sin comprometer lo que ya funciona, podemos ayudarte a definir el punto de partida correcto.

La entrada Cómo implementar IA en una empresa que no es tech: hoja de ruta para industrias reguladas se publicó primero en Streambe.

En línea con esta estrategia, la compañía anuncia la incorporación de Fernando Aldana como Director Regional de Business Development, reforzando su foco en el desarrollo del negocio y la expansión en el mercado mexicano, con especial énfasis en iniciativas de inteligencia artificial aplicada a la operación.

Fernando cuenta con más de 25 años de experiencia en liderazgo comercial, marketing y desarrollo de negocios en América Latina, con trayectoria en compañías globales de tecnología donde ha gestionado operaciones regionales, responsabilidad sobre P&L y equipos de alto desempeño.

A lo largo de su carrera, ha liderado procesos de expansión en múltiples mercados, desarrollado alianzas estratégicas y generado crecimiento sostenido, destacándose por su capacidad para identificar oportunidades, estructurar estrategias comerciales y ejecutar con foco en resultados.

Su incorporación refuerza la posición de Streambe en México y acompaña el objetivo de la compañía de acelerar la adopción de soluciones basadas en inteligencia artificial, orientadas a mejorar la eficiencia operativa, la toma de decisiones y el crecimiento del negocio de sus clientes.

La entrada Streambe continúa consolidando su expansión en América Latina, con México como un mercado estratégico en su plan de crecimiento regional. se publicó primero en Streambe.

La inteligencia artificial avanza en el sistema de salud con un consenso cada vez más claro. En 2026, la adopción dejará de estar concentrada en pruebas piloto para convertirse en infraestructura clínica cotidiana.

En ese contexto, tres tendencias sintetizan ese cambio de etapa: la IA aplicada a recetas médicas, el desarrollo de gemelos digitales para enfermedades complejas como el Alzheimer y la consolidación de especialistas virtuales que ordenan la interacción entre pacientes, profesionales e instituciones.

Según la Organización Mundial de la Salud, los errores de medicación generan un costo global superior a los US$ 42.000 millones anuales, mientras que el envejecimiento poblacional empuja una presión creciente sobre sistemas ya saturados. Por ese motivo, este tipo de desarrollos crecerán durante los próximos años, impulsados por eficiencia, trazabilidad y escasez de recursos humanos.

Publicidad

IA para recetas médicas: de la digitalización al dictado por voz

La prescripción médica es uno de los puntos más sensibles del circuito asistencial. Consume tiempo clínico, concentra riesgo de error y suele depender de procesos manuales que no escalan. La tendencia hacia 2026 combina dos capas: receta electrónica con trazabilidad y uso de voz como interfaz clínica.

El mercado global de e-prescribing ya superó los US$ 2.800 millones e incrementará de manera sostenida hasta la próxima década, impulsado por regulaciones, interoperabilidad y presión sobre la productividad médica. Pero el salto cualitativo llega cuando la IA deja de ser solo un repositorio digital y pasa a interpretar la voz del profesional, estructurar la información y validar la prescripción en tiempo real.

Ejemplo de esto es LucIA, sistema desarrollado por la empresa Streambe, compañía especializada en tecnología para la salud, que permite generar recetas médicas electrónicas mediante comandos de voz. “El médico dicta, el sistema transforma la voz en texto clínico estructurado, completa datos del paciente y deja un registro trazable y seguro. El resultado es menos carga administrativa, menor margen de error y acceso inmediato del paciente a su receta desde el celular, sin papel”, explica Gastón Gugliotta, fundador y CEO de Streambe.

Gemelos digitales: simular antes de intervenir

La segunda gran tendencia es más profunda y, también, más delicada. Los gemelos digitales en salud buscan replicar el comportamiento de pacientes o cohortes en entornos virtuales para simular escenarios de evolución y tratamiento. No reemplazan la práctica clínica, pero permiten explorar hipótesis a una velocidad imposible en el mundo físico.

En enfermedades neurodegenerativas como el Alzheimer, que hoy afecta a más de 55 millones de personas en el mundo y suma casi 10 millones de nuevos casos por año según la OMS, esta capacidad resulta crítica. La investigación es lenta, costosa y enfrenta límites éticos evidentes.

Gugliotta cuenta que Streambe trabaja en la creación de un gemelo digital del paciente con Alzheimer, apoyado en grandes volúmenes de datos internacionales y evidencia clínica local. El modelo se construye a partir de información de salud de los últimos años de países como Estados Unidos, Inglaterra, Suecia y España, y continúa entrenando con datos de pacientes en tratamientos liderados por el Dr. Fernando Taragano, además de información anonimizadas de 10.000 argentinos con antecedentes familiares.

La entrada Las tres aplicaciones de IA que marcarán la medicina en 2026 se publicó primero en Streambe.