Si tuviera que resumir el año con una sola imagen, diría que la inteligencia artificial dejó de sentirse como una novedad lejana y empezó a meterse, con fuerza, en conversaciones mucho más reales. Ya no hablamos solo de probar un chat, generar una imagen curiosa o pedirle a una herramienta que nos explique un concepto: durante este año empezamos a hablar de IA en el desarrollo de software, en los procesos de negocio, en la automatización, en la seguridad, en la regulación y hasta en la forma de pensar la arquitectura de nuestros sistemas. Y eso cambia la conversación, porque cuando una tecnología sale del terreno de la curiosidad y entra en el de la operación, ya no alcanza con entusiasmarse: también hay que empezar a hacerse cargo. Este no pretende ser un resumen perfecto de todo lo que pasó —sería imposible—, sino algo más modesto: mirar algunas señales que nos dejó 2024 y pensar qué nos están pidiendo como profesionales, como equipos y como organizaciones.
La IA dejó de ser solo una novedad#
Este año quedó bastante claro que la inteligencia artificial ya no ocupa solamente el lugar del experimento interesante. Entró en el editor de código, en las herramientas de productividad, en los buscadores, en los sistemas de atención, en los flujos internos y en muchísimas pruebas que las empresas vienen haciendo para entender dónde puede aportar valor de verdad. En desarrollo de software, por ejemplo, ya no hablamos solo de autocompletado, sino de asistentes que explican código, generan tests, revisan errores, proponen cambios, escriben documentación, analizan logs o transforman una idea inicial en un plan de implementación.
Las señales se acumularon a lo largo del año. GitHub presentó Copilot Workspace en technical preview, con una propuesta clara: pasar de una tarea expresada en lenguaje natural a una planificación y luego a código, manteniendo al desarrollador en control. OpenAI presentó o1-preview en septiembre, una serie de modelos orientados a razonar mejor en problemas complejos de código, ciencia y matemática. Anthropic mostró en octubre la capacidad de uso de computadora para Claude, con una IA capaz de interactuar con una interfaz usando pantalla, cursor y teclado. Y en diciembre Google presentó Gemini 2.0, pensado para esta etapa más “agentic”, con uso de herramientas y capacidades multimodales todavía experimentales.
Todo esto marca un cambio de etapa. No significa que la IA ya resuelva todo, lejos de eso, pero sí que la pregunta empieza a mover el eje: ya no es solamente qué puede responder una IA, sino qué puede hacer una IA con acceso a herramientas, datos, interfaces y contexto. Esa segunda pregunta es muchísimo más potente y, también, mucho más delicada.
De responder a actuar#
Hasta hace poco, para muchas personas la IA era una caja de texto: uno preguntaba y la herramienta respondía, mejor o peor. Este año tomó fuerza otra idea: sistemas capaces de planificar pasos, usar herramientas, consultar información, interactuar con interfaces y ejecutar acciones con cierto nivel de supervisión. Ahí aparece la conversación sobre agentes.
No me gusta pensar los agentes como una magia autónoma que va a resolver cualquier problema empresarial mientras nosotros miramos desde afuera; esa visión me parece peligrosa y demasiado cómoda. Prefiero verlos, al menos por ahora, como una evolución natural de algo que ya veníamos viendo: modelos con más capacidad de razonamiento, conectados a herramientas concretas y limitados por reglas, permisos y objetivos. Un agente no debería ser “una IA suelta haciendo cosas”, sino un sistema diseñado con intención, límites, contexto, trazabilidad y una arquitectura que lo contenga. Porque cuando una IA solo responde mal, el problema puede quedar en una mala respuesta; pero cuando ejecuta mal, el impacto puede ser mucho mayor: puede tocar datos, llamar APIs, crear tickets, generar código o tomar una decisión operativa. Y ahí la conversación deja de ser solo de productividad para volverse también de seguridad, gobierno, arquitectura y responsabilidad.
Conectar la IA con nuestros sistemas cambia todo#
Una de las señales más interesantes de este cierre de año es que empieza a ordenarse mejor la idea de conectar modelos de IA con datos y herramientas externas. El anuncio del Model Context Protocol por parte de Anthropic, a fines de noviembre, apunta justamente a ese problema: cómo conectar asistentes con repositorios, herramientas de negocio, entornos de desarrollo y fuentes de datos sin tener que inventar una integración distinta para cada caso. Puede sonar a detalle técnico, pero no lo es.
Durante mucho tiempo, el límite de muchas herramientas de IA fue el contexto. El modelo razonaba sobre lo que uno le pegaba en el chat, pero no entendía el sistema real donde uno trabaja: no conocía el repositorio completo, las reglas internas, el historial de decisiones ni los procesos de la empresa. Cuando empezamos a conectar IA con sistemas, ese límite se empieza a mover, y con él se mueven también los riesgos. Darle contexto a la IA no es solo mejorar sus respuestas; es darle acceso a información que puede ser sensible, estratégica o crítica. Y darle herramientas no es solo hacerla más útil; es darle capacidad de acción. Por eso creo que esta etapa va a necesitar mucha más madurez que la del chatbot. Antes de conectar una IA a un repositorio, una base de datos o un sistema de tickets, conviene hacerse algunas preguntas simples: qué puede leer, qué puede modificar, con qué permisos actúa, cómo auditamos sus decisiones y qué hacemos si interpreta mal una instrucción. No son detalles para más adelante; son parte del diseño.
La velocidad volvió a ser una tentación#
Uno de los grandes atractivos de la IA es la velocidad, y es entendible: nos ayuda a escribir, investigar, resumir, prototipar y destrabar problemas mucho más rápido que antes. Pero este año también dejó una advertencia clara: más velocidad no siempre significa mejor software, mejores procesos o mejores decisiones. En desarrollo se ve enseguida. Una IA genera código en segundos, y eso no garantiza que respete la arquitectura, entienda el negocio, contemple seguridad, use bien los datos o sea fácil de mantener; puede sonar correcto, compilar y pasar algunos tests, y aun así estar mal pensado.
Fuera del código pasa lo mismo. La IA puede generar un documento, una respuesta a cliente, una propuesta comercial o un análisis, pero sin criterio humano que revise, contextualice y valide, terminamos decidiendo sobre una base que parece sólida y no lo es. La velocidad es excelente cuando acelera un proceso bien entendido, y peligrosa cuando acelera la confusión. Este punto me parece central para lo que viene: la IA no elimina la necesidad de pensar; en algunos casos, incluso nos exige pensar mejor.
La calidad del contexto empieza a valer más#
Si algo nos deja claro este año es que el contexto importa muchísimo. Un modelo puede ser muy potente, pero si trabaja con información incompleta, instrucciones vagas o datos poco confiables, el resultado queda igual de limitado. No es tan distinto de lo que ya pasaba con las personas: un desarrollador con un ticket pobre puede interpretar mal, un equipo con requerimientos ambiguos puede construir algo que no era, un área con datos inconsistentes puede tomar malas decisiones. La diferencia es que la IA completa los huecos con mucha seguridad aparente, y eso confunde.
Por eso empiezan a ganar valor cosas que antes parecían menos atractivas: documentación clara, criterios de aceptación, reglas de arquitectura, estándares de desarrollo, catálogos de APIs, modelos de datos entendibles, permisos bien definidos y decisiones técnicas registradas. Todo eso ya servía para los humanos, pero ahora también empieza a servir para orientar a la IA, y ahí hay un cambio cultural interesante. Durante años muchas organizaciones trataron la documentación como una carga, algo que se escribe cuando sobra tiempo —que casi nunca sobra—. Pero si vamos hacia entornos donde la IA ayuda a desarrollar, analizar u operar, la documentación deja de ser solo memoria humana para convertirse en contexto operativo. Y el contexto operativo puede marcar la diferencia entre una IA útil y una IA peligrosa.
La regulación dejó de ser una conversación lejana#
Este año también trajo una señal fuerte desde Europa: la AI Act entró en vigor el 1 de agosto. Más allá de los detalles legales, el mensaje de fondo es bastante claro: la inteligencia artificial ya es lo suficientemente importante como para necesitar reglas, responsabilidades y marcos de uso. Esto no significa frenar la innovación; al contrario, puede ayudar a que sea más seria, porque cuando una tecnología empieza a afectar decisiones, clientes, datos personales, empleo o servicios críticos, no puede quedar librada únicamente al entusiasmo del momento.
Las empresas van a tener que aprender a preguntarse no solo si pueden usar IA, sino también si deben usarla de cierta manera, y eso implica revisar bajo qué condiciones, con qué datos, con qué controles, con qué explicabilidad, con qué trazabilidad y con qué supervisión humana. Puede sonar burocrático, pero es parte de la madurez. Una organización madura no adopta tecnología porque está de moda; la adopta porque entiende el problema, el impacto, los riesgos y la responsabilidad que asume.
Seguridad: la otra cara de la innovación#
Cuando hablamos de IA solemos enfocarnos en productividad, automatización y nuevas capacidades, pero cada capacidad nueva también puede abrir una superficie de riesgo nueva. Si una IA puede leer documentos internos, hay que pensar en privacidad; si puede consultar bases de datos, en permisos; si puede generar código, en vulnerabilidades; si puede interactuar con sistemas, en auditoría; si puede tomar acciones, en límites. Y si puede conectarse a múltiples herramientas, hay que pensar qué pasa cuando una instrucción maliciosa, ambigua o simplemente equivocada atraviesa todo ese flujo.
La seguridad no puede quedar para después. Esto ya era cierto antes de la IA, pero con IA se vuelve aún más importante, porque muchos de estos sistemas trabajan con lenguaje natural, contexto dinámico y decisiones probabilísticas: no todo está escrito en código tradicional, no todo es determinístico, no todo se prueba con los mecanismos de siempre. Por eso, cuando una organización empieza a usar IA en serio, también debería revisar cómo gobierna accesos, datos, logs, permisos, entornos, secretos y aprobaciones. La IA es una herramienta poderosa, pero una herramienta poderosa conectada sin control puede convertirse en un problema poderoso.
CrowdStrike nos recordó que la resiliencia sigue siendo central#
Aunque este cierre de año esté muy marcado por la inteligencia artificial, sería un error mirar 2024 solo desde ahí. El incidente de CrowdStrike de julio fue una de esas situaciones que obligan a mirar la tecnología desde otro lugar: una actualización defectuosa terminó afectando millones de dispositivos Windows y generando impacto en aerolíneas, bancos, hospitales, medios y organizaciones de distintos sectores. Ese caso nos recordó algo que solemos olvidar cuando hablamos de innovación: los sistemas modernos son profundamente dependientes.
Dependemos de proveedores, de actualizaciones, de agentes instalados en los endpoints, de nubes, de integraciones, de librerías y de APIs; en buena medida, dependemos de sistemas que no controlamos del todo. Y cuando una pieza crítica falla, el impacto puede ser enorme. Por eso la resiliencia tecnológica no debería verse como un tema separado de la innovación, sino como parte de la innovación responsable. No alcanza con construir sistemas más inteligentes si también los hacemos más frágiles, ni con automatizar más si no sabemos cómo detener, aislar o recuperar lo automatizado, ni con conectar más herramientas si no entendemos qué pasa cuando una de ellas falla. La transformación digital sin resiliencia puede terminar construyendo organizaciones modernas pero vulnerables.
La deuda técnica no desaparece con IA#
Otra tentación de este año fue pensar que la IA podía resolver, casi mágicamente, problemas acumulados durante años: código viejo, sistemas heredados, documentación incompleta, integraciones difíciles, procesos manuales, datos duplicados y arquitecturas que crecieron por necesidad más que por diseño. Y sí, la IA puede ayudar muchísimo: explica código heredado, genera documentación inicial, detecta patrones repetidos, propone refactors, ayuda a escribir pruebas y acelera migraciones. Pero no elimina la deuda técnica por decreto.
La deuda técnica no es solo código viejo. Es conocimiento perdido, decisión no documentada, dependencia invisible, miedo a tocar una parte del sistema, falta de tests, una arquitectura que ya no representa bien el negocio, una solución rápida que se volvió permanente. La IA puede ayudarnos a enfrentar esa deuda, pero también puede crear deuda nueva si la usamos sin criterio: generando más código del necesario, duplicando lógica, introduciendo dependencias, ocultando decisiones importantes detrás de respuestas convincentes o acelerando una mala dirección. Por eso una de las preguntas más importantes no es si usamos IA para escribir más código, sino si la usamos para construir mejor software. Y eso es bastante distinto.
El liderazgo técnico importa más, no menos#
A medida que las herramientas se vuelven más potentes, puede aparecer la idea de que el liderazgo técnico pierde importancia. Yo creo exactamente lo contrario. Cuando una tecnología acelera tanto, alguien tiene que ayudar a decidir hacia dónde acelerar: cuidar la arquitectura, ordenar prioridades, hacer las preguntas incómodas, poner límites, mirar seguridad, datos, operación, costos y mantenimiento, y separar una prueba interesante de una solución lista para producción. Alguien tiene que poder decir “esto está bueno, pero todavía no”, o “esto parece simple y puede romper algo importante”.
La IA ayuda a los equipos a trabajar mejor, pero no reemplaza la necesidad de criterio, experiencia y responsabilidad. En todo caso, cambia el tipo de liderazgo que necesitamos: menos basado en controlar cada línea de código y más en crear contexto, reglas, claridad, estándares, espacios de aprendizaje y mecanismos de revisión. Un equipo que usa IA sin acuerdos puede terminar trabajando más rápido y más desordenado; uno que la usa con método puede ganar una ventaja real.
No todo tiene que convertirse en IA#
También me parece importante decir algo simple: no todo problema necesita inteligencia artificial. A veces necesitamos mejores procesos, mejores datos, una arquitectura más simple, eliminar pasos innecesarios, automatizar algo básico, hablar mejor entre áreas o, directamente, borrar código en lugar de generar más. La IA puede ser espectacular, pero no debería convertirse en una excusa para no mirar el problema real. Si un proceso es confuso, la IA lo hará más rápido y seguirá siendo confuso; si los datos son malos, producirá una respuesta elegante basada en datos malos; si la arquitectura es frágil, agregará funcionalidades sobre esa fragilidad; si el equipo no tiene prioridades claras, acelerará tareas que tal vez no eran las más importantes. La tecnología no reemplaza la dirección. Y la IA tampoco.
Lo que me deja el año#
Si tuviera que resumir lo que me deja 2024, no diría solamente que la IA avanzó mucho —eso es evidente—, sino que nos obligó a madurar la conversación. La IA generativa dejó de ser una herramienta curiosa, los asistentes de programación dejaron de ser autocompletado, los agentes pasaron de idea llamativa a posibilidad técnica concreta y la regulación empezó a marcar un marco más serio. La seguridad volvió a recordarnos que cada capacidad nueva trae riesgos nuevos, la resiliencia volvió a aparecer como una necesidad y no como un lujo, la deuda técnica demostró que no desaparece por sumar herramientas más inteligentes, y el liderazgo técnico volvió a ocupar un lugar central, no porque tenga todas las respuestas, sino porque ayuda a hacer mejores preguntas.
Mirando hacia el año que viene hay entusiasmo, pero también mucha incertidumbre. No sabemos hasta dónde van a mejorar estos modelos, qué tan rápido se van a integrar los agentes en herramientas reales, qué prácticas van a sobrevivir y cuáles van a quedar como experimentos de una etapa inicial, cómo van a responder las organizaciones cuando tengan que pasar de la prueba al uso productivo, ni cómo van a evolucionar los costos, la regulación, la privacidad y la confianza. Tampoco sabemos cuánto de todo esto será una revolución profunda y cuánto, simplemente, una nueva capa de herramientas sobre problemas viejos. Y está bien no saberlo: la incertidumbre también es parte del momento.
Lo importante, creo, es no reaccionar desde los extremos. Ni creer que la IA va a resolver todo ni negar que puede cambiar muchísimo; ni adoptarla sin pensar ni rechazarla por miedo. El desafío está en encontrar una forma madura de incorporarla: con curiosidad pero con criterio, con velocidad pero con revisión, con automatización pero con control, con ambición pero con responsabilidad. Si una organización quiere entrar mejor preparada en esta etapa, yo empezaría por cosas bastante concretas: identificar dónde la IA aporta valor real y dónde sería solo una moda; ordenar datos, documentación y contexto antes de esperar resultados mágicos; definir reglas claras para su uso en desarrollo, soporte, operaciones y negocio; revisar seguridad, privacidad y permisos desde el inicio; evitar conectarla a sistemas críticos sin trazabilidad ni límites; usarla para mejorar calidad y no solo para generar volumen; medir impacto real y no sensación de productividad; formar a los equipos; revisar la arquitectura antes de sumar automatizaciones complejas; y hacer postmortems, aprender y ajustar de forma continua.
No hace falta hacer todo de golpe; de hecho, intentarlo todo al mismo tiempo suele ser mala idea. Pero sí hace falta empezar con una mirada más madura, porque la IA aplicada no es solamente una cuestión de herramientas, sino de sistema. Y cuando digo sistema no hablo solo de software, sino de personas, procesos, datos, arquitectura, cultura, seguridad, liderazgo y capacidad de aprendizaje. Tal vez lo más importante de este año no sea que aparecieron modelos más potentes o herramientas más integradas, sino que empezamos a entender mejor el tamaño de la responsabilidad. La IA puede ayudarnos a escribir, programar, analizar, automatizar y planificar; puede acelerar equipos, abrir oportunidades y ayudarnos a pensar mejor; pero también puede amplificar errores, exponer datos, crear dependencias nuevas y generar una falsa sensación de control. La enseñanza que me llevo es bastante clara: no alcanza con usar IA, hay que aprender a usarla bien. Y usarla bien no es solo escribir mejores prompts, sino construir contexto, cuidar la arquitectura, revisar resultados, proteger datos, medir impacto, formar equipos, diseñar procesos y mantener vivo el criterio técnico. La IA dejó de ser novedad; ahora empieza a pedir madurez. Quizá ese sea el verdadero desafío que se abre hacia adelante: no correr detrás de cada anuncio ni enamorarnos de cada herramienta, sino aprender a incorporar esta tecnología de una forma que de verdad mejore cómo trabajamos, cómo decidimos y cómo construimos. Porque la tecnología, por sí sola, nunca fue suficiente. Y con la inteligencia artificial pasa exactamente lo mismo.
Fuentes consultadas#
- Stack Overflow, “2024 Developer Survey — AI”, resultados publicados en 2024 sobre uso de herramientas de IA por desarrolladores.
- GitHub, “Welcome to the Copilot-native developer environment”, 29 de abril de 2024.
- Microsoft, “Helping our customers through the CrowdStrike outage”, 20 de julio de 2024.
- Comisión Europea, “AI Act enters into force”, 1 de agosto de 2024.
- OpenAI, “Introducing OpenAI o1-preview”, 12 de septiembre de 2024.
- Google Cloud, “Announcing the 2024 DORA Report”, 23 de octubre de 2024.
- Anthropic, “Introducing computer use, a new Claude 3.5 Sonnet, and Claude 3.5 Haiku”, 22 de octubre de 2024.
- Anthropic, “Introducing the Model Context Protocol”, 25 de noviembre de 2024.
- Google, “Introducing Gemini 2.0: our new AI model for the agentic era”, 11 de diciembre de 2024.