La IA en escala: de la experimentación al valor real para el negocio

El entorno económico de 2026 ha llevado el entusiasmo por la IA a su punto álgido, trayendo consigo expectativas mucho más altas en cuanto a resultados orientados a crear valor. Lo que antes era difícil de cuantificar ahora está empezando a tomar forma. A medida que las organizaciones han priorizado los casos de uso y han aprendido de los primeros esfuerzos de integración, ha surgido la primera oleada creíble de informes sobre el retorno de la inversión, lo que hace imposible que los líderes justifiquen la inversión continua sin evaluar el impacto.

Esto marca un cambio claro. Las organizaciones ya no pueden basarse en inversiones especulativas ni en enfoques de implementación dispersos. Hubo un tiempo en que el impulso por sí solo, alimentado por esta tendencia al alza y un discurso persuasivo sobre la transformación, bastaba para asegurar el presupuesto y la buena voluntad. Ahora, los inversores y accionistas están preparados (y dispuestos) a establecer una distinción mucho más clara entre el entusiasmo por la IA y el valor de la IA.

de los altos directivos confirmaron a principios de año que la IA está afectando a su organización*

de los líderes han reestructurado sus equipos en los últimos dos años para implementar la IA*

confirmó que los acontecimientos geopolíticos de los últimos 6 meses han acelerado sus planes sobre la IA**

^{* C-suite barometer: outlook 2026; **C-suite barometer: 2026 mid-year insights}

La eficiencia de la plantilla gracias a la IA y la transformación empresarial han tenido un impacto significativo, pero aún no se ha alcanzado todo su potencial en algunas organizaciones, a menudo a pesar de una implementación entusiasta y exitosa. Los proyectos piloto han proliferado, pero pocos se han convertido en un cambio habitual en la forma de trabajar o en algo que modifique sustancialmente la manera en que opera y rinde una empresa. 

Para pasar del entusiasmo sobre la IA al valor de la IA, las organizaciones y sus líderes deben pasar de hablar de capacidades, que se centra más en los hitos de implementación y los resultados, a hablar de rendimiento, que se centra directamente en el valor empresarial que genera la IA.

El retorno de la inversión (ROI) de la IA supone un cambio radical esencial. El paso de la experimentación a la medición es lo que, en última instancia, permitirá alcanzar la escala necesaria y convertir cualquier beneficio inicial en una ventaja competitiva sostenida. El impacto para las organizaciones que no sean capaces de dar este paso afectará no solo a sus resultados y a su posición en el mercado, sino también a cualquier justificación para futuras inversiones

La brecha del ROI de la IA Cada año, llevamos a cabo estudios para comprender las prioridades y los retos fundamentales de los negocios de nuestros clientes. Nuestro barómetro de la alta dirección recoge las opiniones de miles de ejecutivos de todo el mundo, lo que nos proporciona una valiosa perspectiva sobre las tendencias y transformaciones que afectan a las empresas. Seis meses después de nuestra perspectiva inicial para 2026, los resultados de nuestro análisis de mitad de año refuerzan la confianza que los líderes tienen en el potencial de la IA y revelan ahora los primeros rendimientos de las inversiones en esta tecnología. Sin embargo, no se puede valorar realmente el rendimiento global sin tener en cuenta la escala de la inversión. Ahora bien, la proporción del presupuesto invertido en IA aumenta considerablemente con los ingresos, como cabría esperar, pero el 15 % de las organizaciones ha invertido más de una quinta parte de su presupuesto en IA, y el 35 % ha gastado menos del 10 %. ¿Qué nivel de retorno de la inversión deberían esperar los líderes, sus empresas (y sus inversores y partes interesadas)?

• 96de los altos directivos confirmaron que la IA ha aumentado la productividad de sus equipos* 
• 63de los altos directivos informan de un rendimiento de hasta el 10% en sus inversiones en IA y una quinta parte observa mayores ganancias**
• 33afirma que su empresa está totalmente equipada y preparada para adaptar su estrategia en respuesta al ritmo de los futuros avances en IA*

Para la mayoría de las organizaciones, la falta de retorno de la inversión en IA suele deberse a cuatro factores críticos:

1. Falta de estrategia: con demasiada frecuencia, la motivación ha sido simplemente utilizar la IA, a menudo por la presión de los inversores o la competencia, en lugar de resolver un problema empresarial concreto. La implementación ha seguido a la tecnología en lugar de a la necesidad.
2. Mala definición de los casos de uso: las organizaciones se han apoyado en gran medida en casos de uso horizontales en lugar de verticales, han elegido la herramienta equivocada para la tarea o han establecido métricas y expectativas erróneas para el caso de uso. A menudo, se dan las tres desajustes a la vez.
3. Gobernanza débil: la mala calidad de los datos y los límites o clasificaciones mal definidos han obstaculizado incluso los esfuerzos con mayores recursos. Incluso grandes empresas tecnológicas como Google siguen trabajando para superar estos retos, lo que demuestra la importancia de una gobernanza adecuada desde el diseño.
4. Gestión del cambio inadecuada: la falta de compromiso por parte de la plantilla, un liderazgo débil y una capacitación insuficiente han impedido que la adopción se afiance en muchas organizaciones.

Nada de esto sugiere que las organizaciones deban frenar sus objetivos en materia de IA. El ritmo de la innovación no se está ralentizando, sino que se está acelerando exponencialmente. Quienes no aprovechen el potencial transformador de la IA probablemente se quedarán atrás. Pero el un enfoque centrado en el retorno de la inversión (ROI) muestra que la implementación debe abordarse de forma estratégica y proporcionada. Ser estratégicos en la evaluación y definición de los casos de uso —junto con el establecimiento de bases sólidas en materia de datos y gobernanza— permitirá a las organizaciones avanzar rápidamente y generar valor real a medida que la tecnología siga evolucionando.

Cómo utilizar la IA para generar valor real en la empresa

La IA refleja un cambio fundamental en los modelos operativos y las prioridades, afecta a tantas áreas del negocio que no puede abordarse como una tecnología complementaria. Esto significa que se requiere una sólida base de datos y gobernanza, así como claridad en torno al problema empresarial que la tecnología debe ayuda a resolver.

“El reto no es utilizar la IA, sino hacerlo de forma eficiente y segura. Las organizaciones que van a liderar esta transformación serán las que combinen capacidades en tecnología y visión real de negocio. El error más común es empezar por la tecnología, hacerlo sobre procesos ineficientes solo aumenta su ineficiencia, la IA sólo genera valor cuando está alineada con las operaciones”. Jaume Clotet, Socio responsable de AI & Digital Solutions de Forivs Mazars en España

En cualquier caso de uso, la IA debe tratarse como una herramienta potencial (aunque muy potente) para resolver un problema estratégico, más que como un fin en sí misma. No es una solución milagrosa. Abordar la implementación de la IA con la única prioridad de encontrar una forma de aprovecharla probablemente no generará valor real y es probable que dé lugar a soluciones desproporcionadas e ineficaces. La IA es una herramienta más dentro de un amplio conjunto de tecnologías que pueden aprovecharse para solucionar cualquier problema empresarial concreto. La clave reside en saber cuándo recurrir a ella y cuándo otra tecnología resolverá mejor el problema empresarial en cuestión.

Sin embargo, no basta con identificar simplemente un problema empresarial que la IA pueda resolver. Las implementaciones eficaces y generadoras de valor requieren claridad de propósito, proporcionalidad en la respuesta y un enfoque persistente en los resultados que importan.

Casos de uso horizontales frente a verticales

Aquí es donde cobra importancia la distinción entre implementaciones horizontales y verticales. Esta terminología proviene del mundo de las tecnologías de la información, con los conceptos de “escalado horizontal” (añadir más carriles a una autopista congestionada) frente a “escalado vertical” (sustituir los vehículos existentes por otros más rápidos y eficientes).

Cuando se aplica a la implementación de IA, los casos de uso horizontales suelen adoptar la forma de asistentes de IA generales destinados a aumentar la productividad de los trabajadores. No solo es difícil de cuantificar, sino que es probable que los empleados compensen las mejoras de productividad de otras maneras cuando no hay métricas claras y cuantificables asociadas al uso de la IA. Una hora ahorrada que no se redirige a un resultado medible no es realmente un ahorro, en absoluto.

Los casos de uso horizontales son intrínsecamente amplios y difíciles de medir, y es poco probable que, por si solos, justifiquen la inversión en el valor empresarial medible generado.

Los casos de uso verticales, por otro lado, son implementaciones de IA que automatizan tareas que antes eran manuales, ya sean tediosas, con gran volumen de datos o ambas cosas, o que ayudan a coordinar procesos empresariales de principio a fin. Las implementaciones verticales, vinculadas a funciones y resultados específicos, son más fáciles de medir y de justificar, incluso cuando se requiere una mayor inversión inicial.

Los casos de uso valiosos para la implementación de la IA son aquellos que abordan problemas empresariales reales y presentan métricas de éxito cuantificables.

Una vez identificado un problema empresarial y el correspondiente caso de uso vertical, estas tres preguntas ayudarán a los líderes a determinar cómo (y en qué medida) se puede utilizar la IA para generar valor para el negocio:

¿Es la IA la herramienta adecuada para esa tarea?

La IA es una solución extrema y debe ser proporcional al valor empresarial del problema que resuelve. Los líderes deben resistirse a la tentación de matar moscas a cañonazos; si una automatización basada en reglas, un rediseño de procesos o un dashboard con un diseñado mejorado pueden hacer el trabajo con la misma eficacia, esa suele ser una respuesta correcta frente a la implementación de la IA. Las preocupaciones sobre cuestiones medioambientales, la calidad y disponibilidad de los datos también deben sopesarse en esta fase, antes de asumir ningún compromiso.

De hecho, las cuestiones sobre sostenibilidad deben abordarse en la fase de definición del alcance, y no como una idea de último momento. Cuantificar la huella de la IA es difícil, incluso con tus propias GPU, y está demostrado que la IA es perjudicial para el medio ambiente; esto es especialmente cierto en el caso de los sistemas de agentes IA. Es importante tener en cuenta desde el principio los los objetivos y el cumplimiento en materia de sostenibilidad, ya que puede haber soluciones igualmente eficaces (o casi tan eficaces) que sean menos perjudiciales para el medio ambiente. Las soluciones que no se basan en IA a menudo pueden llevarte casi hasta el final sin el mismo coste de sostenibilidad (o incluso económico). 

¿Qué tipo de IA es el más adecuado para este trabajo?

Si la IA es la herramienta adecuada, la siguiente pregunta es qué tipo. Las ventajas y los retos varían significativamente entre las interfaces de chat, la generación aumentada por recuperación, los sistemas de agentes y las arquitecturas multiagente.

La IA a nivel de tarea suele suponer una pérdida de potencial; el uso de la IA en un caso de uso puede a menudo habilitar otro, y pensar en términos de ecosistemas de capacidades, en lugar de tareas aisladas, tiende a generar mejores resultados. De esta manera, una implementación (o una implementación coordinada) puede ayudar a abordar múltiples problemas empresariales, o un único problema empresarial con múltiples factores contribuyentes en diferentes áreas de la organización.

“Las organizaciones que obtienen un valor real de la IA no piensan tarea por tarea, sino en ecosistemas de capacidades. Una implementación bien diseñada puede abordar varios problemas empresariales a la vez, pero solo si se está dispuesto a dar un paso atrás respecto al caso de uso inmediato y considerar el modelo operativo en su conjunto”. – Laurent Inard, Director de Investigación y Desarrollo de Forvis Mazars Francia

Los Modelos de Lenguaje Grande (Large Language Models, LLM) consolidados, frente a los modelos propios, son la opción de diseño más habitual; suelen ser más robustos y eficientes, y se mantienen actualizados con las capacidades adecuadas. Sin embargo, conllevan riesgos y requisitos que deben tenerse en cuenta, incluidas consideraciones más estrictas en materia de gestión de riesgos de terceros (TPRM). Los modelos prestados no reducen la madurez necesaria para la gobernanza y la supervisión; en todo caso, la aumentan

¿Cuáles son las métricas de éxito adecuadas para un caso de uso?

Uno de los mayores obstáculos para las organizaciones a la hora de pasar de hablar de capacidades a hablar de rendimiento es definir métricas de éxito erróneas para la implementación. Los KPI de cada caso de uso deben estar vinculados al problema estratégico que se está resolviendo y demostrar un valor real de negocio en su articulación. El valor cuantificable, como la reducción del tiempo de respuesta, la mejora de las tasas de excepciones y la reducción de los ciclos de generación de valor, siempre será mejor que la productividad, los hitos o las métricas vagas de eficiencia.

¿Funciona este caso de uso de manera eficaz sin la IA?

Incluso si un caso de uso no cumple con las métricas de éxito relevantes, en la mayoría de los casos debería ser operativo sin IA. Si el proceso está mal definido o es ineficaz tal y como está, añadir IA solo agravará esos fallos, no los resolverá.

Impuesto de sociedades: un caso de uso preparado para el valor de la IA

Las organizaciones están observando claros ahorros fiscales a corto plazo gracias a los procesos y análisis mejorados por la IA, lo que genera un claro retorno de la inversión en las implementaciones de IA pertinentes. Esto se debe a que el impuesto de sociedades suele ser ideal para la implementación de la IA gracias a sus sólidos cimientos operativos y de gobernanza:

• Los equipos fiscales cuentan con procesos operativos bien establecidos y estandarizados
• Los datos suelen estar bien estructurados y gestionados gracias a los requisitos de cumplimiento
• Las funciones fiscales suelen implicar procesos manuales y un intenso análisis de datos

La clave para una implementación exitosa de la IA es, como siempre, la calidad y la estandarización de los datos y los procesos. El impuesto de sociedades descentralizado también puede obtener valor de la IA, pero las operaciones y los datos centralizados suponen un camino más claro hacia el valor de la IA.

Las implementaciones de IA han tenido un éxito especial en casos de uso con gran volumen de datos y procesos repetitivos, tales como:

• Cumplimiento normativo y presentación de informes
• Facturación electrónica y presentación de documentos
• Análisis de datos de compras y adquisiciones (e integración tras fusiones)

El principio rector en esta situación es una gobernanza adaptada a cada caso. Las medidas de protección y la rendición de cuentas deben ajustarse específicamente a la naturaleza, la escala y la importancia de cada caso concreto de uso de la IA, así como al impacto empresarial que tenga. Los controles proporcionados exigen que las organizaciones determinen qué categoría de riesgo introduce cada caso de uso y apliquen controles que sean proporcionales a ese riesgo. Un sistema de toma de decisiones orientado al cliente requiere un entorno de control muy diferente al de una herramienta interna de síntesis.

La alineación de la madurez también es importante: los objetivos deben estar alineados con la preparación actual de la organización en materia de integración de datos, arquitectura y competencias de la plantilla y no con el lugar en el que los líderes desearían que estuviera la organización. Si los objetivos y la madurez no están alineados con la realidad es síntoma de la necesidad de una profunda transformación antes de la implementación.

Establecimiento de un contrato de flujo de trabajo

Para pasar de la aspiración a la acción, debe establecerse un contrato de flujo de trabajo para cada caso de uso. Este contrato establece cinco elementos claves:

La preparación de los datos es la base de todo esto. Los líderes deben alinear sus objetivos con la realidad de su madurez; de lo contrario, es probable que la implementación de IA fracasen. En el mejor de los casos, las implementaciones prematuras o desalineadas generarán poco o ningún valor, incluso si se implementan con éxito.

Seguridad y cumplimiento desde el diseño 

La seguridad y el cumplimiento van de la mano de la gobernanza y requieren una disciplina similar. El estado de la regulación de la IA en 2026 está más desarrollado que hace tan solo un año, con marcos regionales superpuestos que ahora imponen obligaciones concretas a las organizaciones que implementan ciertos tipos de IA.

El cumplimiento normativo es una consideración fundamental de las implementaciones de IA, pero, al igual que otras formas de gobernanza, debe aplicarse de manera adecuada. Debe ser una extensión de la estrategia empresarial y la gestión de riesgos. Lo mismo se aplica a la ciberseguridad: las medidas deben basarse en el riesgo y ser proporcionales a los datos, procesos, personas y sistemas implicados.

Tanto el cumplimiento normativo como la seguridad deben integrarse en el ciclo de vida de la IA desde el principio, durante la definición del alcance y el diseño, en lugar de como una fase de revisión final. Los enfoques de gobernanza repetibles ayudan en este sentido. Las organizaciones deben establecer respuestas repetibles a preguntas fundamentales comunes para nuevos casos de uso, incluyendo un enfoque estándar de clasificación de datos, patrones estandarizados de registro y retención para las expectativas de auditoría y, lo que es más importante, un “botón de apagado” claro o un procedimiento de contingencia para cuando la calidad disminuya o los modelos se comporten de forma inadecuada.

Es esencial contar con una estrategia de salida clara. Las organizaciones deben preguntarse: ¿cómo sabrán cuándo ha bajado la calidad de la IA? ¿Cuál es el proceso para desactivar la IA y garantizar la continuidad del proceso subyacente? ¿Quién tiene la responsabilidad y la autoridad para tomar decisiones al respecto? Estas son preguntas que necesitan respuesta antes de la implementación, no después de un incidente.

Repercusiones en la plantilla y el factor miedo

Las organizaciones más estratégicas que perciben el mayor valor de la IA están encontrando formas de aprovechar las mejoras de eficiencia mediante un mejor aprovechamiento de su plantilla actual, no sustituyéndola por herramientas de IA. Sin embargo, ese simple hecho no contribuye mucho a disipar los temores de los trabajadores de ser sustituidos por la IA, especialmente cuando ese mensaje no se comunica internamente.

Siendo realistas, los empleados no adoptarán las herramientas de IA (o al menos no en toda su extensión) si creen que les sustituirán. Se les debe garantizar que la IA contribuirá a la eficiencia de la plantilla, pero al servicio de los objetivos de crecimiento de cara al futuro, en lugar de a la reducción de personal. El camino a seguir impulsado por la IA debe quedar claro para todos, especialmente para aquellos a quienes se les pide que la utilicen. 

Generar aceptación en la fase piloto

Pasar con éxito de la fase piloto a la de ampliación, especialmente cuando se requiere la adopción por parte de los usuarios, depende de impactos demostrables y muy visibles. Los resultados que se reflejan en los paneles de control financieros o en las revisiones operativas semanales ayudan a obtener el permiso necesario para una transformación más amplia.

La formación es crucial a lo largo de esta transición. Los empleados deben comprender los beneficios, los límites y las expectativas en torno a la IA. La intersección con la ciberseguridad merece una atención especial; los empleados deben estar bien informados sobre las preocupaciones en torno a la ciberseguridad relacionada con la IA y la privacidad de los datos, especialmente cuando se utilizan chatbots con IA y herramientas externas.

Los usuarios y los responsables de los casos de uso también deben comprender las implicaciones ESG de su trabajo. Esta comprensión ayudará a centrar el uso en procesos críticos y valiosos, y los animará a utilizar primero soluciones de menor impacto cuando estén disponibles.

Por último, la plantilla debe comprender cómo se evalúan y gestionan los nuevos casos de uso, y este proceso debe ser muy visible. Con una gobernanza repetible en marcha, los trabajadores y los líderes pueden presentar nuevos casos de uso para una evaluación eficiente y eficaz centrada en mejorar los resultados empresariales en lugar de perseguir objetivos superficiales.

El liderazgo marca la pauta

El liderazgo de la organización debe dar un ejemplo sólido, tanto en lo que respecta al entusiasmo por la IA como a su uso diario. Las expectativas se establecen desde arriba, y el liderazgo define el tono con el que las personas de toda la organización perciben la necesidad imperiosa de la IA. Un equipo directivo que utilice herramientas de IA, hable abiertamente sobre sus capacidades y limitaciones y recompense la experimentación reflexiva observará una curva de adopción muy diferente a la de aquel que ignora o reprende la IA en sus propias funciones, delegando su uso a los niveles inferiores.

Entonces, ¿cómo pueden los líderes de las diferentes áreas de la empresa generar un valor real para el negocio y tangible a través de la IA?

Director General Definir dónde se debe crear valor  El principal riesgo no es hacer demasiado poco, sino hacer demasiado sin generar impacto. Anclar la IA en los resultados empresariales: exigir que cada iniciativa de IA esté vinculada a una palanca de ingresos, un factor de coste o un proceso de decisión clave. Centrarse en lo esencial para generar un impacto real:   dar prioridad a un número limitado de casos de uso con múltiples facetas y de alto valor, y evitar dispersar las inversiones en demasiadas iniciativas. Asumir el control del discurso de la transformación: posicionar claramente la IA como una palanca para mejorar la productividad y la toma de decisiones, no como un programa de reducción de plantilla; comunicar de forma coherente en toda la organización.    Alinear al equipo directivo en cuanto al valor y el horizonte temporal:Garantizar que el director financiero, el director de sistemas de información y los líderes empresariales estén de acuerdo en qué se considera un éxito, cómo se mide el valor y cuándo se esperan los beneficios  Institucionalizar la adaptabilidad en la ejecución: alejarse de las hojas de ruta de transformación estáticas, implementando una reordenación trimestral de las prioridades de las iniciativas y ciclos de decisión rápidos a nivel ejecutivo. Impulsar el cumplimiento desde el diseño: exigir una gobernanza y un cumplimiento riguroso y adecuado, incluso cuando la normativa siga siendo una cuestión en constante evolución. Abogar por medidas proporcionadas y basadas en el riesgo cuando no se disponga de marcos normativos claros.

Director Financiero Garantizar que se mida y se materialice el valor Tratar la IA como una inversión tradicional en IT es un error. El valor es progresivo, está vinculado a la adopción y varía según los casos de uso. Desplazar la conversación de la capacidad al rendimiento: recopilar y realizar un seguimiento de las métricas operativas, no solo de los resultados técnicos (tiempos de ciclo, mejorar de productividad, reducción de errores, creación de capacidad, etc.). Crear un marco sólido de seguimiento del ROI y del valor: realizar un seguimiento de los costes reales de inversión (incluidos datos, integración y cambios) y de los beneficios obtenidos (no solo los previstos); distinguir entre las mejoras de eficiencia a corto plazo y el impacto empresarial a largo plazo. Financiar capacidades, no iniciativas fragmentadas: asignar presupuestos a bases de datos, plataformas de IA y componentes compartidos. Realizar inversiones por fases y aplicar medidas de disciplina: vincular la financiación a hitos y a resultados medibles o índices de adopción. Reasignar los recursos a medida que se materializa el valor: ajustar de forma proactiva la distribución de la plantilla y las estructuras de costes.  Incluir las cuestiones de cumplimiento normativo en las conversaciones sobre el rendimiento: promover la transparencia en materia de cumplimiento y gobernanza como parte de las conversaciones sobre el rendimiento de los casos de uso. Establecer controles de auditoría continuos para garantizar una alineación constante.

Director Sistemas Información y Director de Tecnología Hacer que el valor sea escalable y sostenible  Perseguir las últimas tendencias en IA sin unos cimientos sólidos aumentará la fragilidad en lugar del valor. Dar prioridad a los datos y a la gobernanza como pilares fundamentales: invertir en la calidad, la accesibilidad y la titularidad de los datos, e integrar la gobernanza en todas las iniciativas de transformación, no solo en la IA. Diseñar para una transformación en toda la empresa: ir más allá de los casos de uso tácticos, identificar capacidades polivalentes, garantizar la reutilización entre funciones y alinear las iniciativas de IA con una transformación digital más amplia. Establecer patrones repetibles para la escalabilidad: estandarizar los enfoques de clasificación de datos, los entornos de procesamiento de IA aprobados (“zonas”) y los mecanismos de validación con intervención humana. Centrarse en la integración en los principales flujos de trabajo: integrar la IA en los procesos de negocio y los flujos de toma de decisiones, y garantizar la interoperabilidad entre sistemas. Evaluar las opciones tecnológicas en función de las necesidades empresariales: partir del problema, no de la herramienta; seleccionar soluciones técnicas que se adapten al caso de uso, al entorno de datos y al nivel de riesgo. Poner en práctica el cumplimiento normativo: salvar la brecha entre las estrategias de cumplimiento y la ejecución técnica. Garantizar la transparencia en cada etapa.

Pasar del entusiasmo sobre la IA al valor de la IA

Para las organizaciones que han retrasado la implementación de la IA o han obtenido un escaso retorno de valor de sus casos de uso, ¿cómo pueden dar un giro rápido y sentar las bases adecuadas sin perder terreno?

La buena noticia es que, aunque la verdadera transformación lleva tiempo, hay formas de reorientar eficazmente los actuales esfuerzos en IA:

“Ignora los titulares. Fíjate en tu organización y elabora una estrategia central basada en aportar valor real en lugar de atender a quien grite más fuerte. Esto te permitirá desarrollar el caso de negocio para nuevos casos de uso y sentar las bases adecuadas para los objetivos de tu organización, lo que conducirá a la generación de valor tangible, así como a una mayor resiliencia y confianza a medida que la IA siga evolucionando”. Michael Fried, Director, Forvis Mazars EE. UU.