La adopción de la Inteligencia Artificial generativa avanza a gran velocidad en nuestro país. Según un informe de Amazon Web Services (AWS), el 50% de las empresas españolas ya utiliza esta tecnología, frente al 42% del promedio en Europa. En el continente, el uso de IA generativa se está acelerando cada vez más, especialmente en grandes corporaciones. De hecho, según un estudio realizado por ISG, más del 65% de las empresas muestran un interés creciente por evaluar cómo aplicar estas tecnologías en sus procesos.

Sin embargo, este impulso inicial tropieza con dificultades a la hora de escalar: según un estudio del MIT, apenas el 5% de los proyectos de IA generativa logran llegar a una implantación a gran escala con éxito. Esto evidencia el reto de convertir los prototipos en soluciones reales y productivas. Además, las empresas suelen avanzar con rapidez en la definición de casos de uso y el desarrollo de MVPs; sin embargo, al llegar a la fase crítica de llevarlos al mercado, aparecen dificultades que frenan la consolidación de esta tecnología.

En este contexto, Galtea, spin-off del Barcelona Supercomputing Center (BSC) que desarrolla tecnología para validar sistemas de IA generativa antes de que lleguen al mercado, ha identificado cuatro obstáculos clave que separan los pilotos de la ejecución efectiva en entornos reales:

1. Fiabilidad a escala: implica la capacidad para mantener un rendimiento consistente, preciso y sólido según aumenta el volumen de datos y complejidad, así como garantizar que los sistemas se comporten de manera coherente en escenarios distintos. Este es uno de los mayores desafíos, según un estudio de Informatica, el 56% de las empresas identifica la fiabilidad como una de las barreras clave. Encontrar el equilibrio entre desarrollo y fiabilidad técnica es clave para que la IA generativa aporte valor real.
2. Trazabilidad y LLM tracing: la trazabilidad tradicional consiste en medir mejoras entre versiones y comprender cómo evoluciona un modelo, algo que el 70% de las compañías admite tener serias dificultades en lograr, según un informe de Deloitte. A esto se suma el concepto de LLM tracing, que permite entender y tener visibilidad de los pasos intermedios en sistemas de IA complejos y extraer métricas detalladas acerca de sus representaciones internas. Este doble enfoque es clave para garantizar que los resultados sean reproducibles y confiables. El desafío no es sólo europeo: en EE.UU., encuestas de PwC y Gartner también destacan que seguir la evolución de los sistemas y asegurar la reproducibilidad es uno de los principales bloqueos para escalar la IA generativa.

           3. Eficiencia: se refiere a garantizar que los proyectos generen un retorno de inversión positivo y que los costes no superen los beneficios que aporta la IA generativa. Gartner estima que al menos el 30% de los proyectos serán abandonados para finales de 2025 tras la fase piloto, debido a costes crecientes, datos deficientes o falta de valor comprobado. Para que esta tecnología sea sostenible, es importante que los proyectos estén bien orientados al negocio y que se pueda medir claramente el valor que generan.

        4. Cumplimiento normativo: a las barreras técnicas se suma el reto de ajustarse a un marco regulatorio cada vez más exigente. La futura Ley Europea de IA requerirá que los sistemas cumplan con criterios de trazabilidad, evaluaciones periódicas y certificaciones independientes antes de llegar al mercado. Sin embargo, de acuerdo a un estudio realizado por EY, únicamente un 11% de las entidades del sector financiero europeo se considera preparada para gestionar los riesgos asociados con la IA generativa y la futura Ley de IA.

“Estos desafíos no son solo técnicos, sino que también afectan a la confianza de clientes, a la seguridad y cumplimiento normativo, y al retorno de inversión. El verdadero reto hoy no es crear un prototipo de IA generativa, sino demostrar que puede comportarse de manera consistente, segura y transparente a gran escala. En este contexto, nace Galtea, que busca cerrar la brecha entre la experimentación y el despliegue real de la IA, poniendo el foco en la validación rigurosa. Sin duda, las empresas necesitan contar con herramientas y metodologías que les permitan validar sus soluciones antes de llevarlas al mercado con garantías”, afirma Jorge Palomar, CEO de Galtea.