Desarrollo de aplicaciones con inteligencia artificial: guía para empresas en Perú

Es software cuyo comportamiento no está escrito por completo en reglas: una parte de la decisión la toma un modelo entrenado, normalmente un modelo de lenguaje (LLM) que entiende y genera texto. La diferencia práctica es enorme: el software tradicional automatiza lo que ya sabes cómo se hace; el software con IA automatiza lo que sabías hacer pero no sabías describir —revisar cotizaciones, clasificar reclamos, resumir expedientes—, porque aprende de ejemplos en lugar de instrucciones.

La “ingeniería de software con inteligencia artificial” es la disciplina de construir esto con métodos de ingeniería: evaluación del modelo contra datos reales, control de acceso a las fuentes, monitoreo de calidad y un plan para cuando el modelo se equivoca. No es promptear y rezar.

No es hype local: el INEI ha estimado que cerca del 20 % de los ocupados en Perú está expuesto a la automatización tradicional y un 24,1 % a la inteligencia artificial generativa, concentrados en trabajos formales técnicos y administrativos. Para las empresas, eso se traduce en un mensaje simple: los procesos administrativos digitalizables son los primeros en automatizarse, y quien los construya primero gana costo y velocidad.

Son tres niveles de capacidad, y la mayoría de proyectos serios en empresas peruanas usan el segundo:

Las siglas asustan menos con fuentes originales: el RAG se define en el artículo de Lewis et al. (2020) en arXiv, y el reporte de tendencias de agentes de IA de Google Cloud documenta cómo las empresas están pasando de asistentes que responden a agentes que ejecutan.

• LLM (modelo de lenguaje): responde, redacta, clasifica y extrae información de texto. Se paga por uso, vía API (OpenAI, Anthropic, Google) o se autoaloja.
• RAG (generación aumentada por recuperación): antes de responder, el sistema busca en tus documentos —políticas, catálogo, contratos— y obliga al modelo a citar la fuente. Es el estándar para asistentes internos confiables.
• Agentes de IA: combinan LLM + RAG + herramientas: crean el ticket, cotizan en el ERP, envían el correo. Cada acción pasa por permisos y aprobación, exactamente como en un empleado.

Igual que un software a medida, con dos pasos extra que casi todo el mundo subestima: la evaluación y el diseño del error. Un proceso que funciona, en el orden en que lo ejecutamos:

El paso de integración es donde la IA deja de ser demo: si tu asistente no lee y escribe en tus sistemas, apenas es un chat bonito. Ahí es donde el trabajo se parece más a una automatización con inteligencia artificial bien hecha que a un proyecto de “innovación”.

• 1. Elegir un caso con KPI: horas de atención ahorradas, errores evitados, minutos de respuesta —medible, con dueño.
• 2. Auditar los datos: ¿dónde vive hoy el conocimiento? ¿Está digitalizado, versionado, es citable?
• 3. Prototipo con un corpus pequeño y un grupo real de usuarios internos que lo usen a diario.
• 4. Construir el pipeline RAG: indexación, búsqueda, citas y control de permisos por documento.
• 5. Evaluación: un set de preguntas con respuesta correcta conocida; se ejecuta en cada cambio, no una vez.
• 6. Seguridad y cumplimiento: registro de qué respondió y con qué fuente; protección de datos personales.
• 7. Integración con ERP/CRM/web y monitoreo de calidad con feedback explícito del usuario.

Estos son rangos referenciales de Bytes en soles para trabajo de construcción, que —como en todo software a medida— no incluyen el costo de uso de las APIs de IA, que se factura aparte por consumo. El número depende menos del “tamaño de la IA” que del estado de tus datos: un RAG sobre 200 documentos ordenados es un proyecto; sobre 200 documentos contradictorios es una arqueología.

Para un primer paso sin riesgo, un piloto de 4 a 6 semanas con un caso y un corpus pequeño (desde S/ 3.000) suele ser la mejor opción: valida el retorno antes de comprometer el presupuesto grande.

Los riesgos no son ciencia ficción; están catalogados. El OWASP GenAI Security Project publica el Top 10 de riesgos de LLM, y los tres que más aparecen en proyectos reales peruanos son el mismo trío: alucinaciones (el modelo afirma con seguridad lo que no está en tus datos), fuga de información (datos sensibles que viajan a APIs de terceros o se filtran en respuestas), y sobrepermiso de agentes (una IA que puede actuar sin control hace lo que el sistema de nadie esperaba).

El control de alucinaciones se construye, no se promete: RAG estricto con citas de fuente, preguntas fuera de alcance que responden “no sé”, y un set de evaluación que corre en cada versión. La fuga se controla con contratos y configuración de retención de datos con el proveedor de API —o con modelos alojados en tu propia nube cuando el dato es crítico—, y con registro auditable de cada respuesta.

Y el sobrepermiso se trata como se trata a cualquier empleado con acceso a sistemas: acciones whitelistadas, doble confirmación para montos o cambios sensibles, y reversibilidad. Una IA que ejecuta sin estos controles no es automatización: es un pasivo con interfaz.

La regla que usamos para no vender humo: si el proceso se describe en reglas finitas —calcula IGV, valida RUC, aprueba si monto < X—, escribe software tradicional, es más barato, determinístico y auditable. La IA entra donde hay lenguaje, volumen y criterio: resumir, clasificar, extraer de documentos sucios, atender preguntas que cambian de redacción cada vez.

El segundo filtro es el retorno: ¿cuántas horas por semana se gastan hoy en esa tarea? Una tarea de dos horas semanales no paga un proyecto de RAG, por modesto que sea; una bandeja de reclamos de cuatro personas a tiempo completo lo paga en meses. Haz la cuenta con tus números reales, no con los del keynote del proveedor.

Y el tercero, el más honesto: si todavía no digitalizaste el proceso, la IA no lo va a ordenar. Primero software a medida (conoce sus precios), luego IA sobre datos que ya existen. Una aplicación con IA es la segunda capa de una operación ordenada, no la primera —y eso es exactamente lo que le decimos a todo cliente que llega pidiendo “nuestro chatbot”, antes de cotizarle otra cosa.