Las 10 predicciones de Jitterbit sobre IA y automatización para 2026

Por Bill Conner, Presidente y director ejecutivo de Jitterbit

Las tecnologías de IA existentes y emergentes siguieron siendo un foco principal para nosotros durante todo 2025, lo que trajo el lanzamiento de varios nuevos asistentes de IA y un conjunto de nuevos y potentes agentes de IA para mejorar la automatización, la integración y la orquestación.

Este año, seguimos dedicados a ayudar a los clientes a aprovechar los últimos avances en IA y a superar los nuevos obstáculos. Estas son las diez principales tendencias y cambios que predecimos que podrían avecinarse en 2026:

1. La integración se convierte en la base de la pila de IA empresarial

A medida que los agentes de IA proliferan, la mayor barrera para su adopción empresarial ya no será la calidad del modelo, sino la conectividad. Los sistemas de IA generan valor únicamente cuando pueden leer, escribir, actualizar y activar acciones en todas las aplicaciones empresariales. En otras palabras, la IA sin integración produce información; la IA con integración produce resultados.

Como resultado, la integración se convertirá en la capa fundamental de la era de la IA, muy similar a lo que fue la infraestructura en la nube en la década de 2010.

Las empresas demandarán plataformas que ofrezcan:

• Asegurar el acceso a los sistemas a través de API, eventos y flujos de datos
• Autenticación y autorización consistentes en todos los agentes
• Gobierno y observabilidad completos para acciones impulsadas por IA
• La capacidad de orquestar procesos de varios pasos de principio a fin

En la empresa impulsada por la IA, el middleware ya no es solo fontanería; se ha convertido en el núcleo del modelo operativo.

2. El PNL se convierte en la interfaz principal para construir agentes de IA sencillos

En 2026, la PNL (Programación de Lenguaje Natural) se ubicará junto a las herramientas tradicionales de código bajo para la automatización cotidiana y la creación de agentes. En lugar de arrastrar cuadros o escribir lógica al estilo de los scripts, los usuarios de negocios simplemente describirán los resultados: “Cuando llegue un nuevo cliente potencial, califícalo, enriquécelo y notifica al representante de ventas”.”

Los agentes de IA interpretarán la intención, ensamblarán flujos de trabajo y se adaptarán automáticamente a medida que los sistemas cambien. El código bajo seguirá impulsando la orquestación compleja, pero el PNL se convertirá en la interfaz predeterminada para las tareas rutinarias.

Es el mismo cambio que vimos cuando la búsqueda desplazó a los directorios y el tacto reemplazó a los botones físicos: el PNL se está convirtiendo en la nueva capa de abstracción para la automatización.

3. El valor de mercado de los “bots de tareas’ simples se desploma a casi cero

La automatización simple —como mover archivos, enviar notificaciones o sincronizar filas entre aplicaciones— ya no justificará su propia categoría de mercado. Los bots simples desaparecerán silenciosamente en un segundo plano.

Todas las plataformas importantes, desde Microsoft y Google hasta Salesforce, ServiceNow y Slack, integrarán estas tareas impulsadas por IA directamente en sus productos principales. Como resultado, los ‘microbots’ se convertirán en un producto de uso común, y los proveedores que se basan en la automatización básica de flujos de trabajo perderán su poder de fijación de precios.

Los verdaderos ganadores serán las plataformas que ofrezcan una orquestación rica en lugar de bots de una sola tarea, brinden gobernanza y observabilidad de nivel empresarial, y se integren profundamente en los sistemas de negocios en lugar de simplemente unir aplicaciones.

Este cambio refleja cómo el alojamiento de correo electrónico pasó de ser un servicio de pago a convertirse en una característica que se da por sentada. Gartner respalda esta idea con su predicción de que, para 2026, el 80% de la automatización de flujos de trabajo simples se ofrecerá como características integradas, no como productos.

4. La competencia en hardware resurge como ventaja estratégica

Estamos entrando en una nueva era en la que el hardware vuelve a importar. En los años 90, la ventaja competitiva provenía de avances en CPU, almacenamiento y redes. En las décadas de 2000 y 2010, el centro de gravedad se desplazó hacia el software, como SaaS, la nube, las API y los dispositivos móviles. Ahora la IA está arrastrando a la industria de regreso hacia el dominio del hardware.

Los países se apresuran a asegurar GPUs como si fueran activos estratégicos. Las empresas necesitan chips especializados para inferencia y ajuste fino. Los aceleradores personalizados como NPUs, TPUs y ASICs se están convirtiendo en verdaderos diferenciadores.

Incluso la resiliencia de la cadena de suministro es ahora una preocupación a nivel de la junta directiva. Los gobiernos están invirtiendo miles de millones en este cambio: $52 mil millones a través de la Ley CHIPS de EE. UU., $47 mil millones a través de la Ley de Chips de la UE y más de $140 mil millones en subsidios para semiconductores en China. El entrenamiento y la ejecución de modelos de IA a gran escala consumen una cantidad extraordinaria de energía y refrigeración, y la expansión de los centros de datos está llegando a sus límites geográficos, normativos y de disponibilidad de energía.

La electricidad se está convirtiendo en un factor clave para la capacidad de la IA, y las regiones con excedentes de energía renovable se están convirtiendo en centros de IA. Los operadores de centros de datos ahora compiten por la capacidad limitada de los transformadores y la red eléctrica, y las empresas están comenzando a optimizar la IA usage basándose en una programación que toma en cuenta los costos, y no solo el rendimiento.

A lo largo de 2026, las limitaciones de semiconductores podrían seguir limitando la disponibilidad y la depreciación del hardware de IA, pero la verdadera división entre líderes y rezagados estará definida por la conectividad en lugar de la potencia de cálculo pura. Las organizaciones que puedan convertir el potencial de la IA en valor comercial tangible mediante una integración perfecta, API y automatización superarán a aquellas que dependan únicamente de la capacidad de procesamiento.

Dado que es probable que los cuellos de botella en la fabricación persistan, priorizar soluciones prácticas y escalables por encima de las expectativas exageradas será fundamental. Incluso los modelos de IA más avanzados estarán limitados por los sistemas que los alimentan, lo que convierte a la arquitectura, la conectividad y los flujos de trabajo integrados en los factores críticos que determinan qué empresas logran una transformación duradera y una ventaja competitiva.

Las cargas de trabajo de IA se multiplican por 10 cada 18 meses, superando con creces la ley de Moore; y poseer o acceder al cómputo adecuado, en el momento preciso, será tan crucial como poseer propiedad intelectual. La capacidad de hardware se convierte en la nueva dependencia del proveedor en la nube, y toda gran empresa necesitará la capacidad de entender, adquirir y optimizar hardware de IA.

5. Los centros de datos y la electricidad se convierten en los verdaderos cuellos de botella

A medida que se acelera la adopción de la inteligencia artificial, la limitación pasa de los algoritmos a la economía de la infraestructura. El entrenamiento y la ejecución de modelos de IA a gran escala consumen una energía y una refrigeración extraordinarias, y la expansión de los centros de datos está llegando a límites geográficos, reglamentarios y de disponibilidad de energía.

Para el 2028, la electricidad se convertirá en un factor clave que determinará la capacidad de la IA. A medida que las regiones con excedentes de energía renovable se conviertan en centros de IA, los operadores de centros de datos competirán por la capacidad limitada de los transformadores y la red eléctrica, y las empresas comenzarán a optimizar la IA usage basándose en una programación que tenga en cuenta los costos, y no solo el rendimiento.

La próxima ola de innovación se centrará tanto en la gestión energética y la infraestructura sostenible como en la arquitectura de modelos. Se estima que el entrenamiento de un solo modelo a escala de GPT-4 consumió entre 5 y 7 gigavatios-hora, lo cual es suficiente para alimentar 1,000 home estadounidenses durante un año.

6. La seguridad y el ROI se convierten en las máximas prioridades para la inteligencia artificial empresarial

Tras el entusiasmo inicial por la IA, las empresas pasarán de la fase de experimentación a la de implementación operativa, y el debate cambiará. Las preocupaciones de seguridad pasarán a primer plano: los riesgos de fuga de datos derivados de los modelos de lenguaje grande (LLM), el uso de IA en la sombra por parte de los empleados, la exposición legal derivada de una procedencia poco clara de los modelos y las exigencias de transparencia por parte de los proveedores en torno a los datos de entrenamiento y el linaje de los modelos. Los CISO insistirán en contar con marcos sólidos de gobernanza de la IA antes de permitir su adopción generalizada.

El ROI se convertirá en el factor decisivo. Las empresas ya no aprobarán proyectos de inteligencia artificial simplemente porque “parezcan innovadores”. El éxito requerirá ganancias de productividad medibles, ahorros operativos o resultados claros en los ingresos.

La IA tendrá éxito solo cuando esté vinculada a tiempos de ciclo de procesos reducidos, menores costos de mano de obra para tareas repetitivas, mayor satisfacción del cliente y un incremento tangible de los ingresos. Como resultado, la IA en su conjunto pasará finalmente de ser “demostraciones geniales” a ofrecer un valor comercial cuantificable.

7. El lenguaje natural se convierte en la próxima gran interfaz de usuario

Más allá de programar agentes, el lenguaje natural (LN) se está convirtiendo en la capa de interfaz universal en todas las aplicaciones. Donde la última década fue móvil primero y API primero, la próxima década es de lenguaje natural primero. Tanto los empleados como los ciudadanos interactuarán con los sistemas de forma conversacional.

Es posible que le pidan a una plataforma que cree paneles que muestren la deserción mensual por región, redacte modificaciones de contratos a partir de las plantillas del año pasado o cree flujos de trabajo de aprobación para nuevas solicitudes de proveedores. Este cambio de interfaz democratiza la creación de soluciones.

Las personas que nunca han escrito código o usado herramientas de código bajo podrán crear de repente automatizaciones, aplicaciones y análisis significativos simplemente describiéndolos. Las organizaciones que adopten esta democratización verán un aumento de la innovación desde la base.

8. La gobernanza de la IA se vuelve obligatoria para la implementación empresarial

A medida que los marcos regulatorios maduran y la adopción de la inteligencia artificial se acelera, las empresas ya no tratarán la gobernanza como algo opcional. Las organizaciones formalizarán políticas y sistemas para garantizar que la IA se implemente de manera segura, ética y cumpliendo con las normativas, y este cambio estará impulsado por las crecientes preocupaciones en torno a la privacidad de los datos, la transparencia de los modelos, la rendición de cuentas en las decisiones y la exposición regulatoria.

Los marcos de gobernanza deberán:

• supervisar y auditar las acciones de la IA en todos los sistemas
• controlar el acceso a datos y mensajes confidenciales
• rastrear el linaje del modelo, las fuentes de entrenamiento y el historial de versiones
• garantizar el cumplimiento de las normativas globales y específicas de la industria
• establecer supervisión para casos de uso de alto riesgo o alto impacto

La gobernanza de la IA se convierte en un requisito previo para escalar la IA en toda la empresa, no solo para reducir el riesgo, sino para generar confianza organizacional y desbloquear una adopción más amplia.

9. El modelo de intervención humana se convierte en el estándar para los flujos de trabajo de IA empresarial

A medida que los sistemas de IA se vuelven más capaces, las empresas adoptarán flujos de trabajo híbridos donde los humanos sigan siendo centrales para la supervisión y la toma de decisiones. Los procesos HITL (Human-in-the-Loop) se convertirán en estándar para revisar resultados críticos, garantizar el cumplimiento, validar la exactitud y mantener la confianza organizacional.

HITL se integrará en una variedad de flujos de trabajo:

• comunicaciones con clientes y empleados
• aprobaciones de adquisiciones, legales y financieras
• generación de documentos
• operaciones de contratos
• toma de decisiones compleja con consecuencias regulatorias
• Agentes de IA que realizan acciones automatizadas en sistemas centrales

Este enfoque permite a las empresas implementar IA de manera más rápida y segura, asegurando que la IA potencie la experiencia humana en lugar de reemplazarla. También ofrece eficiencia sin sacrificar la confianza, el control o la rendición de cuentas.

10. Los modelos de lenguaje pequeños se vuelven esenciales para la IA empresarial

A medida que las empresas buscan eficiencia, privacidad y capacidades especializadas, los SLM (modelos de lenguaje pequeños) cobrarán impulso. Estos modelos compactos se optimizarán para tareas, dominios o industrias específicos, ofreciendo una inferencia más rápida, un costo menor y mayor controlabilidad que sus contrapartes masivas.

Los SLM serán especialmente valiosos para

• Aplicaciones en el dispositivo y en el borde
• Industrias altamente reguladas que requieren procesamiento local
• Flujos de trabajo que exigen un rendimiento predecible y una alucinación mínima
• Experiencia especializada y ajustada en áreas como servicios legales, médicos o financieros
• Organizaciones con presupuestos de cómputo limitados

En lugar de depender de un modelo gigantesco para manejarlo todo, las empresas adoptarán carteras de modelos: una combinación de LLM de propósito general y SLM altamente afinados que ofrecen valor específico con menor costo y riesgo. Esto representa un claro cambio de “cuanto más grande, mejor” a “inteligencia del tamaño adecuado para la tarea”.”