¿Cómo conectar datos y procesos en la era de la IA para romper silos?

Las universidades enfrentan un desafío crucial: dejar atrás los sistemas y procesos aislados. Conectar sus operaciones no solo es una necesidad inmediata, sino también la base para aprovechar la inteligencia artificial y la analítica con un impacto real.

En este episodio participaron Felipe Meneses D., CEO; Franziska Körner, Head of Product; y Manuel Vargas, Director of Implementation & Service, quienes conversaron sobre:

La brecha de la IA generativa – Project NANDA, MIT Report 2025.
Experiencias de uso de herramientas de IA en instituciones de educación superior.
Romper silos en datos: herramientas recomendadas y aplicación de IA.
Romper silos en productos: capacidades transversales para roles no técnicos (Core services).

Te compartimos un highlight con los mejores momentos del webinar, y aquí encontrarás el link para ver el episodio completo: https://www.youtube.com/watch?v=hhmt-azI0bY&t=478s

The GenAI Divide: State of AI in Business 2025 – Lo que revela el MIT sobre la adopción real de la inteligencia artificial.

Según el MIT Nanda Report 2025, sólo el 5% de las inversiones en inteligencia artificial llegan a producción; el 95% restante permanece en etapas de exploración, formación y prueba. Este dato no debe interpretarse como una debilidad, sino como una oportunidad: aún estamos en una fase temprana de adopción, con margen para experimentar, aprender y prepararnos antes de que la disrupción se vuelva inevitable.

"Hoy estamos en una etapa de alta adopción, pero todavía hay poca disrupción real. Eso abre una oportunidad enorme para prepararnos con tiempo". Felipe Meneses, CEO

El MIT Nanda Report 2025 analizó 52 empresas y más de 300 proyectos de IA en el sector público y sus hallazgos son reveladores:

Existe un sesgo de inversión. Se destinan más recursos a iniciativas visibles para el usuario que al backoffice, a pesar de que allí se encuentra el mayor retorno real.
Los proyectos desarrollados con el acompañamiento de partners externos tienen el doble de probabilidades de éxito frente a aquellos gestionados únicamente por equipos internos.
Aún persiste una alta desconfianza hacia nuevos proveedores; en este contexto, la recomendación de pares se mantiene como el factor más decisivo al momento de elegir aliados.

Aunque la disrupción de la IA aún no ha llegado, la adopción ya está en marcha y prepararse desde ahora es clave. Esto implica trabajar en tres frentes:

Datos: asegurando calidad, disponibilidad e interoperabilidad.
Integraciones: conectando múltiples sistemas y flujos.
Cultura: promoviendo la alfabetización en IA a nivel individual, de equipos y de toda la organización.

La fase de experimentación resulta fundamental, pues permite reducir la curva de aprendizaje y aprovechar plenamente la IA cuando llegue el momento de la disrupción.

Aprendizaje y desafíos en la implementación.

La implementación de agentes y LLMs nos deja una lección clave: adoptar inteligencia artificial no es únicamente un reto tecnológico, sino también de integración, sistematización y cultura organizacional.

Con frecuencia las Universidades inician con la expectativa de alcanzar un ecosistema plenamente conectado, en el que productos y servicios funcionen casi de manera autónoma gracias a los LLMs. Sin embargo, la práctica revela desafíos concretos:

Integración con múltiples fuentes y sistemas internos: conectar los agentes con la diversidad de plataformas aún representa un reto complejo.
Sistematización de reglas de negocio: la necesidad de replicar escenarios puede introducir sesgos en los modelos o limitar su capacidad de generalización.
Adaptación de equipos y procesos: preparar a las personas para adoptar nuevas herramientas y flujos de trabajo es un factor crítico para el éxito.

Estas experiencias demuestran que la adopción de LLMs va más allá de la tecnología. Requiere un enfoque integral que contemple datos, sistemas, procesos y cultura organizacional, con el fin de alcanzar resultados efectivos y verdaderamente escalables.

Unificando datos y procesos: la experiencia Piper.

Consolidar datos, estandarizar procesos y conectar a usuarios técnicos y funcionales se ha vuelto un paso esencial para que la inteligencia artificial genere valor real en las universidades.

Aunque los desafíos son muchos, uno de los más críticos siempre han sido los datos: al estar semiestructurados o no estructurados, han creado silos difíciles de romper. Para superar esta barrera desarrollamos Piper, nuestro servicio de integración y transformación de datos dentro de Foris Cloud Education Suite, que está diseñado para revolucionar la forma en que las Universidades conectan, procesan y distribuyen data, reduciendo drásticamente tiempos y costos en proyectos de integración, e incluso, permitiendo manejar datos complejos sin necesidad de programación avanzada.

Esto es lo que Piper hace posible:

Consolidación y estandarización de datos: toda la información se transforma para análisis y validaciones.
Traducción automática de entidades y relaciones: estudiantes, cursos, docentes y sus vínculos se unifican en un marco común.
Optimización de infraestructura y reducción de costos: menos recursos para lograr más resultados. Elimina desarrollos custom, reduce personal técnico especializado y permite reutilizar componentes entre proyectos.
Operación segura y multicliente: manejar múltiples entornos de forma confiable, con conectividad universal a bases de datos, almacenamiento en la nube, APIs modernas y archivos estructurados.
Reglas de negocio consistentes: facilitan el modelamiento y la estandarización en todos los procesos.
Aceleración del Time-to-Market: integraciones en días en lugar de meses y usuarios de negocio autónomos.

"Piper nos permite romper silos de datos y establecer un lenguaje común que conecta información dispersa y la transforma en valor real". Manuel Vargas.

Una vez que los datos están consolidados, el siguiente paso es lograr que los equipos hablen el mismo idioma. Para eso, entran en juego SQL y Amazon Athena, que funcionan como un puente entre lo técnico y lo funcional. Estas herramientas permiten que consultores y equipos de negocio trabajen directamente con datos, combinando su conocimiento del negocio con el modelamiento y la analítica. Así se aceleran procesos, se logran implementaciones más efectivas y se facilitan reportes impulsados por IA que realmente aportan valor a los usuarios finales. Juntas, estas herramientas habilitan el acceso a los datos y hacen posible que equipos técnicos y funcionales colaboren de manera más ágil, rápida y eficiente.

Rompiendo cuellos de botella: normativas dinámicas y sistemas inteligentes.

En las universidades, las normativas cambian con gran frecuencia, muchas veces cada semestre, y los sistemas deben ser lo suficientemente ágiles para adaptarse sin generar cuellos de botella.

El problema es común ya que cada ajuste en la normativa suele implicar modificaciones al código, generando retrasos, sobrecostos y una complejidad innecesaria en la operación.

La experiencia nos ha mostrado que la mejor manera de enfrentar este reto es separar las reglas de negocio del código y trasladarlas a una capa central de configuración (Core Services). Con este enfoque, las instituciones logran:

Hiperflexibilidad y personalización rápida ante cualquier cambio normativo.
Traducción fluida entre lenguaje humano y lenguaje de máquina.
Gestión de reglas complejas sin depender constantemente de equipos técnicos.

"Abrazamos la velocidad de cambio de las universidades creando herramientas modulares, configurables y centralizadas, capaces de reaccionar rápidamente a cualquier normativa o requerimiento". Franziska Koerner.

Mira el webinar y descubre cómo estamos conectando datos, procesos y personas para transformar la operación académica con Inteligencia Artificial: https://www.youtube.com/watch?v=hhmt-azI0bY&t=478s