Colombia tiene 66% de adopción de IA en las empresas y solo 12% de retornos financieros medibles. Esa brecha fue el punto de partida del AI Summit Colombia, celebrado el 7 y 8 de mayo en Bogotá con compañías como Mercado Libre, AWS, Lulo Bank, Habi y Jelou AI sentadas alrededor de la misma pregunta: ¿por qué la IA llega a los servidores pero no llega a los resultados del negocio? Para Juan Carlos Uribe, NTO de Microsoft: “La IA no fracasa en los servidores. Fracasa en los boardrooms.” El 12% que sí muestra retornos tomó decisiones operativas específicas sobre cómo organizar el trabajo alrededor de la tecnología, con el mismo arsenal técnico disponible para todos los demás.

Bogotá y Colombia están tratando de demostrar que son capaces de implementar IA a escala empresarial, con casos de uso verificables, con errores que se nombran en público y con organizaciones dispuestas a compartir qué funciona y qué no. Seguros Bolívar llegó al AI Summit con casos en producción.

Escucha la conversación completa con Germán Sánchez y

Una organización de siete compañías

El Grupo Bolívar tiene siete compañías, 100,000 empleados y más de 250 aplicaciones corriendo en producción. Su nube transaccional es AWS y la capa de datos analíticos e inteligencia artificial corre en GCP, una arquitectura que refleja cómo las dos plataformas se han dividido el mercado empresarial: Amazon para escalar transacciones, Google para escalar inteligencia. Tienen activos digitales propios como Gente, una plataforma que conecta usuarios con servicios profesionales por horas. Su portfolio incluye seguros, banca y una unidad llamada Servicio Bolívar donde operan sus startups.

Para Germán Sánchez, que lidera la tecnología de la compañía, el orden de la implementación es: productividad personal primero, productividad empresarial después, dominios de negocio al final. El orden importa porque cada capa construye sobre la anterior. Saltarse la primera y pretender llegar a la tercera explica buena parte del 88% que adopta sin retornos.

El almuerzo y el código listo

Germán cuenta cómo hace poco, gracias a las mejoras incrementales de las herramientas de inteligencia artificial, tuvo que definir un caso de uso de implementación para su empresa.

El equipo se puso de acuerdo con la IA sobre los requerimientos, los validó y le dio la instrucción de construir. Germán salió a almorzar con su esposa y su hijo. Volvió dos horas después y el código estaba terminado.

“¿Dónde está mi trabajo ahora? En el pensar, no en el codificar.”

Lo que cambia con eso es el perfil del ingeniero que genera valor. Articular especificaciones precisas pasa a ser la habilidad central; ejecutar tareas mecánicas sin pensar en la capa de especificación queda desplazado. El equipo arrancó con Cursor y migró después a una herramienta de AWS: probaron, evaluaron y cambiaron. Esa velocidad de decisión sobre el stack tecnológico suele ser más predictiva del éxito que cualquier elección puntual de plataforma.

La subcarpeta que se llama Prophecy

El Grupo Bolívar tiene un agente que accede a los repositorios de código de sus activos digitales y conoce la infraestructura que corre debajo de cada aplicación. Cuando una aplicación genera una excepción, sea de infraestructura, de plataforma o de lógica de negocio, el agente lee los logs, se conecta a Datadog para el monitoreo, correlaciona los eventos y deposita su análisis en una subcarpeta del repositorio que se llama prophecy. El desarrollador llega al código y encuentra ahí un archivo Markdown con el diagnóstico de causalidad. Por ahora, con ese análisis el equipo humano resuelve el problema. La dirección es que la misma IA genere el pull request: que detecte el error, escriba la corrección y la deje lista para pasar a producción.

El primer valor del agente es cartográfico: mapea errores que antes eran invisibles, y la velocidad de resolución llega después. Una compañía de salud con la que trabajo redujo su tiempo de corrección de bugs de dos semanas a cuatro horas con un sistema similar. En el Grupo Bolívar, el agente está en la etapa de revelar el mapa.

Subscribe now

El desacuerdo sobre los datos

Según Germán: el valor profundo de la organización está en lo que las personas hacen en su día a día, y para eso tienen un modelo de observabilidad que va desde la infraestructura hasta las transacciones de negocio, todo volcado a un lago de datos post-analítico con tres nubes interoperando.

Yo me remito a lo que he visto en Coinbase y otras compañías que están adoptando una apuesta agentic-first: alimentar un LLM propio con toda la data conversacional, de forma que el modelo empiece a detectar cuándo hay equipos desalineados y le avise al CEO que vaya a hablar con esa gente.

Estamos construyendo algo similar con , nuestra IA que conecta conversaciones de ventas a través de WhatsApp, Telegram, mail y Slack. En un ciclo B2B de cinco meses, cuando Cora tiene acceso a toda la data de las interacciones previas con un cliente, puede acortar ese ciclo a dos o tres meses.

Alfabetizarse o quedarse por fuera

Para mí ser letrado en inteligencia artificial es la condición de base, igual que saber leer y escribir. Que levante la mano quien no sabe leer: nadie en ninguna sala. Eso es lo mismo que va a pasar con la IA en los próximos años.

Según Ben Horowitz, la humanidad lleva siglos creando más tecnología y consistentemente la gente trabaja más horas, no menos. Va a haber una transición dolorosa para muchas personas. Pero quien no se alfabetiza va a quedar en la misma posición que quedó quien no aprendió a leer en el siglo XIX.

Lo que estoy viendo en el Grupo Bolívar es un intento serio de hacer esa transición de manera sistemática. En seguros de movilidad, la IA analiza imágenes del siniestro, sugiere si conviene usar la cobertura de pequeños accesorios y procesa el pago sin intervención humana hasta cierto monto. Aprueban consultas médicas con IA para reducir tiempos de autorización. Procesan facturas de prestadores de salud en múltiples formatos que antes llegaban en papel. Revisan requerimientos del ente regulador con IA y generan borradores de respuesta, con un humano que aprueba antes de enviar.

Son pasos deliberados en un sector donde el costo de un error se mide en salud y en vida. Si alguien llega a urgencias con su hijo y el sistema de autorización queda en espera, eso tiene una escala diferente a una tarjeta de crédito rechazada. El hecho de que estén tomando esos riesgos calculados, aprendiendo en cada decisión y ampliando el monto que el agente puede aprobar solo, es exactamente el tipo de práctica que Colombia necesita documentar si quiere ser algo más que un mercado de adopción temprana.

Bogotá en ese mapa

La ambición detrás del AI Summit es demostrar que Bogotá y Colombia tienen la capacidad de implementar IA a escala empresarial, en sectores regulados, con casos de uso auditables y errores que se nombran en público. El 12% que muestra retornos en Colombia tomó decisiones antes de saber si iban a funcionar, midió los resultados y ajustó.

Eliuth Triana, referente de NVIDIA para América Latina, planteó en el mismo evento una capa que las discusiones sobre adopción empresarial suelen saltarse: la energía. La unidad básica de la economía de IA es el token, y para producir tokens hacen falta megawatts. La industria global ya está midiendo cuántos gigawatts necesita para escalar; América Latina, con su energía renovable abundante, tiene la opción de ser generadora de esa infraestructura y no solo consumidora de los tokens que producen otros.

La pregunta que planteó Triana es de política industrial y de infraestructura energética: cómo convertir la energía disponible en la región en capacidad de cómputo local, para que las startups y empresas latinoamericanas puedan acceder a tokens sin depender de fábricas de IA en Estados Unidos o Asia.

Un socio de una firma mediana abre Word el lunes por la mañana. El documento es un contrato de arrendamiento comercial que llegó el viernes como redline. Lo revisa con control de cambios activado, acepta algunas marcas, rechaza otras, agrega dos comentarios en el margen y lo devuelve como .docx. Ha hecho eso mismo miles de veces. El flujo no ha cambiado…

Read more

En diciembre de 2025, Anthropic montó un mercado de clasificados para sus empleados en San Francisco. Un agente de IA entrevistó a cada empleado, quienes registraron qué querían vender, a qué precio mínimo, qué estaban dispuestos a comprar y cuánto pagarían. Con esa información, los agentes recibieron US$100 de presupuesto cada uno y accedieron a un can…

Read more

Un desarrollador llamado Romain Simon tomó cuatro bases de datos públicas del gobierno francés, las convirtió en archivos de markdown y publicó el resultado1 como un conjunto de skills open-source que transforman a Claude Code en contador, auditor fiscal, notario y síndico de propiedad horizontal. El gobierno francés, en lugar de ignorarlo, lo destacó co…

Read more

En estos días conversé con , CEO de Lab10, la comunidad de inteligencia artificial más grande de Latinoamérica. Ella hace un diagnóstico muy claro sobre lo que sucede en implementación en startups y el corporativo:

“En las startups, incluso las que existían antes de 2022 y necesitan transformar sus operaciones, hay una mentalidad de crecimiento y apertu…

Read more

Conocí a una pelada que trabaja en una aerolínea: un corporativo grande de la industria de la aviación que opera en varias regiones del mundo. Ha trabajado durante años ahí y es directora marketing. Gana bien y vive tranquila. Sin embargo, cuando conversamos sobre inteligencia artificial, ella mencionó que ve lejana la implementación en su compañía, porque trabaja en un corporativo establecido en una industria legacy. Que la aerolínea ha operado alrededor de 60 años de manera similar, que los formatos de entrenamiento son los mismos, que el sistema no cambia.

Todavía no se da cuenta de que ella es la rana que están hirviendo.

Dos mil años de jerarquía se están acabando

Jack Dorsey, CEO de Block, y Roelof Botha, chairman de Sequoia, publicaron hace días un ensayo que se llama From Hierarchy to Intelligence y que le pone un marco histórico a lo que está pasando. El argumento empieza con el ejército romano. La unidad más chica, el contubernium, eran ocho soldados que compartían una carpa, equipo y una mula, liderados por un decano. 10 contubernios formaban una centuria de 80 hombres bajo un centurión. Seis centurias hacían una cohorte. 10 cohortes hacían una legión de 5,000.

Read more