De los prompts a los productos: Copilot toma protagonismo para mostrar cómo la IA cumple

La IA se vuelve transformadora no cuando las máquinas piensan más rápido, sino cuando la imaginación humana y los sistemas inteligentes se impulsan mutuamente. Los modelos pueden generar resultados, pero el verdadero impacto solo ocurre cuando las ideas creativas se combinan con sistemas robustos y escalables que abarcan flujos de trabajo, datos y toma de decisiones en tiempo real.

En TechSparks 2025, el panel 'Haciendo la IA Real: Donde la Creatividad se Encuentra con la Inteligencia y la Escala' analizó esta poderosa intersección. Moderado por Sandeep Alur, Director de Tecnología (CTO) de Microsoft Innovation Hub, Microsoft India, la sesión reunió a Mathangi Sri Ramachandran, Directora de YuVerse, Grupo Yubi; Rahul Regulapati, Fundador de Galleri5—adquirida por Collective Artists; Samanyou Garg, Fundador de Writesonic; y Vishal Virani, Cofundador y CEO de Rocket. Alur co-moderó junto con Copilot, el Agente de IA de Microsoft, que planteó preguntas en tiempo real, ofreciendo una demostración en vivo de la colaboración humano-IA en acción.

Equilibrando la creatividad con las necesidades empresariales

La conversación comenzó con una pregunta sobre la preparación empresarial: ¿cómo pueden los equipos que utilizan herramientas de desarrollo impulsadas por IA equilibrar la creatividad con las exigencias de seguridad, escalabilidad y fiabilidad?

Vishal Virani lo desglosó a través del lente de lo que el "vibe coding" puede —y no puede— ofrecer hoy. Dijo que las plataformas actuales todavía no generan aplicaciones de calidad de producción de forma independiente. Lo que pueden hacer es acelerar dramáticamente el desarrollo temprano. Rocket, por ejemplo, permite a los equipos ensamblar flujos de front-end, integrar APIs privadas utilizando colecciones de Postman y alinear construcciones con sistemas de diseño internos, todo dentro de un período de configuración compacto. Su verdadera fortaleza radica en la personalización: en 15-20 días, Rocket puede configurar todo su entorno según las necesidades de un cliente empresarial.

Añadió que modelos más potentes ampliarán lo que estas herramientas pueden hacer. "Para cuando llegue GPT-5 o Sonnet 5 o Sonnet 6, podremos generar código puro y seguro", dijo. Durante el intercambio, Alur mencionó que "vibe coding" fue recientemente declarada la Palabra del Año por el Diccionario Collins.

Virani compartió un ejemplo de un equipo de tecnología inmobiliaria donde un gerente de producto introdujo un planteamiento de problema y generó un conjunto de opciones, incluyendo versiones adaptadas para usuarios de la Generación Z y una audiencia de más de 60 años. El gerente le dijo que la plataforma cambió el esfuerzo de escribir PRDs a explorar posibilidades.

También se refirió a Devin, una herramienta descartada cuando se lanzó durante la era de GPT-3 pero construida para lo que los modelos de generaciones posteriores permitirían. Cuando esos modelos llegaron, su adopción en EE.UU. aumentó rápidamente.

Redefiniendo el descubrimiento con la optimización de motores generativos

La conversación luego giró hacia cómo la IA está remodelando el descubrimiento de productos. Samanyou Garg señaló que los usuarios dependen cada vez más de asistentes de IA en lugar de motores de búsqueda tradicionales; solo ChatGPT ha superado los 700 millones de usuarios activos semanales. Un estudio reciente de Forrester muestra que el 89% de las decisiones de compra B2B ahora involucran conversaciones mediadas por IA, haciendo que la visibilidad dentro de estos sistemas sea indispensable.

Sin embargo, no existe una "consola de búsqueda" para IA hoy. Las empresas tienen poca visibilidad sobre qué indicaciones muestran sus productos o cómo aparecen sus competidores. Writesonic busca resolver esto rastreando la visibilidad de la marca dentro de los asistentes de IA e identificando dónde se necesita optimización.

Garg destacó que los modelos de IA dan de tres a seis veces más peso a fuentes de terceros como Reddit y Wikipedia que al contenido propio de la marca, haciendo que el sentimiento externo y las reseñas sean aportes cruciales. También enfatizó la importancia de actualizar continuamente el contenido propio de la marca, ya que la información obsoleta aún puede ser recuperada por los modelos.

Garg enmarcó este cambio como el surgimiento de la optimización de motores generativos (GEO), optimizando no solo para motores de búsqueda, sino para cómo los modelos de IA interpretan, clasifican y presentan una marca.

IA como infraestructura creativa

La discusión luego pasó del descubrimiento a la creatividad. Rahul Regulapati habló sobre el trabajo de Galleri5 en la serie Mahabharat generada por IA, ahora entre los programas más populares de Star Plus. Mientras Galleri5 construyó la infraestructura de IA que impulsa la producción, un equipo creativo completo, incluyendo director, guionista, unidades de acrobacias y coreografía, y artistas de personajes, se encargó de la realización cinematográfica. Entre 50 y 100 personas trabajaron en roles creativos y técnicos.

Regulapati describió la IA como una infraestructura que elimina las limitaciones de producción. Los equipos ahora pueden filmar movimientos básicos en estudios más pequeños y usar canales de IA para escalarlos en secuencias expansivas y cinematográficas que anteriormente requerirían presupuestos masivos o configuraciones físicas complejas. Los plazos de producción que antes se extendían a dos años ahora pueden reducirse a dos meses, y los costos que anteriormente alcanzaban los 100 crore de rupias pueden recortarse drásticamente. Durante todo el proceso, el control creativo permanece intacto: el director de fotografía sigue dictando los lentes y el estilo visual, y el resultado debe coincidir con esa visión.

Añadió que las audiencias sintonizan Mahabharat por su narrativa, no por su tecnología. Mirando hacia el futuro, espera que la mayoría del contenido se vuelva parcial o totalmente habilitado por IA dentro de los próximos 12 a 24 meses, con equipos creativos dirigiendo firmemente el proceso.

De la prueba a la escala masiva

El panel luego abordó la cuestión de la escala, con Mathangi Sri Ramachandran describiendo cómo YuVerse opera sistemas de IA en entornos de alto volumen y altas apuestas. La empresa maneja casi 30 millones de llamadas al mes a través de bots conversacionales, junto con procesamiento de documentos a gran escala y generación de videos personalizados. Como ella lo expresó, "cualquier cosa que intentemos hoy es escala mañana".

Uno de los productos insignia de YuVerse, YuVin, crea millones de videos personalizados, cada uno adaptado a un usuario individual en lugar de depender de un único activo producido en masa. El equipo ahora está experimentando con formatos interactivos de video a video que podrían cambiar aún más la forma en que las marcas se comunican.

Ramachandran destacó una brecha persistente entre el rendimiento de la máquina y las expectativas del usuario. Los centros de llamadas tradicionales típicamente operan con una precisión del 60-70%, mientras que los bots de IA logran un 98-99%, sin embargo, superar una prueba de concepto todavía exige de 50 a 100 iteraciones porque la tolerancia a los errores de la máquina sigue siendo extremadamente baja. La preferencia de India por la voz, incluso en WhatsApp, hace que la IA conversacional sea especialmente atractiva, pero estas expectativas continúan ralentizando la adopción.

Trazando la evolución del campo, describió cómo la IA conversacional ha pasado de sistemas dirigidos por lingüistas a científicos informáticos, luego a RNNs y LSTMs, y ahora a LLMs. Señaló que India siempre ha sido "un mercado extremadamente conversacional", pero la adopción generalizada solo ha despegado recientemente con la llegada de modelos de lenguaje más capaces. Aun así, enfatizó, la tolerancia al error de la máquina debe aumentar para que la implementación se acelere.

El moderador Sandeep Alur ofreció un replanteamiento: en lugar de centrarse solo en las tasas de error, las empresas deberían considerar el costo del error. Si ese costo es bajo, argumentó, los equipos deberían avanzar en lugar de perseguir la perfección que ralentiza la escala.

Construyendo para los flujos de trabajo del mañana

Cuando la conversación pasó a la siguiente ola de herramientas de bajo código y sin código, Virani aclaró que las plataformas de "vibe coding" se utilizan mejor para la conceptualización, no para enviar código de calidad de producción. Citó a un gerente de producto de tecnología inmobiliaria que usó Rocket para explorar ideas que los competidores no habían considerado y probar rápidamente versiones dirigidas a la Generación Z frente a usuarios mayores de 60 años, un trabajo que típicamente lleva un mes, completado en un solo día.

Según Virani, la mayor barrera para la adopción no es la capacidad sino la mentalidad. Las empresas a menudo luchan porque intentan forzar flujos de trabajo existentes en nuevas herramientas. "Si intentas encajar tu flujo de trabajo dentro de cualquier herramienta, no podrás adoptar IA en ningún momento", dijo. El mercado estadounidense, añadió, ha tomado el enfoque opuesto: evaluar primero las herramientas, luego adaptar los flujos de trabajo alrededor de ellas. Las preocupaciones de seguridad y cumplimiento también cambian dependiendo de si los equipos están explorando ideas o implementando a escala.

Sobre el descubrimiento de productos, Garg explicó cómo la búsqueda impulsada por IA está remodelando la visibilidad. Los sistemas de IA dan de tres a seis veces más peso a fuentes de terceros como Reddit, Wikipedia, reseñas independientes que al contenido propio de la marca. Esto significa que la información obsoleta o negativa en cualquier lugar en línea puede aparecer en respuestas generadas por IA. Para las marcas que esperan aparecer en recomendaciones de IA, la gestión de reputación ahora debe abarcar plataformas de reseñas, medios y conversaciones sociales.

Haciendo la IA real

Al concluir la sesión, cada panelista ofreció una conclusión concisa sobre lo que significa "hacer la IA real". Ramachandran enfatizó centrarse en resultados que realmente importan y asegurar que la IA siga siendo gobernada por humanos. Regulapati argumentó que la IA se vuelve real cuando reemplaza procesos, no personas. Garg señaló los fundamentos: hablar con los usuarios, identificar fricciones y arreglar flujos de trabajo con un enfoque liderado por humanos. Virani subrayó una verdad técnica: el contexto adecuado importa más que las entradas grandes, y sin esa base, los sistemas de IA pueden alucinar.

Copilot, cerrando el ciclo sobre su papel a lo largo de la discusión, ofreció un resumen final en el escenario: mantenerse anclado a resultados reales, usar IA para apoyar a las personas, mantener flujos de trabajo liderados por humanos y siempre trabajar con el contexto adecuado.

.