Integrar inteligencia artificial con un sistema existente no consiste simplemente en añadir una ventana de chat. La solución puede consultar documentos, preparar respuestas, clasificar solicitudes o proponer acciones dentro de una operación. Para que aporte valor sin crear nuevos problemas, hay que decidir qué podrá hacer, con qué información y bajo qué controles.
Esta guía sirve para planificar una integración con un CRM, una plataforma de atención, un sistema interno, una tienda o una aplicación propia. El enfoque es deliberadamente práctico: empezar por una tarea limitada, comprobarla con situaciones reales y ampliar solo cuando haya evidencia suficiente. NIST recomienda incorporar la gestión de riesgos a lo largo del diseño, desarrollo, uso y evaluación de sistemas de IA; no tratarla como una revisión final aislada.
1. Elegí una tarea, no una tecnología
Empezá describiendo el trabajo actual en términos concretos. Por ejemplo: “resumir una solicitud y sugerir una categoría para que una persona la revise”. Evitá objetivos vagos como “poner IA en atención” o “automatizar todo el proceso”. Una tarea específica permite comparar el resultado nuevo con el método vigente.
Antes de seleccionar un modelo o proveedor, respondé:
- ¿Quién inicia la tarea y qué información aporta?
- ¿Qué resultado necesita recibir el usuario o el sistema?
- ¿Qué errores serían molestos y cuáles podrían causar daño o una pérdida?
- ¿La IA solo recomienda, o puede modificar datos y ejecutar acciones?
- ¿Cómo se completará el proceso cuando la respuesta sea incierta o la herramienta no esté disponible?
Si no podés describir cómo se reconoce un resultado aceptable, todavía no hay un objetivo listo para integrar. Definí primero criterios observables: campos correctos, respuesta fundamentada en información autorizada, derivación apropiada o reducción de pasos manuales sin empeorar la calidad.
2. Delimitá la información y los permisos
Hacé un inventario de las fuentes que necesitaría la solución: registros, documentos, catálogo, historial de conversaciones o datos de clientes. Para cada fuente, anotá quién es responsable, qué tan actualizada está, quién puede acceder y si contiene información personal, confidencial o regulada. No conectes “todo por comodidad”: cada conjunto de datos debe tener una razón relacionada con la tarea.
Después definí permisos con el principio de mínimo acceso. Si la IA solo debe redactar un borrador, quizá no necesite permiso para enviar mensajes, borrar registros o cambiar estados. Separá claramente las acciones de lectura de las de escritura y, cuando haya efectos externos, pedí confirmación humana antes de ejecutarlas. Considerá también qué datos se guardarán en registros técnicos y quién podrá consultarlos.
Las aplicaciones con modelos de lenguaje tienen riesgos particulares, como instrucciones maliciosas incluidas en entradas o contenido consultado y acciones excesivas concedidas a un agente. La guía OWASP GenAI LLM Top 10 2026 reúne riesgos y mitigaciones para aplicaciones de este tipo. En la práctica, tratá los documentos y las respuestas del modelo como entradas que requieren controles, no como órdenes confiables para ejecutar sin validación.
3. Diseñá la integración y sus límites
Escribí el recorrido de punta a punta: qué sistema envía la solicitud, qué datos se recuperan, qué componente procesa la información, dónde aparece la respuesta y quién decide el siguiente paso. En esa descripción, incluí los límites, no solo el recorrido ideal.
Como mínimo, definí qué debe pasar si falta información, la fuente está desactualizada, el modelo no responde, la salida no cumple el formato esperado o el sistema recibe una petición fuera de alcance. Una integración bien diseñada puede detenerse, pedir aclaración, devolver un mensaje seguro o derivar a una persona. No debería improvisar una acción de alto impacto.
También conviene decidir cómo se distinguirán datos de instrucciones, cómo se comprobarán las respuestas antes de enviarlas a otro sistema y qué eventos quedarán registrados. La implementación técnica depende del entorno; el requisito de producto es que cada acción tenga un responsable y una forma de recuperación.
4. Probá con casos reales antes de activar la automatización
Prepará ejemplos representativos del trabajo normal, junto con casos difíciles: mensajes incompletos, datos contradictorios, solicitudes fuera de tema, documentos con instrucciones engañosas y situaciones que requieren una derivación. Usá información autorizada o adecuadamente anonimizada y fijá de antemano qué significa aprobar cada caso.
Una evaluación útil no pregunta solo si la respuesta “suena bien”. Comprobá, según la tarea:
- Exactitud: ¿coincide con el registro o fuente autorizada?
- Completitud: ¿incluye los datos necesarios sin inventar los que faltan?
- Alcance: ¿se abstiene o deriva cuando no debe responder?
- Seguridad: ¿respeta permisos y evita exponer información que no corresponde?
- Integración: ¿el sistema receptor interpreta correctamente el formato y los campos?
- Operación: ¿hay una ruta manual cuando falla la conexión?
OpenAI recomienda diseñar evaluaciones específicas para la tarea, usar datos que se parezcan al uso real, combinar automatización con criterio humano y seguir evaluando a medida que el sistema cambia. Sus buenas prácticas de evaluación son una referencia metodológica; los criterios concretos deben ajustarse a cada proceso.
5. Lanzá por etapas y observá el uso
Una secuencia prudente puede empezar con pruebas internas, seguir con sugerencias que una persona aprueba y, solo después de revisar resultados, permitir ciertas acciones acotadas. El modo inicial no tiene que ser completamente autónomo para resultar útil: un borrador que reduce trabajo repetitivo también puede ser un buen primer alcance.
Antes del lanzamiento, acordá quién revisa los resultados, quién puede detener la integración, qué errores requieren intervención y cómo se informa al equipo que la utiliza. Durante la operación, registrá fallos relevantes, comentarios de usuarios, cambios en las fuentes y variaciones de comportamiento. Revisá además el acceso a datos y herramientas cuando cambien las funciones o los responsables.
Si el sistema empieza a fallar, debe existir una forma clara de volver al procedimiento anterior, desactivar una función o corregir datos afectados. Las recomendaciones de gestión de riesgos de NIST para IA generativa pueden ayudar a organizar las preguntas de gobernanza, evaluación y uso responsable durante el ciclo de vida.
La integración más útil no es la que conecta más sistemas: es la que resuelve una tarea concreta con permisos limitados, resultados comprobables y una salida segura cuando algo falla.
Una lista de decisión antes de avanzar
- La tarea tiene un objetivo y una persona responsable identificados.
- Se conocen las fuentes de datos y se justifica el acceso a cada una.
- La IA no recibe permisos más amplios de los necesarios.
- Hay ejemplos de prueba normales, difíciles y fuera de alcance.
- Los criterios de aceptación incluyen exactitud, seguridad y funcionamiento técnico.
- Se decidió cuándo revisar por una persona y cómo derivar casos inciertos.
- Existe una ruta para pausar, revertir o completar el trabajo manualmente.
Si varios puntos todavía no tienen respuesta, no hace falta descartar la idea: conviene reducir el alcance y resolver esas preguntas antes de conectar la IA a una operación real. Si necesitás convertir un proceso en una integración, conocé las soluciones de inteligencia artificial de Ideasweb y evaluá el alcance a partir de la tarea, los datos y los controles que necesitás.
