El caso de uso más frecuente en las conversaciones reales con empresas mexicanas no es "¿qué modelo de IA debemos usar?" Es "¿cómo conectamos IA con nuestro ERP de hace quince años, nuestra base de datos que solo entiende un consultor específico, y los procesos que están en hojas de cálculo que nadie quiere tocar?" Ese es el problema de integración con sistemas legados, y es el que determina si la adopción de IA produce valor real o queda como un piloto paralelo que nunca se integra al flujo de trabajo principal.
Por qué los sistemas legados no van a desaparecer pronto
La expectativa de que las empresas migrarán masivamente a plataformas modernas antes de integrar IA es poco realista en el contexto mexicano. Los sistemas ERP, CRM y de gestión que llevan operando una y dos décadas en empresas medianas y grandes no se reemplazan en ciclos de dos o tres años. Tienen décadas de lógica de negocio embebida, configuraciones específicas para regulaciones locales y procesos que el equipo actual ya no recuerda completamente. Migrarlos es un proyecto de años con riesgo operativo significativo. La estrategia pragmática no es "primero moderniza, luego integra IA" — es "integra IA con lo que tienes mientras planeas la modernización gradual."
Los proyectos de transformación digital que esperan tener la infraestructura perfecta antes de empezar raramente empiezan. Los que producen valor son los que agregan inteligencia a los sistemas existentes, aunque de forma subóptima, y usan esos primeros resultados para justificar la inversión en modernización.
Patrones de integración que funcionan en la práctica
Existen tres patrones de integración que han demostrado funcionar con sistemas legados en producción real. El primero es la capa de acceso a datos: en lugar de intentar conectar directamente la IA con el sistema legado (lo que requiere acceso a código que frecuentemente nadie quiere tocar), se crea una capa intermedia que expone los datos relevantes vía API. Este patrón desacopla la IA del sistema subyacente y permite que ambos evolucionen independientemente. El segundo es la integración por eventos: el sistema legado genera notificaciones cuando ocurren eventos relevantes (una nueva orden, un cambio de estado, un documento cargado), y la IA los procesa de forma asíncrona sin necesitar acceso directo al sistema. El tercero, más pragmático pero efectivo, es la automatización de interfaz: usar herramientas como Computer Use de Anthropic o agentes de automatización de escritorio para que la IA interactúe con el sistema legado como lo haría un usuario humano, cuando no hay otra forma de acceso.
"El sistema legado no es el problema. El problema es asumir que tiene que cambiar antes de que la IA pueda aportar valor."
El problema de los datos atrapados
El mayor obstáculo técnico en la integración con sistemas legados no es la conectividad — es la calidad y accesibilidad de los datos. Los datos valiosos de una empresa suelen estar distribuidos entre múltiples sistemas sin sincronización, en formatos inconsistentes entre registros del mismo tipo, con errores acumulados durante años de entrada manual, y sin el contexto que los hace interpretables. Un modelo de IA que accede a esos datos heredará todos esos problemas. La preparación de datos es típicamente el 60-70% del trabajo en proyectos de integración de IA con sistemas legados, y es el paso que más frecuentemente se subestima en las estimaciones iniciales de proyecto.
Las estrategias que funcionan incluyen la creación de pipelines de limpieza y normalización de datos que corren de forma continua, el enriquecimiento progresivo de registros históricos a medida que se procesan, y la definición clara de qué nivel de calidad de datos es suficiente para cada caso de uso de IA específico — no todos necesitan datos perfectos.
Cómo priorizar qué integrar primero
Ante múltiples sistemas candidatos para integración con IA, el criterio de priorización más efectivo es la combinación de valor potencial y fricción de integración. Los procesos con mayor valor potencial son los que procesan el mayor volumen de trabajo o tienen el mayor impacto en decisiones de negocio críticas. La fricción de integración depende de la accesibilidad de los datos, la estabilidad del proceso y la disponibilidad de APIs o formas de acceso. La matriz que resulta de cruzar estas dos dimensiones identifica los proyectos de alta recompensa y baja fricción — ahí es donde empezar, no en los proyectos más ambiciosos o los más fáciles por separado.
Gestión del cambio: el factor humano en integraciones de IA
Las integraciones técnicas más sólidas fallan cuando los usuarios del sistema no confían en los resultados de la IA o no entienden cómo interactuar con ella. Los equipos que llevan años trabajando con un sistema legado tienen rutinas, workarounds y conocimiento tácito que la IA no captura automáticamente. Una integración exitosa requiere involucrar a esos usuarios desde el diseño, no solo en la validación final. Su conocimiento del proceso real — no del proceso documentado, que frecuentemente es diferente — es imprescindible para que la integración resuelva problemas reales en lugar de los problemas que el equipo de TI asumió que existían.