CIOs entered the year with ambitions to bring more AI into their companies and start using AI to transform how work gets done. At the same time they also wanted to leverage tech to cut costs and boost productivity throughout the business.
CIOs entered the year with ambitions to bring more AI into their companies and start using AI to transform how work gets done. At the same time they also wanted to leverage tech to cut costs and boost productivity throughout the business.
Now into the fourth quarter, CIOs say they’re still pursuing those objectives and plenty more. They say they still have much work to do, and they’re aiming to close the year with wins in myriad areas.
Here, IT leaders share advice on what their peers should focus on based on what they are racing to finish before year’s end.
One of the top to-do items for many CIOs as they near year’s end is delivering on their promises.
As Robert Field, global CIO at tech advisory firm Adler Advisors, says, people may not remember all the work IT did in any given year, “but they’ll always remember the things you didn’t do that you said you would.”
Field also cites fiscal reasons for his drive to finish up all IT work planned for 2026, noting that the company, which runs on a calendar year, has already allocated the money for the work in its annual budget and has pegged some of it to anticipated tax credits.
In context
- Topic: Inteligencia Artificial — IA aplicada al negocio: casos, límites, costos y gobierno.
- Source: CIO
- Published: 13/10/2026
Continue reading at the original source →
Excerpt published automatically by the site radar. The full text belongs to its publisher and is linked above.
Por qué importa
La conversación sobre inteligencia artificial se volvió ruidosa, y eso hace más difícil ver lo importante. Lo importante casi nunca es el modelo: es qué proceso concreto queda más barato, más rápido o más confiable, y quién se hace responsable cuando la respuesta sale mal.
Yo mido la madurez en IA con una pregunta incómoda: ¿alguien puede explicar, en una línea, qué decisión toma el modelo y quién responde si se equivoca? Donde eso está claro, el proyecto avanza. Donde no, se queda en piloto eterno y termina cancelado con la excusa de que la tecnología no estaba lista.
Lo que suele salir mal
El punto donde suele romperse es el traspaso a operación. El equipo que hizo el piloto sabe interpretar los resultados; el equipo que lo recibe, no. Sin capacitación y sin criterios escritos, la gente empieza a aceptar todo lo que el modelo dice o a ignorarlo por completo, y ambas cosas son igual de caras.
Qué mirar
- Si la organización puede cambiar de proveedor sin rehacer todo, que es la prueba de que no quedó amarrada.
- Qué proceso concreto se toca y cómo se mide antes y después; sin línea base no hay resultado, hay opinión.
- Quién revisa las salidas del modelo y con qué frecuencia — el punto donde la IA se vuelve auditable.
Cómo leo esta entrada
Mi recomendación práctica es fijar desde el día uno qué se hace cuando el modelo se equivoca: quién revisa, con qué frecuencia, y en qué momento se apaga. Suena defensivo, pero es exactamente lo que permite ser agresivo después, porque el riesgo dejó de ser una incógnita.
La noticia original está publicada en otro idioma; acá se cita el extracto tal como lo entrega el medio y el comentario se escribe en español.
Comentarios
Todavía no hay comentarios. El primero puede ser el tuyo.
¿Lo estás viviendo en tu equipo?
Abrí el chat y contame cómo lo están manejando. Me interesa comparar notas.
