Imaginemos un proceso de reclamaciones asistido por IA.
El sistema recibe documentación, recupera información del cliente, clasifica el caso, establece una prioridad y lo deriva al equipo correspondiente.
Una mañana, el modelo continúa funcionando con normalidad. Responde dentro de los tiempos previstos y mantiene sus parámetros de rendimiento.
Sin embargo, una modificación en los permisos le impide acceder a parte del contexto documental.
La IA sigue funcionando.
La operación ya no puede funcionar de la misma manera.
En ese momento deja de estar en juego el rendimiento del modelo. Empieza a estarlo la capacidad que la organización necesita conservar.
El equipo todavía puede tramitar reclamaciones. Pero ahora necesita saber cuáles, en qué orden, con qué información y durante cuánto tiempo puede hacerlo sin comprometer el servicio.
La situación revela algo que empieza a ser relevante a medida que la IA entra en procesos críticos: la resiliencia operativa en IA depende de algo más amplio que la fiabilidad del modelo que utiliza la organización.
Cuando una herramienta se convierte en una dependencia
El Financial Stability Board (FSB) documenta usos de IA en crédito, fraude, AML/KYC, atención al cliente, riesgo, back-office, revisión documental y compliance.
Algunos alcanzan ya una escala considerable. Entre los casos recogidos por el FSB aparece un sistema que analiza más de 80 millones de señales diarias relacionadas con fraude y una aseguradora que eliminó alrededor de 400.000 intervenciones manuales durante 2025.
La relevancia de estas cifras está en el grado de integración que muestran.
Cuando la IA participa de forma estable en un proceso, alrededor del modelo existe una cadena de dependencias: datos, infraestructura, APIs, identidad, permisos, conectores, reglas, workflows, sistemas legacy y personas responsables de determinadas decisiones.
Cada capa condiciona la capacidad disponible.
Una fuente de datos puede dejar de estar accesible. Un permiso puede cambiar. Una integración puede interrumpirse. Una actualización externa puede alterar un comportamiento esperado.
El Bank for International Settlements (BIS) advierte precisamente sobre la creciente dependencia de hardware especializado, servicios cloud, proveedores externos de datos y modelos preentrenados, con una concentración significativa en determinados proveedores. También señala que estas interdependencias pueden aumentar la intensidad, la velocidad y la complejidad con la que se transmiten determinadas perturbaciones.
Esto obliga a ampliar la mirada.
Evaluar el modelo sigue siendo necesario. Cuando ese modelo sostiene una parte de la operación, necesitamos además conocer qué capacidad de negocio depende de él y qué otras piezas deben funcionar para mantenerla.
Operar cuando las condiciones cambian
Volvamos a las reclamaciones.
La pérdida de contexto documental obliga a decidir qué hacer con el proceso.
Algunos expedientes pueden continuar.
Otros necesitan revisión humana.
Determinadas decisiones pueden esperar.
Y algunas operaciones requieren detenerse hasta recuperar las condiciones necesarias.
La organización entra en un modo degradado: mantiene una parte de su capacidad bajo condiciones diferentes de las habituales.
Aquí aparece una decisión que conviene tomar antes de necesitarla:
¿Qué nivel de operación queremos preservar cuando ya no podemos mantener el funcionamiento normal?
En Cognodata vemos que, cuando un proceso empieza a depender de varias de estas capas, una pregunta cambia bastante la conversación:
Si mañana retiramos una de ellas, ¿el equipo sabe exactamente qué puede seguir haciendo?
Responder exige conocer algo más que la arquitectura tecnológica.
Qué servicio debe mantenerse.
Qué puede esperar.
Qué decisiones requieren información que ya no está disponible.
Quién puede modificar prioridades.
Quién tiene autoridad para detener una parte del flujo.
Y bajo qué condiciones puede recuperarse la operación normal.
La continuidad de negocio y la resiliencia operativa llevan tiempo trabajando sobre estas cuestiones. La incorporación de IA añade nuevas combinaciones de dependencias y extiende esta conversación a procesos que están aumentando su nivel de automatización.
El FSB recomienda incorporar escenarios relacionados con IA a las pruebas de riesgo tecnológico y considerar especialmente terceros, concentración, cadena de suministro y continuidad cuando estos sistemas participan en funciones críticas o materiales.
En Europa, DORA ha reforzado desde 2025 la gestión y supervisión de dependencias tecnológicas y de terceros, junto con las pruebas de resiliencia.
Son señales de una evolución relevante: la capacidad de continuar operando necesita definirse y comprobarse antes de una perturbación.
¿Cuánta capacidad necesitamos conservar?
Esta pregunta cambia según el proceso.
Un asistente interno utilizado para preparar reuniones puede tolerar varias horas de indisponibilidad.
Un sistema que participa en la priorización de fraude, reclamaciones sensibles o incidencias críticas exige condiciones diferentes.
Por eso, el punto de partida debería ser la capacidad que la organización necesita proteger y su materialidad.
Cinco preguntas permiten hacerla explícita:
- ¿Qué capacidad de negocio estamos haciendo dependiente de este sistema?
- ¿Qué nivel mínimo necesitamos preservar si una de sus dependencias deja de estar disponible?
- ¿Qué puede continuar, qué debe reducirse y qué debe detenerse?
- ¿Quién tiene autoridad para cambiar el modo de operación?
- ¿Qué condiciones deben cumplirse para recuperar el funcionamiento normal?
Las respuestas permiten distinguir casos de uso que pueden esperar de aquellos que necesitan degradarse de manera controlada.
También permiten identificar qué dependencias merecen redundancia, qué alternativas deben mantenerse disponibles y dónde debe residir la autoridad para actuar.
La madurez empieza así a incorporar una dimensión diferente: conocer la capacidad mínima que la organización necesita conservar antes de decidir cuánto quiere automatizar.
La dependencia también es una decisión
Hay una consecuencia adicional.
Cuando incorporamos IA a un proceso, decidimos qué capacidad queremos ganar: más velocidad, mayor escala, nuevas posibilidades de análisis o automatización.
Al mismo tiempo estamos configurando una nueva arquitectura de dependencias.
Parte de la capacidad que antes residía en unas determinadas personas, sistemas y procedimientos pasa a sostenerse sobre una combinación distinta de modelos, datos, proveedores, permisos, integraciones y conocimiento interno.
Cada decisión sobre IA no solo incorpora una capacidad nueva. También redefine las dependencias sobre las que esa capacidad pasará a sostenerse.
Eso significa que escalar IA también implica decidir qué dependencias estamos dispuestos a aceptar para sostener una capacidad determinada.
Y esa decisión puede hacerse explícita.
Podemos conocer qué debe permanecer disponible.
Definir cuánto puede degradarse un servicio.
Asignar quién puede detenerlo.
Establecer las condiciones para recuperarlo.
Y comprobar que esas decisiones funcionan antes de necesitarlas.
Entonces la madurez deja una evidencia muy concreta: la organización sabe qué capacidad necesita preservar, de qué depende y qué está dispuesta a perder temporalmente para mantener el control sobre lo que realmente importa.
Preguntas frecuentes sobre resiliencia operativa en IA
¿Qué es la resiliencia operativa en inteligencia artificial?
Es la capacidad de una organización para mantener las funciones de negocio necesarias cuando un sistema de IA o alguna de sus dependencias deja de funcionar en las condiciones habituales. Implica conocer qué operaciones pueden continuar, cuáles deben limitarse y quién tiene autoridad para intervenir.
¿Puede un modelo de IA funcionar correctamente y afectar a la continuidad del negocio?
Sí. Un modelo puede mantener sus indicadores de rendimiento y, aun así, perder acceso a datos, permisos o integraciones necesarios para ejecutar el proceso completo. Por eso, evaluar el modelo no equivale a comprobar la continuidad de la operación.
¿Qué significa operar en modo degradado cuando se utiliza IA?
Significa mantener una parte del servicio bajo condiciones distintas de las habituales. Puede implicar reducir el volumen de operaciones, incorporar revisiones humanas, modificar prioridades o detener determinadas decisiones hasta recuperar las condiciones necesarias.
¿Cómo puede una organización prepararse ante fallos en las dependencias de IA?
Identificando las capacidades críticas, sus dependencias, el nivel mínimo de operación que necesita conservar y las personas autorizadas para modificar o detener el proceso. También debe establecer y probar las condiciones para recuperar el funcionamiento normal.
