Si bien la revolución de la IA promete una productividad sin precedentes, las grandes empresas se topan con un muro masivo: no pueden integrar modelos sofisticados en entornos heredados (legacy) desordenados. Una nueva startup, June, intenta resolver esta crisis de despliegue utilizando IA para automatizar los procesos que actualmente requieren ejércitos de consultores costosos.
La paradoja de la implementación de la IA
A medida que los modelos de IA se vuelven más capaces, la demanda de servicios profesionales manuales en realidad aumenta. Las empresas contratan "Forward-Deployed Engineers" (FDEs)—equipos que se integran dentro de una organización para conectar manualmente los modelos de IA puros con la infraestructura corporativa existente.
Efrat Rapoport, exejecutiva de Salesforce, afirma que contratar a más personas para gestionar la complejidad es insostenible. Ese enfoque manual crea un cuello de botella que impide que incluso los LLM más potentes aporten valor real a las empresas de Fortune 500.
Resolviendo el caos de los datos heredados
El mayor obstáculo no es la inteligencia del modelo; es el "desorden subyacente". Las grandes corporaciones funcionan sobre un mosaico de plataformas—Salesforce, ServiceNow, Databricks, Workday—cargadas de deuda técnica, campos duplicados y flujos de trabajo inconsistentes.
La plataforma de June escanea los sistemas de una empresa, aprende sus procesos únicos y genera automáticamente una hoja de ruta de despliegue paso a paso. En lugar de arquitectos humanos mapeando integraciones, June identifica los cuellos de botella, solicita a los usuarios que limpien datos duplicados o conecten fuentes, y luego construye la integración de forma automática.
Más allá de la "caja negra" de la consultoría
June reemplaza el modelo manual de alta fricción y alto costo con una herramienta de autoservicio. Para CMG, un importante prestamista hipotecario de EE. UU., la diferencia es transformadora. Tras luchar con Claude Code y Salesforce mediante la consultoría tradicional, June permitió que su equipo identificara los puntos de despliegue y avanzara sin semanas de obstáculos.
Al automatizar la "fontanería"—limpieza de datos, mapeo, optimización de flujos de trabajo—, June permite a las empresas pasar del "vibe-coding" experimental a operaciones escalables impulsadas por agentes, sin necesidad de una plantilla masiva de ingenieros especializados.
Por qué esto es importante para el panorama de la IA
La próxima ola de la IA no se juzgará por el número de parámetros, sino por quién sea capaz de entretejer los modelos en el motor económico existente. Si June tiene éxito, la industria podría pasar de un modelo basado en servicios a uno impulsado por software, reduciendo la barrera para la automatización empresarial y acelerando la era del "Agentic Workflow".
Conclusiones clave
- Automatización de la integración: June escanea y mapea sistemas heredados complejos, y luego entrega una hoja de ruta automatizada para solucionar la fragmentación de datos y la deuda técnica.
- Reducción de la carga humana: La plataforma sustituye a los costosos Forward-Deployed Engineers por un modelo de despliegue de autoservicio tipo "build-on-click".
- Respaldada por pesos pesados: Creada por el equipo detrás de Bonobo AI, June aseguró 20 millones de dólares en financiación pre-semilla liderada por Time Ventures de Marc Benioff.
June presentó una plataforma impulsada por IA que integra automáticamente modelos de lenguaje extensos (LLM) en sistemas empresariales heredados, afirmando que elimina la necesidad de costosos equipos de ingeniería desplegados en el lugar (forward-deployed).
El cuello de botella de la integración
Las empresas han pasado el último año comprando LLM cada vez más potentes; sin embargo, la mayoría todavía tropieza con el primer obstáculo: conectar esos modelos a un mosaico de aplicaciones locales (on-prem) y en la nube. La solución típica es contratar a un escuadrón de FDE: consultores que se integran en una empresa, mapean manualmente los flujos de datos y escriben código de unión (glue code).
Efrat Rapoport califica ese enfoque como “insostenible”. Aumentar la plantilla no elimina los campos duplicados, las tablas obsoletas y los flujos de trabajo aislados; simplemente pospone el inevitable cuello de botella. La paradoja es clara: a medida que los modelos de IA se vuelven más capaces, la demanda de servicios de implementación manual aumenta, no disminuye.
Cómo funciona la plataforma de June
June cambia las reglas del juego. En lugar de enviar ingenieros a auditar el entorno de un cliente, la plataforma despliega su propia IA para escanear el stack tecnológico existente—Salesforce, ServiceNow, Databricks, Workday o un ERP personalizado. El escaneo produce un mapa detallado de esquemas de datos, endpoints de API y activadores de flujo de trabajo. A partir de ese mapa, June identifica automáticamente:
- Campos de datos redundantes o huérfanos que impiden el entrenamiento del modelo
- Contratos de API desalineados que causarían errores en tiempo de ejecución
- Brechas en el flujo de trabajo donde un agente impulsado por LLM podría aportar valor
La plataforma genera entonces un plan de remediación, solicitando al usuario que apruebe acciones de limpieza como la deduplicación de tablas o el establecimiento de canales de datos (data pipelines) seguros. Una vez aprobado, el mismo motor de IA ejecuta los cambios, construye los conectores y despliega el LLM como un servicio gestionado.
En la práctica, el flujo de trabajo reemplaza un compromiso de consultoría de varias semanas con una experiencia de "construcción con un clic" (build-on-click). Los equipos internos pueden iterar en las integraciones sin tener que esperar a ingenieros externos.
Un caso de prueba del mundo real
CMG, un importante prestamista hipotecario de EE. UU., tuvo dificultades para conectar Claude Code —una herramienta de IA conversacional— con su instancia de Salesforce. La consultoría arquitectónica tradicional obligó a la empresa a realizar una serie de reuniones de ida y vuelta, cada una de las cuales añadía semanas de retraso. Tras cambiarse a la plataforma de June, el personal de CMG identificó los puntos exactos de integración, ejecutó la limpieza automatizada y lanzó el LLM en días en lugar de semanas. El resultado: un agente funcional que responde consultas de suscripción de riesgos (underwriting) sin necesidad de un equipo externo de FDE.
Lo que está en juego
El enfoque asume que una IA puede comprender de manera fiable las políticas de gobernanza de datos, las restricciones de seguridad y los requisitos regulatorios de una empresa. Un conector mal configurado podría exponer información sensible de los clientes o provocar fallos en los procesos posteriores (downstream). Los críticos advierten que la integración totalmente automatizada aún podría necesitar una red de seguridad humana, especialmente en sectores fuertemente regulados como las finanzas o la salud.
Efectos dominó en la industria
June surgió del equipo que construyó Bonobo AI y ya ha asegurado 20 millones de dólares en financiación pre-semilla liderada por Time Ventures de Marc Benioff. Este respaldo señala la confianza de los inversores en que la próxima ola de valor de la IA provendrá de software que reduzca la fricción en el despliegue, y no de modelos de tamaños cada vez mayores.
Contrapunto: el factor humano
La automatización no elimina toda la complejidad. Los sistemas heredados (legacy systems) suelen tener personalizaciones no documentadas, y algunos puntos de integración involucran código antiguo que no puede reescribirse sin arriesgar la estabilidad. La plataforma de June puede acelerar la fase de "fontanería" (plumbing), pero las empresas seguirán necesitando expertos en el dominio para validar que las correcciones automatizadas se alineen con las reglas de negocio y los mandatos de cumplimiento.
Qué observar a continuación
- Métricas de adopción: La rotación temprana (churn) y la velocidad con la que las nuevas empresas pasan del piloto a la producción revelarán si la automatización realmente reemplaza a los ingenieros humanos.
- Respuesta regulatoria: A medida que la IA se integre en las funciones comerciales centrales, los reguladores podrían emitir directrices sobre la integración automatizada, especialmente en lo que respecta a la privacidad de los datos.
- Panorama competitivo: Otras startups y proveedores establecidos compiten por agrupar herramientas de despliegue de IA con sus plataformas en la nube. Cómo June diferencie su motor de escaneo y remediación será crítico.
- Transparencia de precios: La comparación de los costes de la plataforma con los honorarios de consultoría tradicionales determinará su atractivo para los CFO preocupados por los costes.
La afirmación de June de automatizar el mundo desordenado y lleno de sistemas heredados del despliegue de IA empresarial es audaz, y los resultados iniciales en CMG sugieren que la tecnología puede reducir semanas de trabajo a solo unos días. Si el modelo puede gestionar de manera constante los casos excepcionales (edge cases) que mantienen en funcionamiento a las firmas de consultoría decidirá si el mercado de la integración de IA realmente pivota de un modelo basado en personas a uno basado en software. Los próximos trimestres dirán si el "build-on-click" se convierte en el nuevo estándar para convertir los LLM en agentes generadores de ingresos.