Kiren Kumar, director ejecutivo adjunto de la Autoridad de Desarrollo de Medios e Infocomunicaciones (IMDA) de Singapur, sostiene que regular la IA demasiado pronto es un error que frena el crecimiento digital y dificulta la innovación antes de que se desarrolle por completo. En lugar de una legislación rígida, la IMDA trata la confianza regulatoria como un activo económico, co-creando entornos de pruebas voluntarios con empresas tecnológicas para guiar el comportamiento de forma orgánica. Kumar enfatiza: «No creemos que regularla ahora sea la respuesta». El enfoque de Singapur aprovecha su reputación global de estabilidad, construida a lo largo de décadas en aeroespacial y semiconductores, como base para posicionarse como un campo de pruebas seguro para las industrias emergentes de IA.
Filosofía regulatoria: la confianza como activo económico
Singapur rechaza deliberadamente ambos extremos regulatorios. En lugar de promulgar leyes rígidas, la IMDA construye entornos de pruebas voluntarios para orientar el comportamiento corporativo antes de que las infracciones se conviertan en una crisis.
Kumar señala que la marca de Singapur depende por completo de la confianza. La nación se posiciona como un campo de pruebas seguro para industrias emergentes trabajando directamente con las empresas para construir marcos de gobernanza. «Algunos países regulan la tecnología; otros no», dice Kumar, señalando el enfoque intermedio de la IMDA.
Traducción de políticas: del marco al código
Para que los marcos de gobernanza sean útiles, la política debe traducirse en código real. La IMDA lanzó herramientas de prueba como Moonshot, que permiten a los desarrolladores evaluar sus modelos frente a los marcos de gobernanza antes del despliegue. Los resultados se publican después para educar al ecosistema global.
IA agentiva: nuevos riesgos requieren replantear la gobernanza
Este enfoque colaborativo enfrenta tensiones por el auge de la IA agentiva—software autónomo que ejecuta planes de varios pasos sin aprobación humana. Kumar explica que, como la IA agentiva puede razonar y actuar sin necesidad de intervención humana, introduce nuevos riesgos en materia de seguridad y fiabilidad que las leyes estáticas no pueden abordar de manera efectiva.
«Con sistemas [agentic], vas a tener múltiples agentes trabajando juntos, y creo que entonces necesitamos replantear cómo planteamos el marco de gobernanza del modelo», dice Kumar, subrayando que la supervisión debe construirse en torno a casos de uso de múltiples agentes.
Seguridad en producción: parches continuos después del lanzamiento
Pasar la IA de programas piloto a producción en vivo es donde los errores se vuelven críticos. Kumar prevé y exige parches continuos después del lanzamiento. «El modelo mental es que habrá errores, habrá equivocaciones», argumenta.
La clave para sobrevivir es contar con un mecanismo y una respuesta empresarial listos para actualizar y ajustar continuamente los sistemas incluso después de que lleguen al público. Conectar modelos inteligentes con bases de datos heredadas es precisamente donde ocurren filtraciones de datos y brechas de seguridad. Kumar cree que las empresas «necesitan un entorno de pruebas» para garantizar que sus datos, arquitectura y conexiones de software se gestionen de forma segura y fiable antes de poner los sistemas en producción.
Les insta a los consejos a tratar el despliegue de software como ingeniería física: «Del piloto a la producción no es diferente a cómo un fabricante de motores prueba sus motores antes de ponerlos en un avión».
Liderazgo y talento: las barreras finales
Los ejecutivos indecisos y la escasez global de talento especializado siguen siendo barreras para la adopción de IA. «Esto es una cuestión de liderazgo», dice Kumar, señalando que el impulso de un ejecutivo para forzar el cambio organizacional importa más que la política gubernamental.
Esta brecha se ve agravada por la falta de recursos técnicos. Muchas empresas de tamaño medio y pequeño entienden sus dominios de negocio, pero carecen de equipos internos para construir y desplegar soluciones de IA personalizadas. Como resultado, «los ingenieros desplegados en campo se están convirtiendo en un recurso escaso a nivel global, porque necesitan trabajar mano a mano con el cliente, entender el flujo de trabajo y desplegar la tecnología».
Estrategia de despliegue de Singapur
Para superar la escasez de talento, Singapur ignora la carrera por construir modelos de frontera desde cero. En cambio, el país importa algoritmos globales y los despliega en industrias altamente reguladas.
Kumar sostiene: «Creemos firmemente que Singapur está posicionado para desplegar estas tecnologías a escala de manera responsable y confiable».
La IMDA identificó la manufactura avanzada, las finanzas, la conectividad y la salud como objetivos principales. Debido a que el fracaso en estos ámbitos es costoso, exigen un listón más alto de confianza, fiabilidad y criterio humano.
Más allá de la eficiencia: lograr la transformación del negocio
Sobrevivir al cambio impulsado por la IA requiere más que recortar costos de forma menor. «Muchos de estos pilotos están… [diseñados para] impulsar la productividad en un 10% a 20%… lo cual es valioso. Pero ¿cómo llegamos a 10x?», pregunta Kumar.
Alcanzar ese multiplicador exige transformar el flujo de trabajo del negocio para crear productos y servicios completamente nuevos.
Recapacitación de la fuerza laboral: de la teoría a tareas diarias
Para lograr esta transformación, la tecnología debe salir del departamento de ingeniería y pasar a manos de trabajadores comunes. Kumar argumenta que el verdadero valor económico solo se desbloquea cuando profesionales de todos los días—desde abogados hasta mercadólogos y personal de RR. HH.—reciben autonomía para integrar la IA en sus rutinas diarias.
Para impulsar la adopción, Singapur lanzó una iniciativa nacional para capacitar a 100.000 trabajadores. En lugar de ofrecer clases abstractas de ciencias de la computación, el programa se centra en «cursos en línea y certificación para sus flujos de trabajo particulares… Es capacitación en el trabajo; es contextual, no teórica».
Este enfoque se extiende a estudiantes del último año, que se inscriben en los mismos programas que los profesionales en activo. La meta es cerrar la brecha «y lograr que estén listos para el trabajo o listos para la IA».
Contexto más amplio
La cautela de Kumar contra regular la IA demasiado pronto refleja una filosofía que difiere de la dirección regulatoria global. La Ley de IA (AI Act) de la UE ya establece obligaciones vinculantes basadas en riesgos para desarrolladores y desplegadores de IA, mientras que los estados miembros de la UE deben establecer entornos de pruebas regulatorios de IA bajo esa ley. Esto sugiere que los entornos de pruebas son útiles como complemento de reglas estrictas, no como sustituto de la legislación.
La encuesta State of AI de McKinsey de 2025 encontró que la adopción de IA está muy extendida, pero la mayoría de las organizaciones aún lucha por pasar de pilotos a impacto escalado. Su informe de IA en el lugar de trabajo de 2025 halló que solo el 1% de las empresas se describe como madura en el despliegue de IA, lo que sugiere que importa la infraestructura de confianza, pero el liderazgo, los modelos operativos, la preparación de datos y el rediseño de flujos de trabajo siguen siendo cuellos de botella más grandes para muchas firmas.
El enfoque de Kumar en ingenieros desplegados en campo también apunta a una limitación que la política no puede resolver rápidamente. Business Insider informó en mayo de 2026 que los anuncios de trabajo de ingenieros desplegados en campo aumentaron un 729% respecto al año anterior, lo que refleja una demanda en aumento de personas capaces de traducir la IA en flujos de trabajo reales para empresas.
