La IA, el nuevo ADN de las empresas: cómo se está implementando en la Argentina

A muchos empresarios argentinos los invade esa amarga sensación de que a todos les va bien menos a ellos. No, no es un síntoma de depresión: es la IA. Si uno se guiara por las conversaciones informales, los posteos en redes sociales y los casos de éxito promovidos por los proveedores de esta tecnología, el fallo parece unánime: todos la están usando con un enorme éxito. Pero apenas se posa la lupa sobre la realidad, los datos que emergen difieren mucho de ese panorama eufórico.

Eduardo Levy Yeyati, economista y profesor plenario en la Universidad Di Tella, sostiene que “la brecha entre discurso y realidad es enorme”. La Encuesta Nacional sobre Adopción de IA en Argentina (CEPE-Di Tella y Fundar, agosto-septiembre 2025) detectó que solo el 27,5 por ciento de los trabajadores usa IA para fines laborales, la mayoría de ellos de manera bastante superficial: 71 por ciento lo hace sólo para buscar información, como si fuera “un Google sofisticado”, según el economista. Los usos especializados son marginales: 13,8 por ciento desarrollo de productos, 11,5 por ciento programación y 9,1 por ciento atención al cliente.

Levy Yeyati agrega que, por otra parte, la adopción en el trabajo es bottom-up y no pasa de ser “experimentación individual no institucionalizada”. Acompaña esta aseveración con datos: apenas 16% reporta que existe una estrategia oficial en su organización, 85.6% aprendió por su cuenta, sin capacitación formal y 82,2% usa versiones gratuitas. “No hay que confundir el uso puntual o marginal, que es masivo, con la adopción productiva eficiente, aun lejana”, agrega. “Sin sponsors ejecutivos, sin objetivos medibles, sin rediseño de procesos, las iniciativas son moda corporativa y no resuelven problemas concretos”, concluye.

Fredi Vivas, profesor especializado en IA, autor de los libros Invisible y ¿Cómo piensan las máquinas? y CEO y fundador de Rocking Data, coincide en que “efectivamente en todas las empresas argentinas la mayoría de las personas usan IA, lo admitan o no, con las herramientas elegidas por la empresa o no, bien o no… este uso superficial y la sobreexpectativa que existe respecto de los resultados pueden provocar decepción y desconfianza del poder real de la IA y del trabajo profundo con los datos o tecnologías como machine learning y agéntica”.

Del piloto a la escala

Las razones que hacen que el pasaje del piloto al uso productivo sea cuesta arriba son múltiples. A la ausencia de planificación estratégica ya mencionada, se suma que, según la encuesta de Di Tella, apenas 11,9% de los usuarios declara tener conocimiento avanzado en IA y el 49,3% de quienes no la adoptan citan “falta de conocimiento o dudas sobre su utilidad” como obstáculo principal. Una tercera barrera: las preocupaciones sobre ética y privacidad, mencionadas por el 27 por ciento. “Por último, pero no menos crítico, la calidad de datos: garbage in, garbage out sigue siendo una ley crucial de la IA, sin datos limpios, organizados y accesibles, cualquier piloto está condenado”, explica Levy Yeyati.

“Si los equipos directivos ven esto como magia y no entienden sus potencialidades y desafíos, entonces no van a poder sacarle el jugo: esto no es una disciplina técnica, sino de negocio”, aporta Vivas, quien también destaca algunos errores recurrentes. “La pregunta que deberíamos hacernos no es qué modelo es más avanzado, sino qué problema de negocio queremos resolver y cómo se integra la IA para su aprendizaje y evolución”, sostiene. “La alineación interna pesa más que los algoritmos: muchas compañías ni siquiera logran avanzar en una misma dirección y la estrategia queda encerrada en un PowerPoint, mientras el marketing va por un lado, las ventas por otro y las operaciones toman un camino distinto”.

¿Cómo estamos comparativamente? Levy Yeyati afirma que “la distancia es enorme” con Estados Unidos y el resto de los países desarrollados: allí la IA está integrada en procesos críticos con ecosistemas maduros, mientras que Argentina apenas está saliendo de la fase experimental. En la región, el liderazgo también nos resulta esquivo: el Índice Latinoamericano de Inteligencia Artificial (ILIA), el país ocupa el sexto lugar, detrás de Chile, Brasil, Uruguay, Colombia y Costa Rica. Aun así, comienzan a aparecer casos reales en distintas industrias y en empresas de diferente tamaño que parecerían estar capitalizando el poder teórico detrás de la IA.

Soluciones que te dejan helado

Los beneficios para el negocio que propone la IA incluso pueden provenir de áreas hasta ahora no exploradas. Es el caso del proyecto SNOW, de Aeropuertos Argentina: un dron conducido por dos aviones profesionales que simulan despegues y aterrizajes para verificar el estado de la pista en condiciones climáticas adversas.

“Durante la temporada de invierno, los equipos de operaciones y mantenimiento de los ocho aeropuertos patagónicos luchan contra el hielo y la nieve que se acumulan: esta solución nos permite alcanzar un objetivo clave: garantizar seguridad en la pista”, dijo Daniel Ketchibachian, CEO de Aeropuertos Argentina, durante el evento SAP Now desarrollado en Buenos Aires en agosto del año pasado. “En el 99% de los aeropuertos del mundo esto todavía se hace con camionetas, en circunstancias en que el ojo humano puede no ser suficiente: nosotros dimos un paso adelante”, agregó.

SNOW es operado de manera remota por pilotos profesionales y está equipada con cámaras termográficas e integrado con el sistema de SAP, lo que permite al dron monitorear temperatura ambiente, estado de la superficie, presencia de animales e intrusiones, entregando datos en tiempo real para decidir sobre la apertura o cierre de la pista. Además de garantizar una operación más segura y eficiente, genera un ahorro significativo, ya que el agente descongelante glicol, que suele utilizarse cuando la pista está con hielo, se suministra con los máximos niveles de precisión y con cero desperdicio. La empresa ganó gracias a este desarrollo el Torneo de Innovación SAP - AI Edition 2025 del que participaron diez empresas de Latinoamérica.

Oportunidades a punto de caramelo

Ofrecer propuestas de compra personalizadas en función del comportamiento y las preferencias de cada comercio. Esa es la premisa de TOKIN, la plataforma B2B con IA de Arcor que conecta 250.000 puntos de venta y su red de distribuidores oficiales.

Incorpora un modelo analítico avanzado que examina más de 600 variables, como tamaño del comercio, pronóstico climático (consumo por temporada), desembolso promedio de los clientes en cada compra o cantidad de cajas para cobro. Esos datos los transforma en información accionable para recomendar los productos y los volúmenes más adecuados para cada comercio. Al mismo tiempo, optimiza su capital de trabajo y proyecta la demanda con mayor precisión. También contribuye a ampliar la oferta de productos de distintas categorías de los comercios para que encuentren nuevos consumidores.

“La tecnología no es un fin en sí misma, sino una herramienta para fortalecer vínculos, generar desarrollo y acercar oportunidades reales a cada comercio”, declaró Leandro Farah, gerente de Negocios Digitales e Inteligencia Comercial durante la presentación de la solución. “TOKIN refleja esa visión: una solución concreta que impulsa la evolución del canal tradicional y demuestra que la innovación puede estar al servicio de las personas y ayudar a que cada negocio crezca”, agregó.

Hacer más con lo mismo (o con menos)

Una de las grandes promesas de la IA está vinculada a aumentos de la eficiencia. Es, según las fuentes del mercado, uno de los beneficios más rápidos que puede visualizarse de una inversión en esta tecnología.

Lo puede certificar Waves, gerenciadora de edificios premium en Ciudad de Buenos Aires, entre los que se incluyen las torres ProUrban (el “rulero”) y Pirelli, que utiliza IA generativa y predictiva transversalmente: desde la digitalización inteligente de facturas y gastos mediante OCR avanzado (reconocimiento óptico de caracteres) hasta la conciliación bancaria automatizada. “Necesitábamos escalar la operación sin aumentar proporcionalmente la carga administrativa”, dice Marcos Villanueva, CEO de la compañía. “No buscábamos ‘hacer IA por moda’, sino resolver cuellos de botella reales”, dice.

Cuando la empresa actualizó su plataforma de gestión a la belga Odoo, encontró en la tecnología no code y en la IA embebida la oportunidad que buscaba. “Queríamos que nuestros colaboradores dejaran de ser ‘cargadores de datos’ para pasar a ser analistas de información, al tiempo que nos dimos cuenta que teníamos la capacidad de cruzar datos históricos con algoritmos de predicción, lo que nos permite anticiparnos a las incidencias y alargar la vida útil de nuestros activos”, declara Villanueva. ¿Resultados? Reducción de un 40% en la carga manual de datos en áreas contables y administrativas.

De cara al futuro, se proyecta “desarrollar capacidades de mantenimiento predictivo de las instalaciones de los edificios que gestionamos, a partir de un análisis que realizará el sistema de nuestros registros históricos de fallas y patrones de uso para identificar anomalías antes de que se conviertan en roturas y correctivos”, según Villanueva.

Toda la energía puesta en eso

AXION Energy viene utilizando el análisis avanzado de datos y la IA para cuestiones como fortalecer el control de calidad, la trazabilidad del combustible y la confiabilidad de sus operaciones.

Fusión, por ejemplo, es una plataforma que centraliza y procesa información operativa de la red de estaciones de servicio. Surgió de la necesidad de contar con un monitoreo continuo y homogéneo de la calidad del combustible en el país. A partir de sensores instalados en los tanques, registra niveles, caudales, stocks y eventos de calidad, y detecta anomalías como la presencia de agua o riesgos de separación de fases en las naftas. Ante inconsistencias, emite alertas automáticas que llegan de forma inmediata a los responsables de la estación y al centro de control de la compañía. Se comenzó a implementar en 2018 y en 2025 alcanzó a prácticamente el 100% de la red: más de 600 estaciones de servicio y puntos agro.

En el vínculo con el cliente, “Cliente Virtual” es una solución de entrenamiento que simula interacciones reales con distintos perfiles de consumidores. La herramienta permite a los colaboradores recrear situaciones habituales de una estación de servicio, desde clientes apurados o indecisos hasta aquellos que requieren recomendaciones o asistencia específica. Opera dentro de AXION Campus, la plataforma de formación de la compañía. Analiza las respuestas, identifica oportunidades de mejora y entrega feedback personalizado para ajustar el desempeño individual y fortalecer competencias.

Por otra parte, en la Refinería Campana se utiliza para detección anticipada de fallas en sus procesos productivos, a partir de la digitalización de las operaciones y la medición de múltiples variables. Estos desarrollos permiten identificar anomalías y predecir posibles inconvenientes antes de que ocurran, mejorando la confiabilidad de las instalaciones y la gestión del mantenimiento. “Pasamos de un control reactivo a uno predictivo para garantizar la calidad del combustible y la confiabilidad de nuestras operaciones en toda la cadena, desde la refinería hasta el cliente final”, dijo sobre la última Santiago Caló, gerente de Planificación operativa y Control de gestión de la Refinería Campana.

Para moverte mejor

La experiencia del empleado también puede mejorar sustancialmente de la mano de IA.

En esta línea, la app de movilidad Cabify desarrolló internamente AI Driver Assistant para ayudar a los conductores en sus primeros meses, “que suelen ser los más complicados”, según explica Manuel Machado, responsable de crecimiento para Argentina y Uruguay de la empresa.

Es un asistente de voz que permite conocer en tiempo real las ubicaciones que generan mayor actividad cerca de su zona o en barrios y municipios cercanos, información sobre eventos masivos que impliquen una mayor demanda de servicios o consejos para optimizar su jornada y reducir el tiempo sin pasajeros, entre otras funcionalidades. La herramienta también permite programar rutinas de manejo diarias o semanales, considerando los objetivos de cada profesional, sus preferencias de zonas y las condiciones del mercado.

La implementación comenzó en junio de 2025 y Argentina fue el primer país donde se puso en funcionamiento este desarrollo. “Los tests que realizamos hasta el momento son prometedores: los conductores que utilizan la solución de manera habitual reciben en torno a un 15% más de viajes y generan un 17% más de ingresos que el resto de conductores que no utilizan esta herramienta, a pesar de tenerla disponible”, afirma Machado.

Conclusiones sin alucinaciones

Otra de las ventajas que suele señalarse a la hora de enumerar cómo la IA está revolucionando el mundo de los negocios es la capacidad de aprovechar al máximo los datos disponibles.

Con esto en mente, Credicuotas, fintech especializada en préstamos, apostó por la técnica avanzada conocida como RAG (retrieval-augmented generation): consiste en combinar la potencia de los grandes modelos de lenguaje con la precisión y el contexto de los datos internos. “Logramos optimizar la forma en que consultamos, entendemos y aplicamos la información: esto acelera la toma de decisiones y mejora la personalización de nuestros productos”, dice Ramiro Di Paolo, gerente de crecimiento de Credicuotas.

En lugar de confiar solo en el conocimiento general de una IA, RAG hace que el modelo “lea” los manuales, normativas y bases de datos específicas de la empresa antes de responder. Esto elimina ‘alucinaciones’, un aspecto clave en el sector financiero y democratiza el conocimiento interno. Al integrarse en la solución la información interna, se eliminan los silos, y se accede a todo el contenido de forma conversacional, lo que mejora la eficiencia operativa. Pero además, impacta en el negocio.

“Al entender el contexto completo del cliente en tiempo real, se puede pasar de una atención genérica a una hiperpersonalización, lo que aumenta la conversión y la fidelidad”, afirma Di Paolo.

Llamame al de marketing

La empresa Natura, multinacional de cosméticos fundada en 1969, necesitaba analizar y escalar un alto volumen de videos en múltiples mercados, para garantizar que cada uno aportara resultados medibles y consistentes.

Con ese objetivo, utiliza ABCD Detector, creada por CSA, empresa especializada en ciencia y consultoría de datos, parte del Grupo Havas. La herramienta es autogestionable y permite evaluar cuatro variables clave: atención, branding, conexión y dirección (ABCD). Integra diversas soluciones de Google, como Gemini, Cloud Run, BigQuery y la API de Ads. Automatiza el análisis de videos, analiza métricas como VTR (tasa de personas que ven un video completo) y CTR (tasa de aquellos que hacen clic al finalizar en el llamado del video), y genera recomendaciones creativas accionables. Según datos de la compañía, el VTR aumentó un 76,5% y el costo por vista está un 23,6% por debajo de lo planificado.

“Nos permite evaluar los contenidos e implementar las mejores prácticas de manera muy ágil y, además, es muy fácil de utilizar e interpretar”, explica Tatiana Moreno, coordinadora regional de paid media en Natura.

La IA como mirada estratégica

Life Seguros, con más de 9,7 millones de clientes individuales y 2766 empresas, primera en el ranking de seguros de vida personas de la Argentina y parte del Grupo ST, decidió automatizar el proceso de siniestros. La solución utiliza computer vision para leer la documentación, interpretar la información y traducirla a tablas accionables. Luego, estos datos avanzan a un proceso de machine learning, donde se analiza predictivamente la posibilidad de que la denuncia sea fraudulenta. Si todo está correcto, obtiene información adicional según las variables de la póliza y toma decisiones según un motor de reglas, realizando el pago de manera automática o derivando a un analista si se trata de un caso complejo. En paralelo, los dashboards de los analistas realizan un monitoreo continuo de las decisiones, lo que permite a la empresa incluso entender variables que entraron en consideración que antes no solían ser contempladas.

“Nos pusimos como objetivos minimizar la fricción para el cliente y, en esta instancia, estimamos que el 15% de las transacciones se resolverían por este producto de datos, pero logramos llegar al 30% y la cifra continúa aumentando”, señala Paola Feller, directora de transformación digital e IA de Grupo ST. Otros beneficios: mejora del índice de satisfacción de los clientes a lo largo del seguimiento del siniestro, reducción del tiempo promedio de procesamiento y mejora en la detección de casos con fraude.

Sin embargo, no se trata de un proyecto aislado: el grupo en su conjunto está desarrollando una estrategia de datos y, para acelerarla, cerró un partnership con la empresa especializada Rocking Data. “Hablar de IA es hablar de cultura, de people, de infraestructura y de tecnología, y es también capitalizar viejos temas que ya se vienen escuchando desde hace mucho, como machine learning, es una gran oportunidad, pero no se trata de saltar porque sí, sino de hacerlo de manera estratégica, organizacional, entendiendo que habrá prueba y error, pero buscando equivocarnos lo menos posible”, señala Feller.

Transversal, reutilizable y gobernada

“Si bien la compañía ya utilizaba IA tradicional hace tiempo, el último año marcó un punto de inflexión: el paso de iniciativas aisladas a un modelo de industrialización de la IA generativa a escala”, dice Cristian Deferrari, responsable de Infraestructura en la fintech argentina Naranja X. ¿El disparador? Aprovechar a nivel organizacional los resultados que se vislumbraron rápidamente: reducción de tiempos operativos, mejora en la calidad de respuestas y simplificación de tareas repetitivas. “El verdadero salto llegó cuando dejamos de pensar en ‘casos sueltos’ y avanzamos hacia una capacidad transversal, reutilizable y gobernada”, señala Deferrari.

La estrategia de basó en tres pilares: un Center for Enablement (C4E) como puente entre negocio, tecnología y seguridad, la plataforma self-service Khatu GenAI Services (KGS), para crear y operar agentes en minutos y la formación de las personas.

En el último año, la empresa registró 29 iniciativas de GenAI transversales en producción, 27.446 horas de eficiencia acumuladas (equivalentes a US$ 1,3 millones), 301 agentes creados, ciclos de creación hasta 200 veces más rápidos y 98% de optimización de costos asociados al proceso.

“La evolución se apoyó en un enfoque compliance-first, con gobierno centralizado, evaluación continua de calidad, guardrails de contenido y observabilidad end-to-end, para escalar innovación sin depender de excepciones ni proyectos aislados”, afirma Deferrari. El próximo paso: ecosistemas de agentes capaces de interactuar entre sí y con procesos internos, integrados a flujos operativos reales.

“El verdadero valor de la IA generativa no está en adoptarla, sino en convertirla en una capacidad industrial, con velocidad, control y resultados medibles: ese equilibrio se transforma en un diferencial competitivo tangible”, concluye Deferrari.

Una de superhéroes

“Más que resolver un problema puntual, se buscó instalar un nuevo paradigma de trabajo AI first, donde la primera pregunta frente a cualquier desafío sea cómo la IA puede ayudar a resolverlo mejor”, relata Pablo Scoglio, vicepresidente de Desarrollo de productos en Modo, la billetera virtual de los principales bancos argentinos.

En una primera etapa, cuando las soluciones enterprise de IA aún no estaban maduras ni bien integradas a los entornos corporativos, se desarrolló una solución interna para experimentar, aprender y construir capacidades propias, además de acelerar la adopción dentro de los equipos. Se llamó “Jarvis”, como el asistente digital de Iron Man, y, según Scoglio, “fue clave para validar el impacto del modelo, incorporar la IA en los flujos cotidianos de trabajo y sentar las bases culturales y operativas del enfoque actual”.

Los resultados del proyecto se reflejan en mejoras operativas y en un cambio en la forma de trabajar. “En términos cuantitativos, permitió reducir de manera significativa los tiempos de ejecución en áreas clave como marketing, diseño, legales, UX y product management, liberando más de 30 horas mensuales solo en el armado y ejecución de campañas”, según Scoglio. En equipos técnicos, aportó mejoras en la cobertura de tests, detección temprana de errores, validación de desarrollos y una mayor autonomía.

“Más allá de los indicadores duros, el impacto más relevante fue cultural. Hoy, la IA está integrada como una capacidad estructural del negocio”, concluye Scoglio.