En esta noticia
La inteligencia artificial (IA) dejó de ser, para muchas empresas, una herramienta utilizada de manera individual para convertirse en una tecnología integrada a productos, servicios y canales de atención. El cambio aparece con claridad en una investigación realizada por la tecnológica Ingenia junto con la Universidad del Salvador (USAL): en un año, la proporción de casos de uso de IA vinculados directamente con productos y clientes pasó del 9,4% al 64,7%.
El estudio, denominado “AI Adoption Playbook”, analizó organizaciones de los sectores de salud, educación, retail, finanzas y consultoría IT, con operaciones en Argentina, Chile, Colombia, Perú y México. La investigación incluyó más de 20 entrevistas a líderes de TI, mandos medios, responsables de operaciones, colaboradores y áreas de soporte, con el objetivo de identificar qué condiciones permiten que la incorporación de IA se sostenga y genere impacto en el negocio.
Los resultados muestran un cambio significativo en el nivel de madurez. En 2025, el 56,6% de los usos correspondía al Nivel 1, asociado con tareas individuales de productividad, como redactar, sintetizar información, documentar reuniones o generar imágenes. En 2026, esa proporción cayó al 5,9%. En paralelo, los usos de Nivel 3 —IA integrada en productos e interacciones con clientes— pasaron del 9,4% al 64,7%.
Pero el salto no fue directamente del asistente personal a la IA que llega al cliente. En el medio aparece el Nivel 2, basado en aplicaciones especializadas para roles y procesos concretos: programación, análisis de datos, soporte, finanzas o procesos creativos. En este estadio hay una menor tolerancia al error y predomina el modelo de “human in the loop”, en el que una persona mantiene la supervisión y validación de los resultados.
La evolución puede leerse, así, como un recorrido: primero la IA ayuda a cada persona en tareas cotidianas; después se incorpora a procesos específicos de la organización; finalmente puede quedar embebida en productos, servicios y canales de contacto con los clientes.
Por qué se aceleró la adopción
Según el estudio de Ingenia y USAL, el fuerte desplazamiento registrado en apenas un año no responde solamente a la aparición de herramientas más potentes. Hay tres elementos que explican la aceleración.
- El primero es la maduración de las capacidades internas. Las organizaciones fueron superando la etapa inicial de aprendizaje y desarrollaron conocimientos sobre prompting, gobernanza y comunidades de práctica.
- El segundo es la evolución del ecosistema de herramientas, especialmente con la llegada de agentes y nuevas formas de integración corporativa, que redujeron los costos y riesgos asociados a implementar IA en procesos reales.
- El tercero es el liderazgo acompañado de resultados rápidos. Los llamados “quick wins” permitieron demostrar valor en proyectos concretos y convertir esa evidencia en mayor respaldo de los ejecutivos e inversiones de carácter estructural.
La conclusión del trabajo es que avanzar hacia niveles más complejos de adopción depende menos de la disponibilidad de una determinada tecnología que de las capacidades que la organización logró acumular. Cuando existe una mirada sistémica, la adopción puede acelerarse; cuando cada área avanza por separado, la inversión tiende a fragmentarse.
Los seis pasos para incorporar IA y lograr impacto en el negocio
A partir de los casos analizados, Ingenia y la USAL plantean una hoja de ruta de seis etapas para llevar la IA desde las primeras pruebas hasta una adopción con impacto concreto en el negocio.
1. Elegir el problema antes que la herramienta
El primer paso no consiste en elegir qué modelo o aplicación utilizar, sino en definir qué problema de negocio se busca resolver. La recomendación es comenzar por casos de uso de alto volumen y bajo costo de error, alineados con los objetivos de la compañía.
La organización también debe establecer desde el comienzo cómo medirá el éxito, combinando dos indicadores: retorno de la inversión (ROI) y adopción. Medir solamente el resultado económico puede ocultar problemas de uso, mientras que medir únicamente la adopción no garantiza que la herramienta genere valor.
2. Poner las reglas antes de escalar
Una vez elegido el caso de uso, llega el momento de establecer las condiciones para que la IA pueda crecer de manera segura: políticas de utilización, criterios éticos, tratamiento de datos, herramientas autorizadas y mecanismos de supervisión.
El estudio plantea que la gobernanza no debería ser vista como un freno, sino como una condición para escalar. Las organizaciones más maduras tienden a crear una Oficina de IA o un equipo con responsabilidad específica para coordinar la transformación y evitar que cada área avance de manera aislada.
3. Preparar a las personas, no solo la tecnología
La incorporación de inteligencia artificial modifica roles y formas de trabajo, por lo que la transformación no puede quedar limitada a la instalación de nuevas herramientas.
El liderazgo tiene un papel central: los responsables de las organizaciones deben involucrarse de manera visible y acompañar el proceso, en lugar de delegarlo exclusivamente en los equipos de tecnología. El estudio también recomienda identificar referentes internos capaces de impulsar la adopción entre sus pares.
Fuente: Freepik
4. Aprender haciendo, no capacitando de más
Las organizaciones con mejores resultados no necesariamente comienzan con grandes programas de capacitación masiva. En cambio, crean espacios para experimentar y aprender a partir de problemas reales.
El estudio señala que algunas empresas llegan a invertir hasta cinco veces más en formar a las personas que en el software. El objetivo no es enseñar una herramienta específica, sino desarrollar capacidades que puedan mantenerse aunque las aplicaciones cambien: fluidez en IA, prompting, pensamiento crítico, validación de resultados, trabajo con agentes, seguridad y colaboración entre personas y sistemas de IA.
5. Rediseñar el trabajo, no automatizarlo tal cual está
Agregar IA a un proceso existente no garantiza una mejora. El valor aparece cuando la organización revisa el flujo completo de trabajo y determina qué tareas puede asumir la tecnología y cuáles deben seguir bajo responsabilidad humana.
En este modelo aparece el concepto de “Cyborg Engineer”: profesionales que dejan de concentrarse exclusivamente en la ejecución para asumir un papel más cercano al diseño, la arquitectura, la supervisión y la toma de decisiones. La IA se convierte en un componente del proceso, pero la validación humana continúa siendo clave.
6. Medir lo que importa
El último paso es establecer un sistema de medición que permita saber si la adopción realmente está generando valor. No alcanza con contabilizar cuántas personas utilizan una herramienta.
El Playbook propone observar, por un lado, indicadores de negocio como productividad, calidad, tiempos, costos, ROI y satisfacción del cliente. Por otro, medir variables relacionadas con las personas y la organización: adopción, confianza, capacidades, colaboración, aprendizaje y liderazgo.
El recorrido que describe la investigación muestra, en definitiva, que el desafío ya no pasa solamente por encontrar una herramienta capaz de hacer una determinada tarea, sino por construir las condiciones para que esa tecnología pueda integrarse a procesos cada vez más complejos y generar un resultado concreto para el negocio.
