Hace dos semanas me reuní con un CEO de una empresa retail. Llevaba cinco meses implementando agentes de IA. Me dijo que algo andaba mal, pero no sabía qué.

Cuando le pregunté cómo iban las cosas, me describió diferentes conversaciones que tenía cada semana. Con el área de negocio todo venía bien: reuniones puntuales, KPIs en construcción, entusiasmo genuino por hacer más. Con TI y datos también bien: métricas de adopción subiendo, exigencias técnicas cada vez más sofisticadas. Y él, en el centro, escuchando los reportes.

Entonces me dijo algo que no suelo olvidar: “Percibo que si apago los agentes mañana, no pasa nada con mi negocio.”

Cinco meses. Varios equipos. Cero señales de alarma. Y un CEO con la intuición de que estaba pagando por algo que no existía todavía.

Le hice una pregunta algo así: ¿qué tiene que ser verdad en tu operación para que apagar los agentes sí duela?

Hubo un silencio. No porque no supiera la respuesta. Sino porque nadie, ni el área de negocio, ni TI, ni datos se la había formulado de esa forma. Cada equipo medía lo suyo. Nadie medía si el negocio dependía del agente y si algo se estaba transformando.

Ese es el problema que este artículo intenta nombrar. No es un problema técnico. No es un problema de implementación. Es un problema de pregunta: la que no se hace antes de firmar el contrato, la que no aparece en los KPIs de adopción, la que finalmente llega en una llamada de alarma a los cinco meses.

¿Cuándo veo los resultados?

La pregunta correcta es más incómoda: ¿qué significa “resultados” para esta empresa, y qué modelo de contrato obliga al proveedor a co-responsabilizarse de alcanzarlos?

¿Cuándo exactamente? Tres respuestas para la misma pregunta

El CEO no era el único. Cuando una empresa implementa un agente de IA o inicia su transformación hacia una empresa agéntica, hay varias audiencias que observan el mismo proyecto y todas miden “resultados” de forma distinta. El problema no es técnico: es que nadie en la propuesta o en el viaje les ha dicho a cuál de las preguntas están respondiendo.

La literatura de productos SaaS formalizó el concepto de Time to First Value (TTFV) para medir el tiempo desde el inicio de un contrato hasta el primer resultado medible para el cliente. Aplicado a agentes de IA en contexto enterprise, el marco se vuelve más preciso y más revelador al distinguir tres momentos:

1. TTFV Time to First Value — primer resultado autónomo

El primer ticket resuelto sin intervención humana, la primera cita agendada, el primer lead calificado. Puede ocurrir antes de que el sistema esté en producción plena. No confirma que el proyecto funciona de forma sostenida, confirma que el concepto es viable en el entorno real de la empresa.

2. TTV-Op Time to Operational Value — fin del modo piloto

El punto donde el agente maneja volumen real de forma consistente y sin supervisión activa. Con datos reales, con integraciones rales. Es aquí donde la empresa puede reasignar las tareas del recurso humano que el agente reemplaza y donde el ahorro aparece en el P&L. Equivale al final del período de implementación documentado en los rangos por modelo.

3. TTV-ROI Time to ROI Breakeven — inversión recuperada

El momento donde el ahorro acumulado supera la inversión acumulada: implementación + suscripción + ingeniería. En el escenario base de 50,000 conversaciones/mes que analizamos más adelante, este punto ocurre entre el mes 4 y el mes 14, dependiendo del modelo de precio y la velocidad de adopción interna.

Estos tres conceptos son muy relevantes y no necesariamente secuenciales. Como puse en los ejemplos, en este caso, el tema era más retador. El ROI se dio en 6 semanas por reducción de costos, sin embargo, el TTV operacional esperado era conversión por ventas de un x% del total de ventas que aún no llega y el TTFV era cotizar en 6 semanas. Se había cumplido con el TTV ROI, se cotizó cumpliendo el TTFV, pero no convertía en los volúmenes esperados o proyectados. NO CUMPLÍA LA EXPECTATIVA del CEO.

Comienza el desafío. No sé aún en qué terminará la historia. Lo cierto es que me llevó a leer, investigar y escribir. Si algún dato no concuerda o es sujeto a corrección, bienvenido, la idea es generar la discusión.

El camino a los Resultados con IA

¿Qué vemos en el mercado estos últimos años?¿Cómo alineamos la necesidad de las empresas con la oferta?

Aquí comienzo aterizando algunos conceptos sobre los modelo de precios de la IA para agentes. El detalle importa porque cada modelo de precio crea una brecha de valor diferente: el período donde la empresa ya está pagando pero todavía no está recibiendo valor operacional.

¿Cuántos proyectos de agentes tienen meses sin dar resultados? Por eso, mi primera recomendación hoy es que dejemos de hacer pilotos, hagamos MVP donde encontramos los problemas reales en datos y talento.

El TTFV ocurre una sola vez, es la primera chispa, la prueba de que el agente funciona en producción real. Pero los puntos TTV pueden ser múltiples y simultáneos: cada área de negocio define “valor” de forma distinta. Operaciones mide cuándo puede redistribuir su equipo. Finanzas mide cuándo la inversión se recupera. El mismo proyecto, la misma semana de go-live, genera dos relojes TTV distintos que no tienen por qué coincidir.

Aquí comienzo con un ejemplo de una empresa financiera que usaré de base como ejemplo a lo largo del artículo. En el gráfico muestro un escenario común con tiempos estimados. Cualquier coincidencia es pura casualidad.

La brecha de valor es un costo que no aparece en ninguna propuesta

En el escenario de 50,000 conversaciones/mes (ahorro proyectado: US$180,000–US$270,000 mensuales), cada semana sin valor operacional cuesta entre US$45,000 y US$67,500 en beneficio no capturado. Un proyecto de Tokens + Ingeniería con 16–20 semanas antes de TTV-Operacional acumula entre US$720,000 y US$1,350,000 en valor no capturado antes de que el agente funcione de forma autónoma. Ese número no aparece en el Excel de TCO que el proveedor prepara para la propuesta.

El desafío es el modelo de resultados que tiene brecha de valor cero estructural: el primer dólar pagado o crédito consumido corresponde al primer resultado entregado. La brecha de implementación (10–16 semanas) existe, pero durante ese período la empresa no está pagando al proveedor o no está consumiendo créditos, la inversión es interna. El proveedor tampoco cobra hasta que demuestra que puede entregar.

Quise poner como ejemplo mi experiencia en estos meses. Esta lectura reenmarca el comparativo Hyperscaler X vs. Salesforce que encontrará más adelante en este artículo. La ventaja de Salesforce Agentforce de 10–20 semanas de implementación más rápida es, en términos de TTV, un adelanto de entre US$450,000 y US$1,350,000 en valor capturado, equivalente a lo que el análisis de costo de oportunidad documenta más adelante. Pagar un precio unitario más alto puede estar comprando, en parte, una compresión deliberada del TTFV.

El hallazgo de Kyle Poyar sobre la compresión del ciclo de pricing a 6 meses tiene un correlato directo en TTV: si las empresas reevalúan contratos cada seis meses, un proveedor cuyo TTV-ROI se alcanza en el mes 8 enfrenta la conversación de renovación antes de que el cliente haya experimentado retorno positivo neto. Ese es el escenario donde se producen los churns, no por producto deficiente, sino por desalineación entre horizonte de valor y ciclo comercial. El TTFV no es solo una métrica de implementación: es una variable de retención.

La pregunta que debe hacer antes de firmar

“¿En qué fecha exacta esperamos el primer resultado autónomo medible y qué condiciones de datos e integración necesitan estar en orden para que eso ocurra?”

La respuesta define el TTFV real, no el del deck del proveedor. Si el proveedor no puede responderla con precisión, probablemente tampoco ha internalizado el riesgo operativo que está asumiendo. En un modelo de resultados, esa respuesta es la base del contrato. En cualquier otro modelo, es la pregunta que nadie le hará, hasta que ya firmó.

Ejemplos de Casos de Uso

SERVICIO AL CLIENTE

MARKETING

VENTAS

El patrón que emerge: B2C es consistentemente más rápido porque el problema está más acotado, el volumen da señal estadística rápida, y la atribución es directa. B2B se ralentiza en cada punto, no por el agente, sino por los ciclos del negocio.

Semanas hasta producción plena por modelo de precio

El tiempo hasta el primer resultado autónomo (TTFV) y hasta producción plena varía significativamente según el modelo. Resultados llega a producción en la mitad del tiempo que Tokens + Ingeniería.

Estimaciones para servicio al cliente B2B, 50k conversaciones/mes. TTFV = primer ticket resuelto autónomamente. Producción plena = cobertura sostenida ≥ 80 % del volumen objetivo.

Los cuatro contratos y lo que cada uno promete sobre el “¿cuándo?”

La respuesta al “¿cuándo?” depende, antes que nada, del contrato que firmó. No del modelo de IA. No del proveedor. Del modelo de precio.

Hasta hoy he visto que existen cuatro formas de pagar por un agente de IA empresarial. Cada una distribuye el riesgo de forma diferente y cada una lleva implícita una fecha distinta del “¿cuándo?”. Esa fecha rara vez aparece escrita en la propuesta, pero determina el Time to Value más que cualquier característica técnica del sistema.

Por qué el CFO siempre pregunta cuándo, no cómo

Según McKinsey (State of AI 2025), las empresas líderes en IA generan 3 a 5 veces más retorno en ingresos que las que aún están en fase experimental. El principal obstáculo no es la tecnología, es la incapacidad de demostrar ROI medible frente a la junta directiva, y la mayoría de los proyectos siguen pagando por capacidad en lugar de por resultados.

Tokens = pagar por el esfuerzo, no por el valor. Es como pagarle a un constructor por cada ladrillo que mueve, sin saber si terminará la casa. Facturas impredecibles. ROI imposible de demostrar. Ciclos de aprobación interminables.

¿Qué es un token? — La unidad de consumo detrás de cada precio

Un token es el fragmento mínimo de texto que procesa un modelo de lenguaje de IA. No es exactamente una palabra ni un carácter: en español, una palabra promedio equivale a 1.5–2 tokens. Regla práctica: 1,000 tokens ≈ 750 palabras, unas cinco páginas de conversación de chat. Cada vez que el agente recibe un mensaje (tokens de entrada) y genera una respuesta (tokens de salida), ambos se facturan por separado.

El precio se cotiza en “costo por millón de tokens” (US$/1M tok). Para una empresa con 50,000 conversaciones de soporte al mes, cinco turnos de diálogo, contexto incluido, el consumo total ronda los 75–150 millones de tokens al mes. Con modelos eficientes de bajo costo, eso representa menos de US$20 en inferencia pura.

Y aquí está la trampa cognitiva que muchos vendedores aprovechan: el token es barato; lo caro es todo lo que lo rodea. El caso real de producción validado en este artículo (200,000 conversaciones en Hyperscaler X) muestra que la inferencia LLM cuesta US$840/mes, menos del 40% del total de infraestructura, mientras que el equipo de ingeniería que mantiene el sistema cuesta aproximadamente US$20,000–22,000/mes adicionales. Escalar tokens es barato; escalar el conocimiento que hace que esos tokens sean útiles, no lo es.

Qué significa en la práctica pagar por cada modelo

La definición contractual de cada modelo es simple. La realidad en una empresa con datos fragmentados, silos organizacionales y múltiples aplicaciones sin conectar es otra cosa.

1. Tokens + Ingeniería

Pagas por cada fragmento de texto que el modelo procesa más el equipo que lo conecta a tus sistemas.

Qué se factura: tokens de entrada (contexto + historial + datos) + tokens de salida (respuesta del agente) + costo del equipo técnico que construye y mantiene las integraciones.

En una empresa típica

Cada sistema que el agente necesita consultar, CRM, ERP, base de conocimiento, sistema de tickets requiere una integración propia. En una organización con cinco sistemas no conectados, la factura de tokens es marginal. El costo real son, por ejemplo, los 10 ingenieros que construyen y mantienen esos puentes.

• Datos fragmentados: el agente solo sabe lo que puede leer. Si la información de un cliente está repartida entre Salesforce, SAP y una base local, necesitas pipelines de datos antes de escribir una línea de lógica del agente.

• Silos organizacionales: el equipo de TI controla las APIs, el equipo de negocio define los flujos, el equipo de datos gestiona el contexto. Sin un sponsor ejecutivo que rompa esa fricción, los 10 FTEs pasan meses coordinando permisos.

• Sistemas desconectados: cada integración nueva es un proyecto de varias semanas. Añadir un canal o una fuente de datos en producción puede ralentizar el roadmap 2–3 meses.

2. Mensajes / Conversaciones

Pagas por cada conversación que se inicia, independientemente de si termina en resolución.

Qué se factura: cada sesión de chat o voz que el agente abre con un usuario, desde el primer mensaje hasta el cierre del canal, resuelta o no.

En una empresa típica

El agente inicia la conversación, detecta que el dato necesario está en un sistema al que no tiene acceso y escala al canal humano. La empresa ya pagó por esa conversación. En entornos con silos de datos, esto puede representar el 30–40 % de las interacciones.

• Datos fragmentados: si el historial de pedidos está en un sistema y el estado de crédito en otro, el agente puede responder solo la mitad de las consultas, pero factura el 100 % de las conversaciones.

• Silos organizacionales: marketing define los flujos de entrada, servicio al cliente gestiona la escalación, TI controla los conectores. Cuando no están alineados, el agente conversa mucho y resuelve poco.

• Sistemas desconectados: el usuario que llega por WhatsApp, email y chat web puede ser el mismo cliente con tres conversaciones facturadas porque los canales no comparten contexto.

3. Acciones

Pagas por cada paso que ejecuta el agente: cada consulta, cada actualización, cada decisión intermedia.

Qué se factura: cada herramienta que invoca el agente: lectura de un registro, llamada a una API, actualización de un campo, envío de un mensaje. Un ticket resuelto puede consumir 5–15 acciones.

En una empresa típica

Resolver un ticket de soporte puede implicar: leer el perfil del cliente (1), consultar el estado del pedido (2), verificar la política de devoluciones en la base de conocimiento (3), actualizar el ticket (4), enviar confirmación (5). Si el sistema de pedidos falla a mitad del flujo, las tres primeras acciones ya se facturaron sin resolver nada.

• Datos fragmentados: cuantas más fuentes necesita el agente para responder, más acciones de lectura se acumulan en cada interacción. Un agente que integra cinco sistemas puede gastar 8 acciones antes de dar la respuesta.

• Silos organizacionales: los equipos tienden a no compartir APIs bien documentadas. El agente accede a sistemas legacy vía web scraping o llamadas encadenadas, multiplicando el conteo de acciones.

• Sistemas desconectados: si no hay una capa de orquestación central, el agente llama secuencialmente a cada sistema: tiempo de respuesta alto, acciones elevadas, experiencia del usuario lenta.

4. Resultados / Resoluciones

Pagas solo cuando el resultado acordado se confirma. El riesgo de fallo lo absorbe el proveedor.

Qué se factura: únicamente los casos en que el agente entrega el resultado definido contractualmente: ticket cerrado, cita agendada, venta completada, verificado de forma autónoma o con confirmación del usuario.

En una empresa típica

El riesgo no desaparece, se traslada a la definición contractual del resultado. ¿Qué cuenta como “resuelto”? ¿El usuario que cerró el chat sin confirmar, resolvió o abandonó? En empresas con procesos no estandarizados, esa definición puede convertirse en el punto de fricción más costoso del contrato.

• Datos fragmentados: el proveedor necesita acceso a los datos para saber si el resultado ocurrió. Si la confirmación vive en un sistema al que no tiene visibilidad, la verificación del resultado se vuelve manual o disputable.

• Silos organizacionales: el área de negocio define “éxito” de una forma; el área de operaciones lo mide de otra. Sin un KPI acordado entre las partes antes del contrato, aparecen disputas mensuales sobre qué tickets cuentan.

• Sistemas desconectados: si el flujo post-resolución cruza varios sistemas (ticket cerrado en CRM, pero la notificación va por email y el registro queda en un ERP), el proveedor puede argumentar resolución parcial para no facturar, o facturar aunque el proceso no esté completo.

La complejidad no es del modelo de precios, es de la arquitectura de datos e información de tu empresa. El modelo de precios solo decide quién la absorbe.

Cómo llegamos aquí: cuatro generaciones en menos de cuatro años

El mercado recorrió cuatro generaciones en menos de cuatro años:

“El 40% de las aplicaciones enterprise incorporarán componentes de pago por resultado para finales de 2026. El mercado no está especulando, está ejecutando.”

Gartner, Hype Cycle for AI, 2025

El precio de la IA ya no dura 18 meses. Ahora caduca en 6.

Kyle Poyar, referente en estrategia de monetización para más de 100 empresas SaaS y de IA en 2025–2026, describe la ansiedad de precio más alta que ha observado en su carrera. La causa: el ritmo de cambio en los modelos de IA ha comprimido el ciclo de vida de cualquier decisión de pricing. Las empresas que no lo revisen con esa frecuencia firman contratos sobre supuestos que ya no existen.

Evolución del modelo de precio en IA empresarial — 2021 a 2026

¿Por qué ahora? La aceleración del mercado

Cualquier CIO que lea esto se preguntará: ¿por qué los proveedores están dispuestos a asumir el riesgo del resultado hoy, y no hace tres años? La respuesta podría ser geopolítica y económica al mismo tiempo.

• Enero 20, 2025 el modelo chino de IA lanza públicamente el modelo chino Deepseek R1, un modelo de razonamiento comparable a los modelos frontier occidentales en benchmarks estándar. Costo de entrenamiento reportado de el modelo chino: US$5.6 millones en cómputo, frente a los cientos de millones que los líderes del mercado invierten en sus modelos equivalentes.

• Enero 27, 2025 El “momento Sputnik” llega a Wall Street. Las acciones de el principal fabricante de chips para IA caen 17% en un solo día, borrando casi US$600 mil millones en capitalización de mercado. El mercado interpreta el mensaje: si el modelo puede fabricarse en China a una fracción del costo, el monopolio de la materia prima está amenazado.

• Febrero — Junio 2025 Plataformas de desarrollo reportan que modelos chinos pasan del 1% a más del 17% del tráfico de inferencia en semanas. el modelo chino de IA, modelos chinos de IA (conglomerado chino de tecnología) y modelo chino (laboratorio chino de IA) se posicionan a meses, no años, de los modelos frontier occidentales, a una fracción del precio.

• 2025 — 2026 La deflación del modelo llega al mercado enterprise. Si el “cerebro” de la IA cuesta centavos, el argumento de cobrar por tokens colapsa. El margen del proveedor migra hacia la orquestación, la integración y decisivamente la garantía del resultado.

La conclusión para el ejecutivo

Si la inteligencia bruta es casi gratuita, el valor real, lo que las empresas pagan, está en las “manos”: la capacidad del agente para integrarse con los datos privados de la empresa y ejecutar acciones sin equivocarse. Eso cambia la ecuación de precio de raíz.

El eslabón invisible: el contexto como condición del resultado

Aquí está la pregunta que los vendedores de modelos de precio por resultado prefieren no responder en la demo: ¿qué pasa cuando el agente falla porque le faltó información?

En un artículo anterior exploré este problema con más profundidad “50 años guardando datos, cero contexto” con una premisa incómoda: las empresas llevan décadas acumulando datos, pero rara vez han invertido con la misma disciplina en entregar contexto al momento correcto y en el formato correcto. Un agente que actúa sin contexto no razona peor, actúa de forma peligrosamente segura de sí mismo.

Conexión conceptual: Daniel Kahneman y el agente sin contexto

Kahneman documentó que el Sistema 1 humano, rápido, automático, intuitivo que opera bajo el principio que llamó WYSIATI: What You See Is All There Is. El Sistema 1 no busca lo que falta; actúa con lo que tiene como si fuera todo lo que existe.

Los agentes de IA heredan este patrón. Si el agente de soporte no recibe el contexto de que el cliente renovó su contrato esta mañana, el modelo de retención lo tratará como un candidato a churn. El dato estaba. El contexto llegó tarde. Y en un modelo de precio por conversación, el proveedor ya cobró.

Aquí está el argumento que cambia todo: un modelo de precio por resultado solo alinea incentivos si el proveedor también tiene responsabilidad sobre la calidad del contexto que alimenta al agente. Si no, el contrato de outcome es una transferencia de riesgo que puede revertirse con una excusa de datos.

Esto no es una crítica a ningún proveedor en particular, es una crítica al modelo de conversación que todos los proveedores tienen con sus clientes. La pregunta de precio y la pregunta de contexto no pueden vivir en silos distintos del presupuesto. Están conectadas de forma estructural.

“Probabilístico para pensar. Determinista para actuar.”

Del artículo “50 años guardando datos, cero contexto”

La arquitectura que está detrás de cualquier agente eficaz tiene dos capas que no deben confundirse. La capa probabilística es la que razona: interpreta el lenguaje, hace la búsqueda semántica, evalúa la situación, elige la acción más probable. La capa determinística es la que ejecuta: aplica la política o regla de negocio, respeta el flujo de escalación, entrega el resultado predecible. El contexto es temporal, procedimental, situacional y es lo que permite que la capa probabilística tome decisiones correctas y que la capa determinista las ejecute con certeza. Sin ese contexto, incluso el modelo más caro produce resultados impredecibles. Y ningún modelo de precios lo puede compensar.

De la pregunta al estado de resultados: los números reales

Tomemos un escenario concreto. Una empresa de servicios recibe 50,000 solicitudes de soporte al mes. La meta: que la IA resuelva autónomamente el 60%, un total de 30,000 tickets sin intervención humana. Cada ticket resuelto por un agente humano cuesta US$12; por un agente de IA, US$0.50. La oportunidad de ahorro es US$345,000 al mes.

Lo que sigue compara los cuatro modelos de precio en lo que realmente importa: el costo contractual que aparece en la propuesta, quién absorbe el costo de los tickets que el agente no resuelve, y cuánto tarda cada modelo en llegar a producción plena.

Los cuatro modelos: lo que se firma y lo que se absorbe

Escenario base: 50,000 conv/mes · 60% resolución · 30,000 tickets/mes resueltos

Escenario base: 30,000 tickets resueltos/mes, 40% (20,000) fallidos asignados al canal humano. Costo del ticket fallido: US$0.40/ticket en Acciones (US$8,000 = 20,000 × US$0.40), US$0.116 en Mensajes (US$2,320 = 20,000 × US$0.116). En Resultados, los tickets fallidos no se facturan. En Tokens+Ing., el costo de inferencia es marginal (~US$0 directo), pero los tickets fallidos igual van al canal humano sin recuperación contractual. 10 FTEs es un estimado de una empresa real, sin embargo, las estimaciones pueden variar validando con mayor detalle la utilización de recursos para los agentes en evaluación.

La variable que nadie controla en el primer año: la tasa de resolución

El escenario base asume 60% de resolución autónoma, un nivel ambicioso. Según datos de industria, el 85% de los proyectos de IA empresarial operan entre 35-45% en los primeros doce meses. Lo que cambia con esa brecha depende del modelo de precio:

• Acciones, Mensajes, Tokens: la factura del proveedor no baja aunque el agente resuelva menos. Los tickets no resueltos vuelven al canal humano con una prima de frustración de 1.4X–1.6X sobre el costo base. Con brecha severa (40% resolución), la exposición adicional es US$160,000/mes.

• Resultados: la factura baja automáticamente porque sólo se paga por lo que se resuelve. Con la misma brecha severa, la exposición es US$145,000/mes — US$15,000 menos, y con el proveedor financieramente motivado a mejorar.

La diferencia monetaria es modesta. Lo que no es modesto es el alineamiento de incentivos: con el modelo de resultados, cada ticket fallido le cuesta dinero al proveedor. Ningún otro modelo replica ese ciclo.

La lectura correcta con 10 FTEs: El costo de plataforma de Hyperscaler X (US$9,987/mes) sigue siendo el más bajo. Pero al incluir el equipo (10 FTEs = US$45,000/mes), el costo all-in sube a US$54,987/mes — un 35 % más caro que Salesforce all-in (US$40,591/mes) en el mismo escenario.

El punto de inflexión está en la escala: a 200k conversaciones/mes, el costo de plataforma de Salesforce escala linealmente (~US$150k) mientras el de Hyperscaler X crece mucho menos. Si el equipo de 10 FTEs puede mantenerse constante a mayor volumen, Hyperscaler X recupera la ventaja en escala alta. Salesforce llega a producción 10–20 semanas antes con un ahorro de oportunidad de US$225K–US$337K que pesa fuerte en proyectos de horizonte corto.
* Precio Salesforce Agentforce estimado a tasa enterprise negociada (~65 % off lista de US$2/conversación). Precio de lista pública: US$100,000/mes a 50k conversaciones. Las condiciones finales dependen del contrato vigente con Salesforce. TCO Salesforce = modelo Resultados del análisis TCO de este artículo. Ver soluciones Help Agent de Salesforce.

La advertencia del modelo de resultados

Transferir el riesgo de ejecución al proveedor crea su propio tipo de riesgo: el riesgo de definición. Si el contrato no especifica con precisión qué cuenta como “resolución”, el proveedor tiene incentivos para cerrar tickets prematuramente. La certeza del costo no garantiza la certeza del resultado.

Las dos preguntas que el contrato debe responder antes de firmar: ¿quién define qué es un resultado? ¿quién audita que se cumplió?

Las trampas ocultas: lo que cada modelo de precio omite

Cada modelo tiene una trampa específica. Conózcalas antes de firmar, independientemente del proveedor que las ofrezca:

La trampa del modelo de tokens e inferencia directa

Es el costo unitario más bajo del mercado y el más engañoso para el CFO. El precio de nube asume que el agente ya está construido; el costo de construcción inicial, integración y mantenimiento puede representar entre US$20,000 y US$50,000 antes del primer ticket resuelto. Si el equipo de ingeniería que construyó el agente rota, el sistema puede detenerse. El “ahorro” de tokens puede costar más en capital humano de lo que cualquier otro modelo cobraría.

Hay además una presión estructural de mercado que acelera esta dinámica: el denominado tokenmaxxing, maximizar el consumo de tokens para justificar el gasto, está siendo abandonado activamente por las empresas a medida que los tokens se convierten en commodity. Cuando la inferencia cuesta centavos y los modelos chinos compiten con los modelos frontier a una fracción del precio, cobrar por tokens pierde su lógica de negocio. Es la misma transición que vivió el almacenamiento en la nube: de ser un costo significativo a ser casi ruido en la factura.

La trampa del modelo de mensajes o conversaciones

Pagas por el esfuerzo del agente, no por su efectividad. Si un cliente tuvo ocho turnos de diálogo y abandonó frustrado, el costo es idéntico al de un caso resuelto en dos mensajes. En un volumen de 30,000 conversaciones mensuales con una tasa de resolución del 60%, eso implica que el 40% restante, 12,000 conversaciones fallidas, se factura al mismo precio que los éxitos.

La trampa del modelo de acciones

Los créditos por acción suenan granulares y controlables y lo son, hasta que el proveedor define qué cuenta como “acción”. Una consulta a la base de datos, ¿es una acción o parte de la conversación? ¿Un reintento de API fallido consume créditos? Las empresas que firmaron bajo este modelo sin definir el glosario de acciones han encontrado facturas un 40% más altas de lo proyectado en los primeros 90 días.

La trampa del modelo de resultados

Es el modelo más alineado al negocio en teoría. En la práctica, el proveedor tiene incentivo financiero de contar como “resuelto” cualquier ticket cerrado, aunque el cliente haya abandonado frustrado después de tres respuestas, o haya vuelto a abrir el caso 48 horas después. Sin una definición contractual precisa de éxito: quién mide, con qué sistema, en qué ventana de tiempo, el modelo de resultados puede convertirse en el más costoso de todos.

Hay una segunda trampa más sutil: la atribución. ¿Cómo sabe con certeza que el agente resolvió el caso y no que el cliente simplemente se rindió y cerró el ticket? La única respuesta técnicamente rigurosa es un A/B test o una prueba de concepto (POC) con medición controlada, un grupo con el agente y otro sin él, que permita demostrar causalidad, no solo correlación. Sin esa línea de base, la tasa de resolución que el proveedor reporta es una opinión, no un dato. Antes de firmar un contrato de outcomes a gran escala, exija el MVP con métricas de control independientes.

El principio que une las cuatro trampas

En todos los modelos, el precio visible es la punta del iceberg. El verdadero costo vive en el ecosistema que alimenta al agente: la plataforma de datos, la capa de integración, la gobernanza y el equipo interno que lo mantiene. Un análisis honesto de TCO debe incluir todo eso. Sin él, cualquier comparación de precios es una ilusión.

El modelo de precios correcto para el caso de uso y momento correcto

El precio no se elige en el vacío. Cada modelo tiene una situación específica donde sus ventajas superan sus limitaciones. Cinco variables determinan la elección: claridad del outcome, madurez del dato, volumen mensual, capacidad técnica interna y tolerancia al riesgo. Un análisis honesto de estas cinco dimensiones, antes de entrar en cualquier negociación, es lo que separa una decisión de compra de una decisión de negocio.

El mercado ya eligió. Las empresas que hoy compiten en agentes de IA se posicionan en torno a dos ejes: si el contrato se basa en actividad (la IA ejecutó acciones) o en outcomes (la IA logró objetivos), y si el costo es fijo (predecible, independiente del volumen) o variable (escala con el uso). Este cruce define cuatro cuadrantes, cada uno ocupado por empresas activas hoy:

La distinción más práctica para el comprador es el eje fijo vs. variable dentro de los modelos de outcome. Pagar por un workflow completo (precio fijo, predecible) es distinto a pagar por cada objetivo resuelto de forma variable. Ambos están alineados al resultado, pero tienen perfiles de riesgo financiero opuestos: el modelo fijo protege el presupuesto; el variable escala el costo con el volumen de éxitos, lo que es a la vez una ventaja y una exposición. El modelo de precio correcto no existe en abstracto: existe en función de si su empresa controla mejor el volumen o el presupuesto.

El mapa también revela una asimetría de presupuesto que la mayoría de los compradores ignoran. Los modelos fijos por agente o asiento están deliberadamente diseñados para salir del presupuesto de herramientas de TI y atacar el presupuesto de headcount, que es al menos 10 veces más grande. Un agente de US$2,000 al mes que reemplaza a un analista junior de US$60,000 al año no compite con otras herramientas de software, compite con una decisión de contratación. Para el comprador, eso cambia radicalmente la conversación presupuestaria: la aprobación no pasa por el CIO, pasa por el COO o el CFO. Igualmente, los modelos de consumo por acción compiten directamente con el mercado de BPO, que supera los US$152.8 mil millones en 2025, con un gasto promedio de US$877 por empleado en grandes organizaciones.

Las tres preguntas que debe hacer antes de firmar

Al proveedor

“¿Están dispuestos a atar su factura a mis resultados de negocio? Si su IA no resuelve el problema, ¿no cobran?”

En el tiempo, las plataformas que confíen en su tecnología dirán que sí o se acercarán a un modelo por resultados con sus socios de negocio. Las que solo venden hype seguirán queriendo cobrar por tokens. La respuesta a esta pregunta no es el final de la negociación, es el inicio. El siguiente paso es definir contractualmente qué significa “resolver”, porque sin esa definición, el modelo de resultados es solo un modelo de conversaciones con otro nombre.

A su equipo legal y de operaciones

“¿Tenemos definido contractualmente qué es un resultado exitoso y quién controla esa medición?”

Quien controla la definición, controla la factura. El contrato debe especificar: ¿quién mide?, ¿con qué sistema de registro?, ¿qué pasa con los tickets reabiertos en las siguientes 24 o 48 horas? ¿Qué ocurre si el agente derivó el caso a un humano, eso cuenta como resolución del agente o como fallo? Estas preguntas parecen operativas; son financieras.

A su equipo de datos y al CFO

“¿Estamos midiendo el costo total del ecosistema, o solo el precio de lista del agente?”

Antes de comparar modelos de precio, su empresa debe responder una pregunta más profunda: ¿está el contexto disponible para que el agente funcione? Los datos de sus clientes, ¿están consolidados, actualizados y accesibles en tiempo real? Si no, ningún modelo de precio, ni el más barato ni el más alineado al negocio, va a rendir lo que promete. La calidad del contexto es la variable que los vendedores no mencionan porque no la controlan ellos. Pero la paga usted.

La respuesta que nadie había dado

De vuelta con el CEO, esa misma semana, me preguntaba: “¿Cuándo dice tu contrato que recibirás el primer resultado autónomo medible?”

Buscó la propuesta. En ningún lugar aparecía una fecha. Tampoco decía quién mediría la resolución, ni qué pasaba si el agente fallaba en los primeros dos meses. Ya estamos trabajando en eso.

No era un contrato malo. Era un contrato ordinario, exactamente como el 75% de los contratos de agentes de IA que se firman hoy. Propuestas escritas que aún están descubriendo cómo cobrar, para compradores que aún están aprendiendo qué preguntar.

El mercado ya tomó la decisión y no hay vuelta atrás: la inteligencia artificial será adoptada. El valor está en lo que el agente logra hacer con ella y en cuándo lo hace. La pregunta “¿cuándo veo los resultados?” no es impaciente. Es la más precisa que existe. Exige una respuesta técnica (TTFV, integración, datos), una respuesta financiera (TTV-ROI, amortización, brecha de valor) y una respuesta contractual (quién mide, qué es “resuelto”, quién asume el riesgo si no funciona).

Ninguno de los modelos de precio disponibles hoy es perfecto. Lo que sí existe es un intercambio claro: a mayor alineación entre el precio y el resultado, mayor exigencia sobre la calidad del contexto que alimenta al agente. Antes de elegir el modelo de precio, su empresa tiene que resolver la pregunta anterior: ¿están sus datos en condiciones de garantizar resultados?

Las que firmen contratos de resultado sin tener el contexto en orden firmarán contratos que el proveedor puede ganar con solo cambiar la definición de “hecho”. Las que entiendan primero la distinción entre pagar por intentos y pagar por resultados y que tengan la disciplina de datos para soportar ese contrato tendrán una ventaja doble: costos predecibles y proveedores comprometidos en el juego.

Para leer en contexto

Este artículo es la segunda parte de una secuencia. El anterior “50 años guardando datos, cero contexto”, explora por qué los agentes de IA fallan cuando se les priva del contexto correcto, y qué tipo de infraestructura de datos hace falta para que un agente autónomo tome decisiones confiables. La decisión de precio que tome hoy depende directamente de la madurez de datos que tenga mañana.

Notas y referencias

[1] IDC, Worldwide AI and Generative AI Spending Guide, 2025. Proyección de mercado de agentes de IA empresarial 2025–2030.

[2] McKinsey & Company, The State of AI in 2025, McKinsey Global Survey, Q1 2025.

[3] Gartner, Hype Cycle for Artificial Intelligence, 2025. Proyección de adopción de modelos de precios orientados a resultados en software enterprise.

[4] DeepSeek, DeepSeek-V3 Technical Report, enero 2025. Costo de entrenamiento reportado: aproximadamente US$5.6 millones sobre hardware H800.

[5] Goldman Sachs Economic Research, The Potentially Large Effects of Artificial Intelligence on Economic Growth, 2025. Proyección de incremento del PIB global del 7% en 10 años derivado de la adopción de IA.

[6] Intercom, Fin AI Agent — Outcome-Based Pricing, 2024. Referencia al modelo de cobro por resolución confirmada como pionero del modelo Gen 4.

[7] Gartner, Predicts 2025: Outcome-Based Pricing Will Reshape Enterprise Software, Q4 2024.

[8] Kahneman, Daniel. Thinking, Fast and Slow. Farrar, Straus and Giroux, 2011. Concepto WYSIATI (What You See Is All There Is) — el Sistema 1 actúa con la información disponible como si fuera toda la información relevante.

[9] Brézillon, P. & Pomerol, J.Ch. (1999). “Contextual knowledge sharing and cooperation in intelligent assistant systems.” Le Travail Humain, 62(3). Definición de contexto procedimental como secuencia determinista activada por una situación conocida.

[10] Indacochea, Alberto. “50 años guardando datos, cero contexto.” Substack, 2025. Artículo precedente que fundamenta la relación entre calidad de contexto y efectividad de los agentes de IA.

[11] Gartner, AI Project Failure Rates and Enterprise Readiness, 2024. El 85% de los proyectos de IA empresarial no alcanzan sus objetivos^[11] de automatización en el primer año de operación.

[12] Salesforce, State of Service Report, 6th Edition, 2025. Tasa de resolución autónoma promedio en primeros 90 días de implementación: 35–45% frente a targets proyectados del 50–70%.

[13] Forrester Research, The Cost of Poor Customer Service, 2024. Los clientes que fallan en canales de autoservicio automatizado generan un costo de escalación de 1.4× a 1.8× sobre el costo base de un agente humano, debido al incremento en tiempo de atención y contactos repetidos.

[14] Poyar, Kyle. “Pricing used to last 18 months. Now it’s down to 6.” Growth Unhinged, 22 de julio de 2026. Análisis basado en más de 100 empresas SaaS y de IA asesoradas. Incluye: ciclo de vida comprimido a 6 meses para modelos de precio de IA; quinto modelo de precio de Salesforce en menos de dos años; migración del tokenmaxxing hacia optimización de costos; regla del 20% para evaluar fricción de precio saludable; análisis de métricas de valor en cuentas de mejor ajuste (tokens +250%, tareas completadas +200%, API calls +145% históricos; asientos −5% a 12 meses).

[15] Bush, Wes. Product-Led Growth: How to Build a Product That Sells Itself. Product-Led Institute / OpenView Partners, 2019. El marco TTFV (Time to First Value) se originó en la literatura de crecimiento liderado por producto (PLG) como métrica central para medir la velocidad de adopción en SaaS. Aplicado a agentes de IA enterprise, la “primera resolución autónoma” es funcionalmente equivalente al “primer momento aha” del PLG, con la diferencia de que en enterprise el TTFV involucra integración de sistemas y calidad de datos como precondiciones. Fuentes complementarias: Mehta, N.; Steinman, D.; Murphy, L. Customer Success: How Innovative Companies Are Reducing Churn and Growing Recurring Revenue. Wiley, 2016; OpenView Partners, SaaS Benchmarks Report, 2023. La distinción entre TTFV, TTV-Operacional y TTV-ROI es una adaptación del autor al contexto de implementación de agentes de IA en mercados enterprise.

[16] Estimados compuestos de mercado global (EEUU / Europa) a partir de documentación pública de los siguientes proveedores y analistas: Intercom, Fin AI Agent — Setup and Go-Live Guide (3–14 días para modelo conversacional, documentación técnica pública, 2024); Salesforce, Agentforce Implementation Guide — Trailhead (6–8 semanas con CRM existente, 12–16 semanas en greenfield; validado en ref. [12]); Google Cloud, Vertex AI Agent Builder — Enterprise Deployment Documentation (3–6 meses para producción enterprise, 2024); AWS, Amazon Bedrock — Well-Architected Framework for Generative AI (timelines similares para producción enterprise, 2024); Gartner, AI Project Failure Rates and Enterprise Readiness (benchmarks generales de deployment, ref. [11]). Los rangos específicos por modelo de precio son estimados del autor derivados de estas fuentes y experiencia en proyectos de la región. Para mercados LATAM, agregar un 20–30% por complejidad de integración legacy y ciclos de aprobación institucional.

Hace unas semanas estuve en el Agentforce World Tour en Lima. Si pudiera resumir las dos palabras que más se repitieron ese día, serían: agente y contexto. Cada presentación, cada caso, cada conversación de pasillo terminaba en el mismo lugar. Salí con una pregunta que no me dejó tranquilo por una semana: ¿por qué el contexto sigue siendo tan difícil de resolver si llevamos décadas hablando de datos? Lo que sigue es el resultado de esa búsqueda.

Dos decisiones. El mismo ingrediente faltante.

En septiembre de 1854, el barrio de Soho en Londres estaba siendo devastado por una epidemia de cólera. Cientos de personas morían cada semana. Las autoridades sanitarias tenían los datos: listas de fallecidos, fechas, síntomas. Pero los datos no les decían nada que no supieran ya. El médico John Snow, de 41 años, tenía exactamente los mismos datos. La diferencia es que Snow hizo algo distinto con ellos: los pintó en un mapa. Cada muerte, un punto. Buscó el patrón. Y lo que encontró no era el dato — era el contexto. Todas las muertes convergían en un único punto: la bomba de agua de Broad Street. Cuando convenció a las autoridades de retirar el mango de esa bomba, la epidemia se detuvo en días. El dato era la muerte. El contexto era el por qué. Y el por qué lo cambió todo.

Esta historia me trajo recuerdos de lo sucedido hace unos años en la pandemia del COVID, me pregunto: ¿teníamos el contexto correcto de lo que sucedía en el mundo y funcionaba? ¿por qué nos fue tan mal en América Latina?

Ahora la otra historia.

El 27 de enero de 1986, la noche antes del lanzamiento del transbordador Challenger, los ingenieros de Morton Thiokol estaban desesperados. Tenían los datos: los anillos de goma que sellaban los cohetes propulsores tenían un historial documentado de degradarse bajo temperaturas frías. Y esa madrugada en Cabo Cañaveral, la temperatura había caído a -2°C — más fría que en cualquier lanzamiento anterior. Enviaron una recomendación formal: no lanzar. El dato existía. El contexto — la presión institucional por cumplir con el calendario, la cultura que hacía difícil decir “no” hacia arriba, la urgencia política del programa — no llegó completo a quienes tomaron la decisión final. El 28 de enero, setenta y tres segundos después del despegue, el Challenger se desintegró. Siete astronautas murieron.

Esta historia la recuerdo viendola en vivo, estaba en 3ro de secundaria y en el colegio hablábamos de esto como novedad.

Dos historias separadas por 132 años. Un patrón idéntico: en la primera, alguien tuvo los mismos datos que todos los demás y ganó porque entendió el contexto. En la segunda, el contexto existía pero no llegó a tiempo ni a las personas correctas, y el resultado fue una tragedia.

Lo que une a John Snow con el Challenger no es la época ni la industria. Es la pregunta de fondo: ¿qué tan completo era el contexto en el momento de la decisión?

Hoy esa misma pregunta aplica a los agentes de inteligencia artificial que las empresas están desplegando a escala. Y la respuesta, en la mayoría de los casos, es la misma que en los peores ejemplos de la historia: el contexto llega tarde, llega fragmentado, o simplemente no llega.

Hay una frase que me parece perfecta para capturar esto.

La frase es: “Esto se va a caer.”

Si la escuchas en la bolsa de valores, entras en pánico. Si la escuchas jugando Jenga, te ríes. Las mismas cuatro palabras. El mismo tono. Resultado completamente distinto. Lo que cambia no es el dato — es el contexto.

Y ahí está el error más costoso que están cometiendo las empresas latinoamericanas hoy: han invertido décadas y millones construyendo sistemas para guardar datos, pero casi nada para preservar el contexto que los hace útiles. El desafío de ahora en adelante es que los agentes de IA actúan sobre información que no refleja la realidad. Y eso tiene un precio.

¿Qué es exactamente el contexto?

Antes de hablar de soluciones, vale la pena detenerse en la pregunta de fondo. Y para responderla bien, hay que ir un poco más atrás de lo que la industria tecnológica suele ir.

La palabra contexto viene del latín contextus — de contexere, que significa “tejer junto.” No es una metáfora decorativa: el contexto es literalmente lo que teje los datos aislados en algo coherente, en algo que tiene significado.

Los filósofos del lenguaje llevan siglos argumentando que ningún enunciado tiene significado fuera del contexto en que se produce. Wittgenstein lo formuló de manera radical: el significado de una palabra no es una propiedad que se le adjunta — es su uso en situaciones concretas. Lo que una frase significa depende de quién la dice, a quién, cuándo, y bajo qué circunstancias. Sin eso, el lenguaje colapsa en ruido.

Eso, trasladado al mundo de los sistemas inteligentes, tiene implicaciones enormes que la industria tecnológica tardó décadas en tomar en serio.

La primera definición formal y rigurosa para sistemas computacionales llegó de investigadores de la Sorbona que habían pasado años estudiando cómo los agentes — humanos y artificiales — toman decisiones: “el contexto es lo que restringe una acción sin intervenir explícitamente en ella.”

Fíjate en la precisión de esa definición. El contexto no aparece en los datos. No lo ves en ninguna columna de tu base de datos. Pero está presente en cada decisión, como el marco invisible dentro del cual los datos adquieren sentido. Y su hallazgo más importante fue este: el error no está en no tener conocimiento. Está en no saber cuál parte del conocimiento activar en el momento correcto.

Para operacionalizar eso, distinguieron tres capas que todo agente — humano o de IA — necesita para funcionar:

El primero es el contexto de conocimiento: todo lo que el agente sabe sobre el dominio. La historia del cliente, las reglas del negocio, los productos disponibles. Es estable, se acumula con el tiempo. Es lo que vive en tus Data Warehouses, ERP y en tu CRM.

El segundo es el contexto de acción: el subconjunto de ese conocimiento que es relevante ahora mismo, activado por la situación actual. No todo lo que sabes sobre un cliente importa en este momento — solo la fracción que corresponde a lo que está ocurriendo en este segundo. Es dinámico, efímero, y es el que más falla en los sistemas actuales.

El tercero es el contexto procedimental: la secuencia de pasos que guía cómo actuar dada la situación concreta. Si el cliente es VIP, tiene un error técnico activo, y acaba de publicar una queja en redes, ¿cuál es exactamente el protocolo o regla de negocio que debe seguir el agente? Este tercer tipo de contexto es, por naturaleza, determinista: no hay ambigüedad sobre qué hacer ni en qué orden. Dado ese contexto, siempre se ejecuta la misma secuencia. Es el contrapeso necesario a las capas probabilísticas del agente — las que razonan e interpretan — y es lo que hace que el comportamiento a escala sea predecible y auditable. Un agente que "decide probabilísticamente" qué pasos seguir cuando debería tener un procedimiento definido es un agente que produce resultados inconsistentes. Y en industrias reguladas, esa inconsistencia no es un problema menor — es un riesgo de compliance.

De esta base académica surgió, años después, la definición que se convirtió en el estándar de la computación moderna. Un investigador de Carnegie Mellon la formuló así: “Contexto es cualquier información que pueda usarse para caracterizar la situación de una entidad — donde una entidad es una persona, lugar u objeto relevante para la interacción entre un usuario y una aplicación.”

Lo que esta definición añade es crucial para la tecnología: el contexto no es abstracto ni filosófico. Es operacionalizable. Se puede capturar, estructurar y entregar a un sistema. Y esa situación que menciona tiene cuatro dimensiones concretas que el agente necesita procesar simultáneamente:

La identidad: quién es la persona, su rol, su historial de comportamiento. La situación: qué canal está usando, en qué momento del día, desde dónde interactúa. La actividad: qué está haciendo ahora mismo — la señal más valiosa de todas, y la más ignorada. Y el tiempo: qué tan urgente es, qué pasó antes en la secuencia de eventos, cuándo caduca esta información.

Cuando tu agente de IA falla, casi siempre es porque está fallando en una o más de estas cuatro dimensiones. Tiene el conocimiento. No tiene el contexto de acción. Y sin él, actúa en el vacío.

El fantasma del “todo centralizado”

Desde los años ochenta, la promesa siempre fue la misma: si guardamos todo en un solo lugar, podremos tomar mejores decisiones. Primero vinieron los Data Warehouses. Luego los Data Lakes — esos “grandes lagos” donde se acumulaba todo en bruto con la esperanza de ordenarlo después. Muchos de esos lagos se convirtieron en pantanos: millones de filas sin etiquetas, sin conexiones, sin significado.

Hoy tenemos arquitecturas con nombres más sofisticados — Lakehouses, Data Fabrics, Medallion Architecture — pero el problema de fondo no ha cambiado. Están diseñadas para que el área de tecnología guarde datos, no para que el negocio los use en el momento exacto en que los necesita.

El reporte de la mañana te dice lo que pasó ayer. Pero el cliente está tomando una decisión ahora mismo.

Sofía: el caso que explica todo (caso simulado)

Déjame contarte sobre Sofía. Es cliente VIP de un banco desde hace ocho años. Un martes en la tarde intenta hacer una transferencia importante desde la app. Falla una vez. Falla dos veces. Falla tres veces. Frustrada, publica una queja en redes sociales y empieza a buscar opciones en otro banco. ¿les parece conocida la historia?

En el modelo tradicional, esto es lo que pasa: doce horas después, los sistemas procesan los datos del día en un job nocturno. El lunes, un analista ve en un reporte que “el cliente 4502 tuvo errores de transacción.” Para ese momento, Sofía ya cerró su cuenta.

La data llegó. El contexto llegó tarde.

Ahora imagina que el banco tiene sus sistemas conectados en tiempo real. En el mismo segundo en que Sofía falla la tercera transferencia, un agente de IA conecta tres puntos simultáneamente: detecta el error técnico, ve en el CRM que Sofía es cliente VIP con ocho años de antigüedad, y detecta la queja que acaba de publicar en redes. Treinta segundos después, Sofía recibe un mensaje en la app: “Vemos que tienes un problema con tu transferencia. Un asesor te estará llamando en este momento.”

Sofía se queda. El banco gana.

Mismos datos. Misma situación. La diferencia es que en el segundo modelo el contexto de acción — el subconjunto relevante, en el momento preciso — llegó a tiempo.

El mismo problema en todas partes

La historia de Sofía ocurre en banca. Pero el mismo patrón se repite en prácticamente cualquier industria. La IA actúa. Solo que actúa sobre un contexto que ya caducó.

En ventas: Un agente de CRM analiza el pipeline y marca una oportunidad como “lista para cerrar.” No sabe que el director de compras del cliente envió un correo ayer diciendo que congelaron el presupuesto hasta el próximo trimestre. El vendedor llama emocionado con la propuesta final. El cliente se pregunta si alguien lee sus mensajes.

En marketing: Una campaña de reactivación se dispara automáticamente para clientes clasificados como “inactivos.” El sistema no sabe que tres de cada diez ya compraron ayer por otro canal. Les llega el email que dice “¡Te extrañamos!” horas después de haber recibido su pedido. El cliente no lo lee como un error técnico — lo lee como que la empresa no lo conoce.

En logística: El sistema de ruteo optimiza las entregas del día con datos de tráfico de la noche anterior. No hay forma de que sepa que esta mañana cerraron un puente clave por obras de emergencia. Los conductores llegan tarde. El cliente recibe la notificación de “entregado” cuando el camión todavía está a 40 kilómetros.

En servicio al cliente: Un chatbot detecta que un cliente tiene “una incidencia abierta” y le ofrece seguimiento proactivo. El problema se resolvió hace seis horas, pero el sistema no fue notificado. El cliente, que ya estaba satisfecho, recibe el mensaje y ahora duda si el problema realmente se cerró.

En retail: El motor de recomendaciones detecta que una clienta estuvo mirando abrigos de invierno y activa una campaña personalizada con descuentos. No sabe que ella acaba de recibir el abrigo que compró hace tres días. La oferta llega. La incomodidad también.

En telecomunicaciones: El sistema de retención identifica a un cliente de alto valor con señales de churn y activa un agente para ofrecerle un plan especial. No sabe que ese cliente ya renovó su contrato por dos años en la tienda física el día anterior. El agente llama. El cliente, confundido, empieza a dudar si la renovación fue realmente registrada.

En recursos humanos: Un empleado consulta al asistente interno sobre la política de trabajo remoto. Recibe la respuesta correcta — para la política vigente hasta el trimestre pasado. La nueva se aprobó en marzo, pero el asistente nunca fue actualizado. El empleado actúa sobre información obsoleta, y el error solo se descubre semanas después.

En todos estos casos el dato estaba. El agente estaba. Lo que faltaba era el contexto de acción: la información precisa, en el momento preciso, para que la decisión tuviera sentido.

La ecuación que pocos están resolviendo

Hay una forma de decirlo directamente: un agente de IA sin contexto es como contratar al mejor talento del mundo y que llegue el primer día al trabajo sin ningún briefing. Tiene todas las capacidades. No puede usarlas.

En Salesforce trabajamos con una ecuación que se está volviendo el estándar de la industria:

IA Agéntica = Madurez de Datos = Gobernanza + Modelo de Datos Maduro

El agente no es el problema difícil. La fundación de datos debajo de él sí lo es. En marzo de 2026, IDC publicó un estudio que debería estar en el escritorio de todo líder de tecnología de la región: “Beyond Customer Data: The Context Foundation AI Agents in CX Are Missing.” Su conclusión fue que los agentes de IA que fallan en producción no tienen un problema de inteligencia — tienen un problema de fundación. Y esa fundación se construye sobre tres capas:

La primera son los mapas de conocimiento: grafos que conectan clientes, productos, transacciones y resultados de negocio de forma que el agente pueda navegar relaciones complejas, no solo consultar tablas aisladas.

La segunda son las definiciones semánticas: la lógica de negocio estandarizada entre departamentos. No es trivial. “Cliente en riesgo” significa algo diferente para ventas, para finanzas y para soporte. Si esas definiciones no están acordadas y codificadas, el agente opera con un vocabulario fragmentado.

La tercera es la gestión de contexto en tiempo de ejecución: el ensamblaje de hechos actuales e intención en el momento de la decisión. No antes. No después. En el instante exacto.

Esta última capa es donde casi todas las empresas de la región tienen el mayor déficit — y donde se pierde más valor.

Cuando la máquina dejó de preguntar permiso

Durante años, la inteligencia artificial en las empresas fue esencialmente una herramienta de análisis. Procesaba datos, identificaba patrones, generaba recomendaciones. Pero la decisión final siempre la tomaba un humano. Alguien revisaba el dashboard, leía el reporte, evaluaba la sugerencia — y decía: “sí, hacemos esto.”

Eso cambió.

Los agentes de IA de hoy no recomiendan. Actúan. Envían el email, modifican el precio, activan el cobro, escalan el ticket, ofrecen el plan de retención. Sin esperar. Sin consultar. La autonomía es, al mismo tiempo, la promesa y el riesgo.

Para entender por qué esto cambia todo en materia de contexto, vale la pena hacer una pausa con Daniel Kahneman. En su libro Pensar rápido, pensar despacio, el psicólogo que ganó el Nobel de Economía describe dos sistemas de pensamiento que operan en nuestra mente. El Sistema 2 es lento, deliberado y analítico — el que activamos cuando tenemos tiempo para evaluar una decisión con cuidado. El Sistema 1 es rápido, automático e intuitivo — el que actúa en fracciones de segundo, basándose en patrones y en el contexto que tiene disponible en ese instante.

La mayoría de las herramientas de inteligencia de negocios que usamos hoy fueron diseñadas para asistir al Sistema 2: le dan al analista más datos, mejores visualizaciones, modelos más precisos. Hay tiempo. Hay un humano que revisa. Si el contexto falta, esa persona puede notarlo, preguntar y corregir antes de actuar.

Los agentes autónomos operan como Sistema 1: toman decisiones rápidas, a escala, sobre el contexto que tienen disponible. Y lo que Kahneman documentó con precisión es lo que le ocurre al Sistema 1 cuando opera con información incompleta: actúa como si lo que ve fuera todo lo que existe. Lo llamó WYSIATI — What You See Is All There Is. El sistema no dice “me falta información para decidir.” Simplemente decide con lo que tiene, como si fuera suficiente. Sin dudar. Sin aviso.

Un agente de IA sin el contexto correcto hace exactamente eso: actúa sobre la realidad parcial que percibe, como si fuera la realidad completa. Y a diferencia de un humano que eventualmente se da cuenta del error, el agente lo replica miles de veces antes de que nadie lo detecte.

Aquí está el cambio de fondo que muchos ejecutivos todavía no han procesado del todo: antes, cuando la IA solo recomendaba, había un humano en el circuito que podía compensar el contexto faltante. Ese humano era el Sistema 2 del proceso. Ahora, cuando el agente actúa solo, ese amortiguador desaparece. El contexto tiene que estar en el sistema desde el principio. No hay red de seguridad. Ya no es un complemento deseable — es un requisito operativo.

Hay un matiz adicional que Kahneman ayuda a ver con claridad: cuando el Sistema 1 reconoce una situación conocida, no improvisa — activa un script, una secuencia predefinida que ejecuta de forma determinista. Eso es precisamente lo que el contexto procedimental representa en un agente de IA. La capa probabilística del agente — el modelo de lenguaje — se encarga de razonar, interpretar la situación y entender la intención. Pero una vez que el contexto activa un procedimiento, la ejecución debe ser determinista: siempre el mismo protocolo, en el mismo orden, la misma regla de negocio, con los mismos controles. Probabilístico para pensar. Determinista para actuar. Cuando esa frontera se confunde, el agente se vuelve impredecible — y la escala convierte esa impredecibilidad en un problema sistémico.

Los cuatro pilares

Para que esa fundación funcione en la práctica, los datos que alimentan al agente necesitan cumplir cuatro condiciones.

1. Conectados

Los datos que el agente necesita deben ser accesibles desde un solo punto, sin silos, sin pipelines manuales, sin esperar a que un proceso corra en la madrugada.

Un banco retail en la región tiene sus datos distribuidos en tres lugares: el CRM, el core bancario y la plataforma analítica. Esos tres sistemas no están sincronizados en tiempo real. Un cliente puede aparecer “al día” en el CRM y “en mora” en el core bancario al mismo tiempo. El agente actúa sobre una realidad fragmentada. Las consecuencias las pagan los clientes — y la reputación del banco.

La solución no es mover todos los datos a un solo lugar. Es construir una capa de integración que los conecte donde ya están, sin duplicarlos, y que el agente pueda consultarlos como si fueran uno solo.

2. Comprensibles

No basta con que los datos existan. El agente tiene que entender qué significan.

Un campo llamado score_recupero_T2 no le dice nada a un sistema de IA. No sabe si un número alto es bueno o malo, en qué unidad está medido ni qué acción debería disparar. Sin una capa semántica — un “diccionario de negocio” que traduzca datos técnicos a conceptos claros — el agente opera a ciegas. Y lo hace a escala y a velocidad.

Aquí está el problema real que he visto repetirse: durante décadas, el significado de los datos vivió en la cabeza de los analistas senior. “Ese campo siempre hay que dividirlo por mil porque está en miles.” Ese conocimiento tácito funcionaba cuando había un humano revisando cada número. En la era agéntica, ese conocimiento necesita estar explícitamente codificado. Si no, el agente hereda la ambigüedad — y la multiplica.

La encuesta CDO Insights 2025 de Informatica encontró que solo el 12% de las organizaciones tienen datos con calidad y accesibilidad suficiente para aplicaciones de IA en producción. El 88% restante tiene el agente, pero no la fundación.

3. Gobernados

El mismo control que aplica a un humano debe aplicar al agente. Si un ejecutivo de ventas no tiene permiso para ver la cartera de otro, el agente que actúa en su nombre tampoco debería verla.

Una aseguradora en la región gestiona millones de clientes distribuidos en múltiples carteras de distintos canales de venta. Sin gobernanza adecuada, un agente podría exponer datos de clientes de un canal a ejecutivos que solo deberían ver su propia cartera. En una empresa regulada, eso no es un error técnico. Es un incidente de compliance con consecuencias legales y reputacionales.

Lo que me parece más revelador de este caso es lo que esa falta de gobernanza produce operativamente: la plataforma de agentes de esa misma compañía redujo pocas posiciones de un contact center de 500 personas en un año completo de operación. Sin políticas claras de acceso, el sistema no puede actuar de forma autónoma en escenarios sensibles — requiere validación humana en cada paso. Y si cada decisión necesita validación humana, ya no es automatización. Es burocracia tecnológica.

Los controles de acceso tradicionales fueron diseñados para humanos que revisan dashboards. Un agente de IA puede hacer miles de consultas por minuto, en nombre de múltiples usuarios, sobre datos de distintas carteras. Sin una capa de gobernanza diseñada específicamente para agentes — que entienda intención, no solo identidad — el riesgo de exposición de datos se multiplica exponencialmente.

Y aquí hay una dimensión que muchas empresas todavía no están considerando: el cumplimiento regulatorio. En la región, las leyes de protección de datos personales están avanzando rápidamente. Brasil tiene la LGPD. Colombia tiene la Ley 1581. México la Ley Federal de Protección de Datos Personales. Y los organismos reguladores del sector financiero y de salud — superintendencias, comisiones, bancas centrales — están comenzando a emitir lineamientos específicos sobre cómo los sistemas automatizados pueden acceder, procesar y actuar sobre datos de personas.

Lo que estas regulaciones exigen, en esencia, es lo mismo que la buena gobernanza de datos: que cualquier sistema que actúe en nombre de un usuario solo vea lo que ese usuario tiene permiso de ver, que quede registro de cada acceso, y que el consentimiento del titular de los datos sea respetado en cada interacción. Un agente de IA sin gobernanza no solo es un riesgo operativo. Es un pasivo legal. Y en industrias reguladas como banca, seguros y salud, ese pasivo puede materializarse en sanciones, auditorías y pérdida de licencias de operación.

4. Oportunos

El contexto tiene fecha de vencimiento. A veces caduca en horas. A veces en minutos.

Si un cliente pagó su deuda esta mañana y el sistema lo sigue mostrando como moroso porque el pipeline corre a medianoche, el agente lo va a contactar para cobrarle. Ese cliente — que hizo lo correcto — va a recibir un mensaje que lo trata como incumplidor. Es difícil recuperar esa relación.

Esto no es hipotético. Lo he visto en bancos y aseguradoras de la región. El delay entre que un dato cambia en la realidad y que el agente lo sabe puede ser de 24 a 48 horas. El mecanismo es siempre el mismo: el sistema espera un horario fijo para procesar la información, luego la valida, luego recalcula los modelos, luego los propaga. Cada paso añade horas. A escala de millones de clientes, eso son cientos de contactos mal dirigidos cada día — con el costo operativo, el daño a NPS y el riesgo reputacional que eso implica.

Por qué el modelo antiguo no puede sostenerse

Aquí me parece importante ser directo, porque esto explica por qué no es suficiente con “mejorar” la arquitectura existente.

Las arquitecturas batch fueron diseñadas para un propósito específico: que un analista humano estudiara el pasado y tomara una decisión más tarde. Son perfectas para el contexto de conocimiento — los reportes de cierre de mes, los modelos históricos de segmentación. Son estructuralmente incapaces de sostener el contexto de acción que un agente autónomo necesita.

El problema tiene cinco dimensiones concretas que veo repetirse en cada conversación con líderes de la región.

Las arquitecturas batch son incompatibles con la autonomía. Un agente autónomo toma decisiones en tiempo real. Pero si sus datos vienen de un pipeline que corrió hace 12 horas, el agente es autónomo en la forma pero reactivo en el fondo — actúa rápido sobre información vieja. Se debe anticipar en qué casos de uso aplica o buscar una solución para activar los datos.

Los modelos analíticos no son modelos para agentes. Los esquemas diseñados para BI — tablas de hechos, dimensiones, estrella, copo de nieve — están optimizados para que un humano lea un reporte. Un agente necesita un modelo semántico con entidades de negocio y relaciones explícitas. Reutilizar el esquema de BI para un agente es como darle a un cirujano el manual de contabilidad del hospital: los datos están, pero en el formato equivocado.

La semántica quedó atrapada en la cabeza de los analistas. Ya lo mencioné antes, pero vale subrayarlo: en la era del BI, el conocimiento tácito sobre los datos podía vivir en personas. En la era agéntica, ese conocimiento debe estar codificado. No hay otra opción.

La gobernanza fue diseñada para humanos, no para agentes. Los permisos tradicionales asumen que hay un humano detrás de cada consulta. Un agente rompe ese supuesto completamente.

El dato correcto llega al canal equivocado. Las arquitecturas centralizadas mueven datos hacia un repositorio único. Los agentes necesitan lo contrario: datos que fluyan hacia donde está el agente, en el canal correcto, en el momento correcto. Un agente en WhatsApp, uno en el contact center y uno en la app móvil necesitan el mismo contexto de acción — pero ensamblado de formas distintas. La centralización resuelve el almacenamiento, no la activación.

El cambio de paradigma: de “por si acaso” a “justo a tiempo”

Durante décadas, la estrategia de datos corporativa se construyó sobre una lógica que yo llamo “por si acaso”: guardamos todo porque algún día alguien lo va a necesitar. El foco estaba en la infraestructura — ¿dónde lo guardamos? La velocidad era batch. La estructura eran tablas rígidas y aisladas. La meta era el reporte estático que te dice lo que pasó.

La estrategia que permite que los agentes funcionen es exactamente la opuesta. La llamo “justo a tiempo”: el dato correcto, en el lugar correcto, en el momento en que se necesita para actuar. El foco ya no es la infraestructura sino la acción — ¿cómo y cuándo consumo el dato? La velocidad es streaming, eventos en tiempo real. La estructura es una capa semántica, un mapa que conecta conceptos. La meta no es un reporte del pasado sino contexto dinámico para que la IA actúe en el presente.

No es una mejora incremental sobre lo que existe. Es un cambio de mentalidad sobre para qué sirven los datos en la empresa.

Lo que le diría a un CEO esta semana

Si tuvieras que pedirle tres cosas a tu equipo de datos, yo te propongo estas:

Primero, pregunta cuánto tarda un dato en ser útil. Desde que un cliente realiza una acción hasta que tu sistema puede actuar sobre ella, ¿cuánto tiempo pasa? Si la respuesta es “unas horas” o “al día siguiente”, tienes un problema de oportunidad, no solo de arquitectura.

Segundo, pregunta si tus agentes de IA saben lo que significan sus datos. No si tienen acceso — eso es lo más fácil. Si los entienden. Si hay una definición acordada de qué es un “cliente en riesgo” que sea consistente entre ventas, finanzas y soporte. Si el agente puede razonar sobre conceptos de negocio, no solo sobre columnas de una tabla.

Tercero, pregunta quién controla lo que el agente puede ver. Y si la respuesta es “los mismos permisos que tienen los humanos”, profundiza. Los agentes operan a una velocidad y escala que los controles diseñados para personas simplemente no anticiparon.

Una última reflexión

Durante mucho tiempo, en la industria tratamos a los datos como petróleo: algo que había que extraer, refinar y almacenar en grandes tanques. El que tenía más, ganaba.

Hoy creo que los datos se parecen más al oxígeno. Si no fluyen limpios, frescos y en el momento en que se necesitan, la organización se asfixia — aunque tenga el tanque lleno.

El impuesto invisible no está en las licencias de software ni en los servidores. Está en cada decisión que tu IA tomó sobre información que ya había caducado. En cada cliente que se fue porque el contexto llegó tarde. En cada oportunidad que se perdió porque el agente no sabía lo que estaba viendo. En la era de la Empresa Agéntica esto es fundamental.

La buena noticia es que el problema tiene solución. Plataformas como Salesforce Data 360, combinadas con MuleSoft para integración en tiempo real y una capa semántica que dé significado a los datos, están diseñadas exactamente para esto: conectar sin centralizar, gobernar sin frenar, y activar en el momento de la decisión — no doce horas después.

El primer paso, como siempre, no es tecnológico. Es hacerse las preguntas correctas.

Basado en “The Battle for Context” — Zanco Jaff, Field CDO Salesforce (junio 2026); IDC “Beyond Customer Data: The Context Foundation AI Agents in CX Are Missing” (marzo 2026); Brézillon & Pomerol, CONTEXT Workshop AAAI/IJCAI (1999–2001); Dey, A.K. “Understanding and Using Context”, Carnegie Mellon University (2001); Informatica CDO Insights Survey (2025).

Recientemente, analizamos una realidad que sacudió los directorios de la región: según un reporte del Instituto de Directores de Chile (IdDC) y EY, aunque la Inteligencia Artificial es la prioridad número uno para el 2026, solo el 0,5% de los directores declara tener conocimientos expertos en la materia. En el Perú, esta brecha se manifiesta como un “punto ciego” estructural: el presupuesto existe, pero la gobernanza y el talento escasean.

Sin embargo, el mercado no espera a que los directorios se pongan al día. Hemos entrado de lleno en la era de la “Empresa Agéntica”, un concepto que Salesforce lleva meses posicionando como el siguiente gran salto de la transformación digital. Ya no hablamos de chatbots que redactan correos. Hablamos de agentes autónomos capaces de alterar el modelo de negocio, el modelo operativo y la forma de trabajar, en tiempo real y controlado por los humanos. En este escenario, la conclusión es inevitable: el CEO debe convertirse en el arquitecto de la inteligencia operativa.

La Era Agéntica: cuando el proceso se vuelve inteligente

Salesforce define la Empresa Agéntica como aquella donde la IA tiene autonomía para ejecutar flujos de trabajo de extremo a extremo. No es una promesa futura, es la arquitectura que sustenta Agentforce, la plataforma de agentes autónomos lanzada por Salesforce en 2024 y que ya opera en empresas de todos los tamaños e industrias en todo el mundo.

Según reportes de PwC y Mayfield (2026), hemos superado la automatización simple para entrar en la orquestación inteligente: la IA no se “pega” sobre un proceso viejo, es el tejido mismo de la operación. Reconfigurar un modelo de negocio hoy no requiere meses de consultoría, sino ajustar los agentes que gestionan la empresa. Por eso, esta no es una tarea para el área de TI, es una responsabilidad del CEO.

El propio Marc Benioff, CEO de Salesforce, lo ha planteado con claridad: “Agentforce no es solo una herramienta. Es una nueva fuerza laboral digital que trabaja junto a los humanos las 24 horas del día.” Un CEO que no entiende qué hacen sus agentes, no entiende cómo opera su empresa.

La disciplina operativa como ventaja competitiva

Como advertimos en nuestro análisis anterior, el gran cuello de botella no es el dinero (apenas el 1,2% de las preocupaciones en los sondeos), sino la ausencia de disciplina operativa.

La IA agéntica exige datos impecables y procesos estandarizados. Si el CEO no impone una cultura de gobernanza de datos, los agentes autónomos tomarán decisiones erróneas (o simplemente inútiles) a escala masiva. Aquí es donde la propuesta de Salesforce Data 360 se vuelve estratégicamente crítica: unifica en tiempo real los datos de ventas, servicio, marketing y operaciones en una única fuente de verdad, eliminando los silos que hacen fallar a la IA antes de que empiece.

La disciplina operativa es, en esencia, el lenguaje que permite que la visión del CEO se convierta en ejecución. Sin ella, cualquier plataforma agéntica opera sobre arena.

Casos prácticos: la transformación en el terreno

Para entender cómo el CEO puede hablar el lenguaje que traduce la estrategia en ejecución, veamos cómo la Disciplina Agéntica redefine tres sectores clave en el Perú:

• Banca y finanzas - el agente de riesgo total

Un agente de crédito autónomo (como los que ya operan sobre Agentforce en instituciones financieras globales) analiza en segundos el comportamiento transaccional en vivo para aprobar préstamos al instante. El rol del CEO es definir los límites éticos y de riesgo. Si el mercado se vuelve volátil, el CEO ajusta la “perilla” estratégica del agente, cambiando el modelo de ingresos en una tarde, no en un trimestre.

• Retail y consumo masivo - supply chain viva

Un agente detecta una huelga portuaria o una variación climática en la sierra peruana. Automáticamente, re-ruta la mercadería y ajusta precios para evitar quiebres de stock. Salesforce ha documentado casos similares con clientes del sector retail donde Einstein AI redujo en un 30% los errores de previsión de inventario. El rol del CEO: garantizar una data maestra perfecta. Sin ella, el agente no puede salvar la operación.

• Minería y energía - mantenimiento autónomo

Agentes monitorean sensores industriales y, al detectar una falla potencial, compran el repuesto, notifican al proveedor y programan la cuadrilla de mantenimiento sin intervención humana. El rol del CEO: asegurar un modelo “AI-First” donde la gerencia de planta confíe en la disciplina que dicta el sistema, y no en en la planilla del supervisor de turno.

El cuestionario del CEO-arquitecto: 7 preguntas críticas

Para asumir este rol en 2026, el CEO no necesita ser programador. Necesita dominar la terminología de decisión y saber qué exigirle a su equipo. Estas son las siete preguntas que todo líder peruano debe plantear hoy:

1. ¿Nuestros datos tienen disciplina de grado agéntico? ¿Tomamos decisiones sobre una única fuente de verdad (como la que provee Data 360) o sobre reportes de ayer?

2. ¿Estamos automatizando el pasado o diseñando el futuro? Si fundáramos la empresa hoy, ¿este proceso existiría o un agente lo resolvería de forma invisible?

3. ¿Cuáles son los guardrails de nuestros agentes? ¿Qué monto máximo transaccionan de forma autónoma? ¿Tenemos un protocolo de apagado de emergencia? Agentforce incorpora controles de confianza nativos (el llamado Salesforce Trust Layer) pero el CEO debe fijar los límites estratégicos.

4. ¿Nuestra arquitectura es de micro-agentes o es un monolito? ¿El agente de ventas puede hablar con el de logística directamente, o hay una estructura que no permite que agentes charlen entre sí o que los profesionales puedan participar de los flujos donde están los agentes?

5. ¿Cómo medimos el ROI de la capacidad de respuesta? ¿Cuánto valor creamos al reducir el tiempo de decisión de horas a milisegundos? Salesforce reporta que empresas que adoptan Agentforce reducen hasta un 40% el tiempo de resolución en servicio al cliente en los primeros 90 días.

6. ¿Tenemos un plan de reskilling para los gestores de agentes? ¿Nuestra planilla sabe auditar el trabajo de una IA de manera integrada a una persona, o solo sabe operar un software? Trailhead, la plataforma gratuita de aprendizaje de Salesforce, ya ofrece capacitaciones específicas en administración de agentes autónomos para equipos no técnicos.

7. ¿La IA es funcional a la estrategia o es un showcase? ¿Esta implementación genera una ventaja competitiva real en el mercado peruano, o es solo una demo para el directorio?

Conclusión: el liderazgo se programa

El mensaje para los líderes en el Perú es definitivo: el rol del CEO de 2026 evoluciona a ser el arquitecto de su propia inteligencia operativa.

En Salesforce llamamos a esto el Age of Agentforce: un momento en que las organizaciones que ganen no serán las que tengan más presupuesto tecnológico, sino las que tengan líderes capaces de orquestar agentes, imponer disciplina de datos y tomar decisiones éticas sobre la autonomía de sus sistemas.

Quien no entienda que su función principal es orquestar agentes y asegurar la disciplina operativa, terminará siendo reemplazado por un líder que sí lo haga.

En la empresa agéntica, el liderazgo no se delega. Se programa con disciplina.

La empresa moderna no nació en un vacío. Su arquitectura organizacional es heredera de siglos de perfeccionamiento en la gestión de recursos y personas bajo presión. Durante décadas, el mundo de los negocios ha recurrido a referencias clásicas como El Arte de la Guerra para entender la estrategia: competir exige disciplina, visión y, sobre todo, una estructura que soporte la toma de decisiones.

El verdadero salto organizacional ocurrió cuando se formalizó un concepto clave: el de un “cerebro colectivo” especializado. Fue el general prusiano Bronsart von Schellendorff quien lo describió en su obra El Estado Mayor: la idea de que el líder no necesita saberlo todo, sino estar rodeado de especialistas que procesen la realidad. Este principio, desarrollado hace más de un siglo, sigue vigente. En esencia, es la base sobre la que operan muchas de las organizaciones más complejas de hoy.

En mi caso, ese modelo dejó de ser teórico en 2003, durante mi formación como Oficial de la Marina de Guerra del Perú, donde nos organizábamos bajo las secciones “M”, un sistema nervioso que va desde Personal (M1) hasta Entrenamiento y Doctrina (M7).

Ahí entendí el funcionamiento del Ciclo de inteligencia:

Datos → Información → Análisis → Decisión

El proceso era claro, humano y analógico. El desafío era otro: el tiempo. Los datos se recolectaban manualmente, se convertían en reportes y, cuando el análisis llegaba a la mesa de decisión, la realidad ya había cambiado. Ahí entendí algo que sigue siendo válido hoy: el problema nunca fue la falta de información, sino la velocidad para convertirla en acción.

Con el tiempo, ya en el mundo tecnológico, entendí que las empresas fueron siguiendo una evolución bastante lógica: siempre intentando acortar esa distancia entre el dato y la decisión.

• Fase artesanal (el imperio del maestro): conocimiento individual, baja escala y decisiones basadas en intuición.

• Fase mecanizada (el imperio del proceso): procesos estandarizados y eficiencia operativa.

• Fase informática (el imperio del registro, de 1960 a 1990): digitalización del papel y el dato como registro del pasado.

• Fase digital (el imperio de la conectividad, de 1990 a 2020): conectividad masiva, pero también fragmentación y sobrecarga de información.

• Fase agéntica (el imperio del razonamiento, etapa actual): sistemas que almacenan, conectan y razonan sobre los datos y ejecutan acciones con contexto.

Este último estadio no es una mejora incremental. Cambia la naturaleza misma de la organización. La inteligencia artificial deja de ser una capa de soporte y pasa a integrarse directamente en la operación. Y si llevamos el concepto de Estado Mayor a este contexto, la empresa agéntica es su evolución natural:

• Talento (M1): orquestación del talento humano potenciado por IA.

• Inteligencia (M2): datos unificados, dinámicos y con contexto.

• Operaciones (M3): ejecución autónoma de procesos con agentes de IA.

• Logística (M4): optimización inteligente de recursos.

• Estrategia (M5): modelado predictivo y visión de mercado.

• Comunicaciones (M6): interconectividad fluida y segura.

• Doctrina (M7): gobernanza, ética y mejora continua.

Lo que antes era una estructura organizacional hoy se traduce en una arquitectura operativa basada en datos, automatización e inteligencia distribuida.

En este contexto, dentro del ecosistema de Salesforce, este modelo ya se vive en la práctica. No como una visión futura, sino como una forma actual de operar. La integración de datos y la capacidad de los agentes para actuar sobre ellos permiten que la organización deje de reaccionar a reportes y empiece a accionar directamente sobre la realidad.

Este es el verdadero quiebre: dejar de explicar lo que pasó para empezar a intervenir sobre lo que está pasando. Y en este proceso, el cambio más profundo no es tecnológico, es humano.

Esta evolución no busca deshumanizar las empresas, todo lo contrario. A medida que los sistemas asumen la carga de procesar información, el rol de las personas evoluciona. Dejamos de ser administradores de datos para convertirnos en orquestadores de valor. El objetivo sigue siendo el mismo que hace décadas: tener claridad para decidir. Pero ahora contamos con herramientas que permiten hacerlo con información en tiempo real.

En ese equilibrio entre inteligencia humana y capacidad digital, empieza a definirse la ventaja competitiva de los próximos años. La Empresa Agéntica es la herramienta que nos permite recuperar nuestras capacidades más humanas: la curiosidad crítica, el juicio ético y la empatía estratégica. Hemos perfeccionado la estructura de Schellendorff para que, finalmente, el líder tenga el tiempo y la libertad de liderar con propósito.

Suscríbete ahora

De acuerdo con el reporte ILIA 2025, América Latina llega con una señal relativamente positiva: existe un alto apetito por la inteligencia artificial (especialmente la generativa) y una base de usuarios y empresas que ya están experimentando y adoptando herramientas en su día a día. Esta dinámica crea una ventana concreta para capturar valor en el corto plazo: productividad en procesos repetitivos, mejores decisiones a partir de datos, y nuevos modelos de servicio orientados a la experiencia del ciudadano y del cliente.

Al mismo tiempo, los cimientos habilitantes: datos, talento e infraestructura, avanzan, pero aún muestran brechas. En mis artículos anteriores describí la situación, oportunidades y riesgos en América Latina en estos 3 campos. En datos, el reto es pasar de “tener” a “poder usar”: integrar fuentes críticas con estándares, calidad y trazabilidad para que la IA corra en producción, no solo en pilotos. En talento, la alfabetización básica crece, pero necesitamos acelerar la profesionalización de perfiles intermedios y avanzados que conviertan necesidades de negocio en soluciones operativas seguras y medibles. En infraestructura, el pragmatismo manda: arquitecturas cloud‑first, eficiencia de cómputo y observabilidad de costos para sostener casos reales sin sobredimensionar.

La tesis central de este artículo es agnóstica a marcas y positiva hacia la IA: Perú no debe esperar el “momento perfecto” ni la infraestructura ideal para avanzar. Si alineamos datos priorizados, talento aplicado al workflow y una gobernanza sencilla pero con dientes, podemos traducir adopción en resultados medibles en cuestión de meses, no años. El enfoque es práctico: seleccionar casos de uso con dueños, definir métricas y baselines desde el día uno, iterar en ciclos cortos de 6–8 semanas, y escalar únicamente lo que demuestre impacto en ahorro, ingresos, calidad o tiempos de productividad.

Los gobiernos y organizaciones deben incentivar a través de un mapa de oportunidades por sectores: servicios financieros, retail/CPG, manufactura, minería y recursos naturales, agro y pesca, telecomunicaciones, salud, educación y sector público; en los que la IA puede impulsar crecimiento, productividad y mejores servicios. La clave es combinar el estado actual de adopción con tres aceleradores: 1) foco en los datos y catálogos que habiliten reutilización, 2) rutas de upskilling/reskilling orientadas a proyectos reales, y 3) una arquitectura modular que controle riesgos (sesgos, alucinación, privacidad) con métricas operativas.

Desde septiembre 2025 asumo una responsabilidad directa en el mercado peruano; por ello, el análisis que sigue se concentra en Perú, manteniendo el foco en la inteligencia artificial y un enfoque pro‑crecimiento: acelerar productividad, desarrollar industria y aliviar dolores país (informalidad, tiempos de trámite, mermas logísticas y brechas de servicio) mediante casos medibles y responsables. Con este encuadre, en la Sección 1 profundizo en la posición relativa del Perú de acuerdo con el ILIA 2025 y, en las siguientes secciones, detallo principios, oportunidades por sector y un roadmap de ejecución sugerido.

1. Dónde estamos: posición relativa del Perú

Perú combina alto uso de IA (especialmente generativa) con cimientos en desarrollo en datos, talento e infraestructura. La oportunidad está en convertir adopción en productividad con casos acotados, métricas claras y ejecución disciplinada.

1.1 Uso e interés ciudadano‑empresarial

Perú destaca por una adopción intensa de herramientas de IA en el día a día. Esto reduce la fricción cultural y acelera el aprendizaje organizacional. En la práctica, significa que existen equipos y usuarios listos para trabajar con asistentes, automatizaciones y analítica aumentada sin largos procesos de change management. Sin embargo, en la práctica he observado que muchas empresas mantienen silos de datos o no priorizan la adopción de aplicaciones centrales con inteligencia artificial. Seguimos viéndolo como un gasto y no como una inversión estratégica.

Datos objetivos (ILIA 2025) y comparación regional

• Intensidad de uso de IA generativa web: Perú 100,0 (1.º); Colombia 73,0 (3.º); Chile 71,5 (4.º).

• Intensidad de uso de IA web avanzada: Perú 100,0 (1.º); Chile 78,1 (4.º); Colombia 75,3 (5.º).

• Ecosistema de datos (barómetro): Chile 65,8 (avanzado); Colombia 60,0 (en desarrollo, límite superior); Perú 56,3 (en desarrollo).

• Demanda/uso: Perú lidera en uso (IA generativa y avanzado), lo que favorece la adopción temprana de casos de negocio, de acuerdo con el reporte.

• Capacidades habilitantes: Chile y Colombia muestran mejor base de datos; Perú debe cerrar la brecha de estandarización/gobernanza para convertir uso en productividad sostenida.

En síntesis, la demanda existe y es alta; lo que puede frenar el impacto no es el interés, sino la preparación de los datos para operar en producción: calidad, estandarización, linaje y reglas de intercambio. Por eso, la siguiente sección aterriza el paso crítico de pasar de “tener datos” a “poder usarlos” con contratos de datos, catálogos reutilizables y aperturas público‑privadas que reduzcan tiempos de integración y eleven la velocidad de creación de valor.

1.2 Datos: de “tener” a “poder usar”

El ecosistema de datos muestra progreso, pero aún hay brechas de calidad, estandarización, metadatos y gobernanza. Muchas integraciones siguen siendo “artesanales”, lo que encarece y ralentiza los despliegues.

Ejemplo en Perú: Ley de Transparencia y Acceso a la Información Pública
Es un buen paso porque obliga a publicar información y crea una cultura de apertura; sin embargo, no establece estándares técnicos suficientes para el consumo automatizado que requieren el propio Estado y las empresas, más aún en escenarios con IA. En la práctica, encontramos: formatos heterogéneos (PDF sin estructura, planillas sin diccionario), falta de metadatos, versionamiento difuso, ausencia de APIs y licencias de uso claras. Resultado: alto costo de integración y baja reutilización.

Qué haría la diferencia (mínimos viables de estandarización)

• Formato y acceso: publicar en CSV/JSON y APIs paginadas; evitar PDFs escaneados.

• Metadatos obligatorios: diccionario de campos, unidad de medida, periodicidad, fecha de corte, cobertura geográfica, responsable y contacto.

• Identificadores consistentes: claves para entidades (empresa, establecimiento, distrito) que permitan cruce entre datasets.

• Versionamiento y calidad: reglas de actualización y métricas de data quality.

• Licenciamiento y privacidad: licencias abiertas (cuando aplique) y políticas de anonimización/seudonimización.

• SLA de publicación: calendarios y alertas para mantener vigencia.

Notas de referencia — ILIA 2025

• Perú: ecosistema de datos en desarrollo (~56,3), con brechas en gobernanza, estandarización y calidad que afectan el uso productivo.

• Región: heterogeneidad de estándares y metadatos eleva tiempos y costos de integración, frenando la escalabilidad.

• Recomendación: apertura con estándares, metadatos y trazabilidad para habilitar reutilización y colaboración público‑privada.

Con estos mínimos, el sector público y el privado reducen tiempos de integración, elevan la trazabilidad y habilitan casos de IA (predicción, personalización, automatización) que hoy quedan frenados por el costo de “limpiar” y “entender” la información.

El ejemplo de la Ley de Transparencia muestra que el problema no es solo publicar datos, sino publicarlos listos para usarse. En el sector privado pasa lo mismo: silos por unidades, ERP/CRM legados, PDFs y planillas sin diccionario, identificadores inconsistentes, poca trazabilidad y ausencia de APIs y contratos de datos. Sin estos cimientos, la IA se queda en pilotos costosos. La siguiente sección 1.3 aborda el otro lado del puente: el talento que hace que los estándares se cumplan y que los datos fluyan, para que los casos pasen de la teoría a la operación en producción.

1.3 Talento: alfabetización empresarial, simple y accionable

El mayor cuello de botella ya no es “tener una herramienta”, sino saber usarla bien en el trabajo. La alfabetización en IA es, ante todo, una responsabilidad empresarial: si la dirección define para qué servirá y cómo se medirá, los equipos pueden aprender lo justo para tomar mejores decisiones, operar con seguridad y capturar valor.

Para ordenar expectativas, tomemos la idea central de la matriz de Gartner: no todos deben saber lo mismo. Hay cuatro bloques de aprendizaje que se distribuyen según el rol:

• Valor de IA: entender problemas, casos de uso, ROI y riesgos/beneficios.

• Fundamentos: conceptos clave, límites, datos y buen uso de prompts.

• Ingeniería: cómo se diseña y opera (MLOps básico, evaluación, calidad).

• Gobernanza: políticas, trazabilidad, privacidad y controles.

Con eso, la ruta por perfil se vuelve natural. Los ejecutivos necesitan un nivel alto en valor (4/4): elegir, priorizar y medir. No deben programar, pero sí pedir tableros semanales y decidir go/stop/scale. Los expertos de negocio y colaboradores requieren nivel medio en valor (3/4) y fundamentos prácticos (2–3/4) para aplicar IA en su flujo, interpretar salidas y reportar fricciones. Los líderes de IA conectan negocio, datos y riesgo (aprox. 4‑4‑3‑4): orquestan estándares, guardrails y calidad. Los expertos técnicos profundizan en arquitectura, modelos y MLOps (aprox. 3‑4‑4‑3).

Los agentes de inteligencia artificial (AI agents) son sistemas que observan un contexto, deciden (según reglas/modelos) y actúan sobre herramientas (sistemas internos, correos, flujos, APIs). Bien diseñados, amplifican las capacidades humanas: quitan carga repetitiva, proponen la siguiente mejor acción y ejecutan pasos simples con supervisión. Para aprovecharlos, la organización necesita alfabetización mínima: saber qué puede y qué no puede un agente, cómo aprobar/editar sus propuestas, cómo reportar errores y qué métricas miramos (precision, cobertura, costo por tarea, tiempo de ciclo).

Hace unos meses escribí un artículo relacionado sobre las 4 fricciones (inercia, esfuerzo, emoción, reactancia). En “IA en Recursos Humanos: la transformación” explico cuatro fricciones, basadas en el marco de fricciones al cambio de Gartner y literatura de adopción, que bloquean la adopción si entre otras cosas, la empresa no alfabetiza al talento. Aplican a HR y al resto de áreas:

1. Inercia (preferimos lo conocido): “así siempre se ha hecho”.
   → Cómo la alfabetización la reduce: mostrar casos con evidencia (antes/después) y enseñar hábitos de uso en el puesto; que la gente vea y practique.

2. Esfuerzo (parece costar demasiado cambiar): nuevos flujos, más clics, datos que preparar.
   → Cómo la alfabetización la reduce: enseñar prepare→propose→approve→act, plantillas, atajos y contratos de datos mínimos; bajar el esfuerzo percibido (menos fricción, más guía).

3. Emoción (miedo, incertidumbre, pérdida de control): sesgos, errores, “me reemplaza”.
   → Cómo la alfabetización la reduce: entrenar guardrails (sesgos/privacidad), aclarar roles humanos (aprobación/supervisión) y métricas de calidad; más confianza.

4. Reactancia (rechazo a lo impuesto): “me lo obligan desde arriba”.
   → Cómo la alfabetización la reduce: co‑diseñar con dueños de proceso, pilotos con feedback visible y tableros transparentes; más autonomía y participación.

Detallo estas fricciones con más ejemplos y plantillas en el artículo: https://albertoindacochea.substack.com/p/ia-en-recursos-humanos-la-transformacion

Notas de referencia — ILIA 2025

• En el pilar Talento humano, Perú está en preparación moderada (≈ 39,2 puntos), mientras la alfabetización en IA supera la media regional (≈ 64,6 puntos), revelando brecha entre cultura digital y profesionalización.

• ILIA destaca el alto uso de IA generativa en Perú (intensidad web 100/100), lo que refuerza la urgencia de alfabetización aplicada para convertir uso en productividad y operación.

• El reporte subraya la necesidad de habilidades organizacionales (gobierno de datos, evaluación de calidad y seguridad, toma de decisiones con métricas) además de competencias técnicas.

¿Por qué esto cambia modelos de negocio?
Porque desplaza el foco del tiempo humano al tiempo del sistema. Las empresas que alfabetizan a su gente para co‑trabajar con agentes pueden atender más clientes con el mismo equipo, ofrecer servicio 24/7, personalizar a escala y abrir líneas de ingreso. Sin alfabetización, los agentes quedan subutilizados o, peor, generan riesgos por mal uso.

La clave es que cada persona aprenda lo adecuado para su rol y que la empresa convierta ese aprendizaje en hábitos operativos con agentes: aprobar, corregir, escalar y medir valor (tiempo, calidad, costo). Así, la alfabetización deja de ser un curso suelto y se vuelve capacidad organizacional.
Con roles claros, el talento convierte la intención en operación con control. Para sostenerla, la infraestructura debe acompañar: decisiones cloud‑first, eficiencia de cómputo y observabilidad de costo/calidad. Pasemos a 1.4.

1.4 Infraestructura: cloud‑first, con ojo en latencia y red

Idea fuerza (simple): ir cloud‑first para capturar valor rápido, mientras reforzamos latencia, conexiones y calidad de red en el país. Desplegamos en nube ya y, en paralelo, medimos dónde duele la latencia para invertir con precisión.

Claves operativas

• Despliegue ágil: servicios gestionados, APIs seguras e identidad federada; observabilidad/finops de costo por 1k inferencias, SLO de latencia y calidad.

• Latencia y peering: CDN/edge cuando el caso lo pida (<150 ms) y peering/IXPs activos para reducir saltos y mejorar estabilidad.

• Conexiones y cobertura: fortalecer fibra/backhaul y rutas alternativas; promover sitios de interconexión y colocation neutral.

• Calidad de red: monitorear jitter y packet‑loss por ciudad/proveedor y acordar SLA mínimos con telcos.

• Resiliencia: runbooks de DR/BCP multirregión y coordinación con CSIRT sectoriales.

Notas de referencia — ILIA 2025
El ILIA subraya concentración regional del cómputo avanzado y, para Perú, buena latencia relativa con infraestructura en desarrollo. Reforzar peering y estándares mejora la experiencia de apps de IA y reduce costos de integración.

Con esta combinación (nube ahora + mejoras medibles de latencia/red), reducimos tiempo a valor y priorizamos inversiones donde más impactan. Pasemos a 1.5.

1.5 Síntesis: de la adopción a la captura de valor (riesgo‑oportunidad)

Hilo conductor hasta aquí: Perú tiene demanda alta (1.1), pero el impacto depende de datos utilizables (1.2), talento relativamente alfabetizado para operar con agentes (1.3) y una infraestructura cloud‑first con atención a latencia y red (1.4). La historia es simple: usar más no basta; hay que producir valor en producción y medirlo.

Riesgos que nos pueden frenar

• Datos no listos (formato, metadatos, IDs, trazabilidad).

• Pilotos eternos sin dueños ni KPI.

• Costos de cómputo y latencia sin observabilidad.

• Sesgos/privacidad sin guardrails ni revisión humana.

• Brecha de talento entre alfabetización y profesionalización.

  Con esto claro, el siguiente paso es cómo hacerlo bien: elegir casos con métricas, preparar datos utilizables, alfabetizar equipos y operar en nube con control. Pasemos a la Sección 2.

2. Principios para capturar valor

Pasar de “uso elevado” a productividad sostenida requiere alinear problema + datos utilizables + talento alfabetizado + operación en nube con control. Estos principios se derivan de los hallazgos del ILIA 2025 para Perú: alto uso de IA generativa, ecosistema de datos en desarrollo, preparación moderada de talento e infraestructura con buena latencia relativa pero heterogénea en calidad.

2.1 Problema y métricas primero

Cada unidad de negocio debe elegir con claridad sus casos de impacto. Propongo iniciar con dos casos faro por unidad, cada uno con un dueño que responda por el resultado. Este encuadre evita la dispersión y obliga a priorizar problemas donde la IA puede mover la aguja: crecimiento, eficiencia o experiencia del cliente/colaborador.

Una vez definidos los casos, establecemos el baseline y una cadencia semanal de revisión. Ese tablero debe mostrar adopción (usuarios activos y frecuencia), calidad (precisión, tasa de acierto, retrabajo) y valor económico (ahorro/ingreso incremental). El seguimiento semanal acelera el aprendizaje, corrige desvíos a tiempo y crea los incentivos adecuados para que la solución pase de prueba a operación.

Finalmente, mantengamos una regla simple: no hay caso sin métrica y no se escala sin evidencia. Escalar significa invertir más presupuesto, datos y foco directivo; por eso, solo lo haremos cuando el caso demuestre, en el tiempo, que mejora los KPIs comprometidos. Esta disciplina protege el portafolio de “pilotos eternos”, libera recursos para lo que funciona y da credibilidad al programa de IA.

Como complemento, en mis clases en la Universidad de Lima refuerzo los conceptos necesarios en estas tres etapas (seleccionar casos con dueño, medir semana a semana y escalar con evidencia) para que los estudiantes y ejecutivos entiendan que la IA no es magia: potencia capacidades humanas y resultados solo si se aplica bien, con problema claro, datos utilizables y métricas de negocio.

Conexión con ILIA 2025 (Perú)
Este enfoque está alineado con los hallazgos del ILIA 2025: uso muy alto de IA generativa y avanzada en el país, un ecosistema de datos en desarrollo y una preparación de talento moderada. Dicho de otro modo, hay demanda y apetito para casos de IA, pero la captura de valor depende de elegir pocos casos con dueño, medir semana a semana y escalar solo con evidencia, la ruta más corta para convertir ese uso en productividad sostenida.

2.2 Datos listos para IA (contratos y catálogos)

El punto no es “tener datos”, sino poder usarlos sin fricción. Para eso, cada organización debe declarar un mínimo común de estándares que reduzca tiempos de integración y evite rehacer la rueda en cada proyecto. En la práctica, esto significa acordar formatos abiertos (CSV/JSON), metadatos obligatorios, identificadores consistentes para entidades clave y reglas claras de versionamiento, privacidad y licenciamiento.

Con esos mínimos, se construye un catálogo accesible que describe fuentes, calidad y responsables. Además, se formalizan contratos de datos para las fuentes críticas (clientes, transacciones, tickets, inventario), donde se documentan propósito, granularidad, latencia y métricas de calidad. Esto convierte los pipelines “artesanales” en activos reutilizables y trazables.

El objetivo es simple y medible: que los equipos encuentren, entiendan y reutilicen datos en días, no en meses. En el contexto de Perú, donde ILIA 2025 clasifica el ecosistema de datos como “en desarrollo”, este enfoque acorta el camino de la demostración a la producción y permite que los casos de uso muestren valor sostenido.

2.3 Talento alfabetizado y responsable

La alfabetización en IA es una competencia organizacional, no un curso. Debe diseñarse por rol: ejecutivos que eligen y miden valor, expertos de negocio y colaboradores que aplican IA en su flujo, líderes de IA que conectan negocio‑datos‑riesgo y expertos técnicos que operan arquitectura, modelos y MLOps. Cada uno aprende lo adecuado para su puesto y practica en su propio proceso.

Para que esa alfabetización se traduzca en resultados, conviene trabajar sobre fricciones reales: inercia (preferencia por lo conocido), esfuerzo (cambio percibido como costoso), emoción (miedo/incertidumbre) y reactancia (rechazo a lo impuesto). La respuesta es práctica: casos de uso con dueño, entrenamiento en el puesto y agentes asistidos integrados al flujo con métricas de tiempo, calidad y costo por tarea.

En Perú, ILIA 2025 muestra una combinación de alto uso y preparación de talento moderada. Justamente por eso, la alfabetización aplicada, con métricas y rutinas semanales, es la vía corta para pasar de “usar mucho” a operar con control y ROI.

Esta alfabetización es el paso previo para evolucionar a una empresa agéntica: organizaciones donde agentes colaboran con personas para orquestar tareas extremo a extremo (preparar → proponer → aprobar → actuar) a través de sistemas y canales. Una empresa agéntica combina contratos de datos y APIs (para que los agentes vean y actúen), permisos y trazabilidad (para que lo hagan con seguridad) y métricas de valor (para decidir qué automatizar y qué mantener con supervisión humana). Sus indicadores clave incluyen tiempo de ciclo, costo por tarea, tasa de resolución sin intervención, satisfacción del usuario e incidentes. En el contexto peruano, alto uso con cimientos en desarrollo, este modelo permite escala operativa sin sacrificar control, y convierte la alfabetización en ventaja competitiva.

2.4 Gobernanza ligera con dientes

La buena gobernanza habilita; la mala, bloquea. El camino intermedio es una gobernanza ligera y útil, que se centra en el riesgo por tipo de tarea (informativa, analítica, transaccional, operacional) y aplica controles proporcionales. Esto evita procesos pesados que frenan la innovación y, a la vez, da confianza para escalar.

En lo operativo, conviene registrar prompts y salidas, evaluar sesgos cuando corresponda, fijar revisión humana en tareas sensibles y asegurar privacidad/seguridad desde el diseño. Un comité pequeño y resolutivo (negocio, datos, legal/seguridad) decide go/stop/scale con evidencia, manteniendo la velocidad del negocio sin perder trazabilidad.

El resultado deseado es predecible: menos sorpresas y más casos en producción. En un entorno como el peruano, donde el uso crece rápido, esta gobernanza práctica acelera la captura de valor y reduce riesgos legales y reputacionales.
El ILIA 2025 muestra alto uso de IA en Perú y preparación de talento moderada. Esa combinación exige una gobernanza que no frene pero controle: reglas claras por tipo de tarea, bitácoras y revisión humana selectiva. Así se convierte el alto uso en productividad segura alineada con el marco del reporte.

2.5 Cloud‑first eficiente (latencia, costo y resiliencia)

Para acortar el time‑to‑value, la arquitectura debe ser cloud‑first, con servicios gestionados y APIs seguras. Lo importante es mirar el sistema con finops y observabilidad: costo por mil inferencias, SLO de latencia y calidad de salida. Si el caso lo exige, se complementa con CDN/edge (Content Delivery Network) y peering local para reducir saltos y mejorar estabilidad.

La calidad de red se vuelve una palanca de negocio: medir jitter y packet‑loss por ciudad/proveedor, acordar SLA y tener planes de DR/BCP (Disaster Recovery/Business Continuity Plan) multirregión probados. Evitar lock‑in funcional con una arquitectura modular facilita sustituir componentes y sostener competitividad en el tiempo.

El reporte señala concentración regional del cómputo avanzado y, para Perú, buena latencia relativa con infraestructura en desarrollo. Por eso, conviene operar cloud‑first ya, cobertura de fibra y calidad de red. Así las aplicaciones de IA ganan estabilidad y bajan los costos de integración.

2.6 Portafolio y disciplina de escalamiento

La IA no es un proyecto único, es un portafolio en movimiento. Un tablero central, con adopción, calidad, ROI y riesgo, permite comparar casos y tomar decisiones informadas. La disciplina es simple: escalar lo que demuestra impacto sostenido, archivar lo que no y iterar lo prometedor hasta alcanzar el umbral de evidencia.

Esta forma de gestionar evita “pilotos eternos” y orienta el presupuesto a donde genera más valor. Comunicar ganancias rápidas y lecciones aprendidas consolida confianza y moviliza a más equipos. Con una cadencia trimestral de go/stop/scale, el programa de IA se vuelve predecible y creíble.

Dado el alto uso reportado por ILIA y un ecosistema de datos en desarrollo, la gestión como portafolio disciplinado es el mecanismo para transformar uso en valor sostenido: prioriza casos con datos listos, mide semanalmente y escala con evidencia. En Perú, esto asegura que la inversión se convierta en productividad y servicio, no sólo en pruebas interesantes.

Con estos principios, llevamos la IA desde la curiosidad a la operación con ROI. En la siguiente sección, aplico el marco a sectores clave en Perú (servicios financieros, retail/CPG, manufactura, minería/recursos, agro, telecom, salud, educación y sector público) con casos faro y KPI sugeridos.

3. Oportunidades por sector en Perú

Con uso alto de IA en Perú (ILIA 2025) y cimientos en desarrollo (datos/talento/infra), las mayores ganancias aparecen donde ya existen datos operativos y dueños claros de proceso. A continuación, casos de uso clave por industria con KPI sugeridos y notas de contexto local.

3.1 Servicios financieros

Oportunidad: elevar productividad y calidad de servicio con agentes en front y middle office; reducir fraude y tiempos de ciclo.

• Casos de uso: (1) Agente de atención para banca digital (triaje, respuestas guiadas, derivación). (2) Asistente de riesgo para análisis de transacciones y alertas explicables. (3) Generación de propuestas (crédito/seguros) con verificación documental.

• KPI: TMO/tiempo de respuesta, tasa de resolución en primer contacto, costo por caso, falsos positivos/negativos en alertas, conversión en campañas.

• Nota ILIA 2025: alto uso respalda adopción rápida; la barrera es datos listos (contratos con core/CRM) y gobernanza (privacidad, explicabilidad).

3.2 Retail y CPG

Oportunidad: optimizar experiencia omnicanal y operación en tienda con agentes y analítica rápida.

• Casos de uso: (1) Agente de tienda (inventario, precios, consultas de producto). (2) Asistente comercial para catálogos y fichas enriquecidas. (3) Pronóstico + reposición con señales internas/externas.

• KPI: rotura de stock, NPS en canal digital, tiempo de actualización de catálogo, margen por categoría, shrinkage.

• Nota ILIA 2025: foco en estandarizar datos (SKU, tienda, proveedor) y medir latencia entre POS y nube.

3.3 Manufactura

Oportunidad: reducir scrap, paradas y tiempos de cambio; documentar conocimiento operativo.

• Casos de uso: (1) Mantenimiento asistido (checklist, repuestos, diagnóstico inicial). (2) Control de calidad asistido con computer vision en bordes de línea. (3) Documentación viva (SOPs generados y validados).

• KPI: MTTR/MTBF, tiempos de setup, costos por lote.

• Nota ILIA 2025: combinar edge (baja conectividad en planta) con catálogo de sensores y trazabilidad de lotes.

3.4 Minería y recursos naturales

Oportunidad: seguridad, continuidad operativa y trazabilidad ambiental/social.

• Casos de uso: (1) Agente HSE-Health, Safety and Environment (reportes, alertas, derivación). (2) Optimización de flota (rutas, consumo, mantenimiento). (3) Gestión documental de permisos y cumplimiento.

• KPI: incidentes por millón de horas, horas de detención no planificada, costo por tonelada, tiempos de trámite/documentación.

• Nota ILIA 2025: priorizar backhaul híbrido (fibra/microondas/satelital) y contratos de datos con contratistas.

3.5 Agro y pesca

Oportunidad: mejorar rendimiento, reducir mermas y certificar origen/calidad.

• Casos de uso: (1) Asistente de campo (recomendaciones por cultivo/lote). (2) Planificación de cosecha/logística con clima y mercado. (3) Trazabilidad de cadena de frío y certificaciones.

• KPI: rendimiento por hectárea, merma postcosecha, cumplimiento de cadena de frío, tiempos de entrega.

• Nota ILIA 2025: abrir/estandarizar datos públicos (clima/agua/suelos) y articular APIs con acopiadores/exportadores.

3.6 Telecomunicaciones

Oportunidad: servicio proactivo y optimización de red.

• Casos de uso: (1) Agente de soporte (diagnóstico remoto, cita técnica, self‑care). (2) Planificador de red con predicción de congestión y peering óptimo. (3) Cobranzas inteligentes multicanal.

• KPI: tasa de resolución sin visita, NPS/CSAT, tickets por 1,000 clientes, churn, ARPU.

• Nota ILIA 2025: medir paquetes por ciudad y ajustar SLA; agentes requieren identidad federada y bitácoras.

3.7 Salud

Oportunidad: acceso y eficiencia clínica/administrativa con seguridad.

• Casos de uso: (1) Triaje asistido y priorización de citas. (2) Apoyo al diagnóstico (teleradiología) con revisión humana. (3) Automatización administrativa (autorizaciones, referencias).

• KPI: tiempo a cita, tiempos de informe, reingresos, costo administrativo por paciente, satisfacción.

• Nota ILIA 2025: gobernanza estricta de datos (anonimización, acceso) y edge para imágenes pesadas.

3.8 Educación

Oportunidad: personalizar aprendizaje y aliviar carga docente.

• Casos de uso: (1) Tutor agéntico que adapta contenidos. (2) Asistente docente para rúbricas, retroalimentación y contenidos. (3) Analytics de permanencia/riesgo.

• KPI: retención, tasa de aprobación, tiempo docente en tareas no lectivas, satisfacción estudiantil.

• Nota ILIA 2025: estandarizar datos académicos (curso, competencia, evaluación) y cuidar privacidad.

3.9 Sector público

Oportunidad: trámites rápidos, transparencia útil y mejor fiscalización.

• Casos de uso: (1) Asistente de trámites con derivación y seguimiento. (2) Generación automatizada de resoluciones/oficios con revisión humana. (3) Analítica de riesgo para inspecciones/fraude.

• KPI: tiempo de trámite, satisfacción ciudadana, costo por expediente, casos detectados/prevenidos.

• Nota ILIA 2025: convertir la Ley de Transparencia en datos listos (APIs, metadatos, IDs) y crear peering entre entidades.

El ILIA 2025 nos deja un mensaje claro para Perú: tenemos uso alto de IA y una base social y empresarial lista para dar el salto, pero los cimientos, datos estandarizados y reutilizables, talento aplicado por rol, y una infraestructura que combine cloud‑first con mejoras de latencia/peering y calidad de red, aún están en desarrollo. Este diagnóstico no es un freno; es una hoja de ruta pragmática para convertir la curiosidad en productividad sostenida, con ejemplos locales que muestran dónde duelen hoy las fricciones (trámites, retail multiciudad, minería/logística) y cómo resolverlas con contratos de datos, alfabetización y operación con control.

El llamado es simple y positivo: cada organización puede elegir casos de uso con métricas y dueño, firmar contratos de datos para las fuentes críticas, alfabetizar por rol para reducir inercia, esfuerzo, emoción y reactancia, y operar cloud‑first con gobernanza ligera y con dientes. A nivel país, sumemos un pacto público‑privado para abrir datasets con estándares, y la cobertura de fibra, y medir calidad de red con SLA consistentes. Si hacemos esto, Perú no solo seguirá avanzará en uso; liderará en resultados: más crecimiento, más productividad y mejores servicios para ciudadanos y clientes.

Fuentes y referencias

• ILIA 2025 (reporte). Cifras y comparativas regionales (uso de IA generativa/avanzada, barómetro de datos, talento e infraestructura).

• Ley de Transparencia y Acceso a la Información Pública (Perú, Ley N.º 27806) y su reglamento (D.S. N.º 072-2003-PCM y modificatorias).

• Gartner — marcos de alfabetización y adopción de IA (matrices de roles/habilidades y fricciones al cambio). Base conceptual para secciones de talento, fricciones (inercia, esfuerzo, emoción, reactancia) y empresa agéntica.

• Indacochea, A. (2025). “IA en Recursos Humanos: la transformación.” Substack. Análisis de fricciones y plantillas aplicadas a RR.HH. Disponible en: https://albertoindacochea.substack.com/p/ia-en-recursos-humanos-la-transformacion

La IA no sustituye nuestra identidad; la potencia. El talento latino: creativo, colaborativo y resiliente es el multiplicador de productividad si lo conectamos con datos locales, infraestructura adecuada y reglas inteligentes.

0. Gancho regional — De potencia creativa a potencia productiva

América Latina es una paradoja positiva: abunda la creatividad y la capacidad de resolver con pocos recursos, pero esa misma creatividad no siempre se traduce en productividad medible. La IA nos ofrece un “acelerador” para cerrar esa brecha. No es una moda que llega de afuera; ya está pasando aquí: bancos que reducen fraudes, cooperativas que optimizan riego, retailers que afinan inventarios con señales locales, fintechs que democratizan crédito con historiales alternativos, y hospitales que priorizan citas con triage inteligente.

Traducción ejecutiva: la conversación no es “IA vs. empleo”, sino talento + IA = productividad con identidad.

1. El fin de las tareas, no de los trabajos (con ejemplos regionales)

Lenguaje simple: la IA automatiza partes del trabajo, no el propósito del empleo. Libera tiempo para tareas de mayor valor humano.

Esta frase la repito en mis charlas y estoy convencido de eso. Para los que me han escuchado, siempre pongo el ejemplo del despertador (ya tengo que usar otros ejemplos). A continuación algunos ejemplos en los negocios:

1.1 Agroindustria

• Tareas automatizables: conteo de frutos por imagen, detección temprana de plagas, cálculo de riego, consolidación de partes diarias.

• Lo que gana la persona: decisión agronómica fina (cuándo cosechar), negociación con proveedores, coordinación con mercados locales, gestión ambiental.

• Mini‑caso ilustrativo: cooperativa frutícola que usa visión por computadora en el edge o borde a traves de algún dispositivo para estimar rendimiento por lote y ajustar logística a tiempo. El operario ahora interpreta alertas y decide acciones.

1.2 Servicios financieros (fintech & banca)

• Tareas automatizables: pre‑scoring con datos alternativos, conciliaciones, priorización de casos de cobro, chat de consultas frecuentes.

• Lo que gana la persona: diseño de políticas de riesgo, empatía en casos complejos, reentrenamiento de modelos con señales locales (desempleo, clima, festividades), compliance adaptado a regulación local.

• Mini‑caso: entidad que reduce tiempos de evaluación de microcréditos de días a horas; el analista dedica más tiempo a educación financiera y a decisiones excepcionales.

1.3 Retail/consumo

• Tareas automatizables: pronóstico de demanda por tienda, sugerencia de reubicación de stock, clasificación de reclamos y pricing dinámico.

• Lo que gana la persona: experiencia de cliente, visual merchandising, campañas locales, negociación con proveedores, sell‑out comunitario.

• Mini‑caso: cadena de supermercados que combina IA de inventario con “sabiduría del piso” (jefes de sala). El algoritmo sugiere, el equipo valida y personaliza por barrio.

1.4 Salud

• Tareas automatizables: triage textual, resumen de historias, clasificación de imágenes no críticas, reasignación de turnos.

• Lo que gana la persona: relación clínica, educación del paciente, diagnóstico diferencial y coordinación multidisciplinaria.

• Mini‑caso: hospital público que usa IA para priorizar derivaciones; el equipo clínico se concentra en los casos complejos y reduce tiempos de espera.

Automatizar tareas libera capacidad humana para lo que mejor sabemos hacer: entender contextos, crear, cooperar y decidir con ética.

2. El nuevo “Talento Prime”: 3 C con sabor latino

Curiosidad Crítica, Creatividad Colaborativa y Conciencia (ética y cultural) son el “núcleo blando” que multiplica las skills técnicas.

2.1 Curiosidad Crítica

Definición simple: preguntar “¿qué problema real resuelvo?” antes de abrir el notebook.
Por qué importa: evita pilotos bonitos que no mueven KPI.
Mini‑hábitos: briefs de negocio en una página; hipótesis medibles; design reviews con usuarios reales.
Indicador práctico: % de casos de IA con dueño de negocio y KPI definido.

2.2 Creatividad Colaborativa

Definición: co‑crear con pares, usuarios y comunidades.
Por qué importa en LATAM: nuestro talento prospera en redes informales y aprovecha escasez como ventaja (innovación frugal).
Mini‑hábitos: como en Spotify: hack weeks con áreas operativas; repositorios abiertos de prompts y playbooks; show & tell mensual.
Indicador: número de ideas llevadas a piloto por trimestre.

2.3 Conciencia (ética y cultural)

Definición: aplicar la IA con respeto a diversidad lingüística, social y normativa.
Por qué importa: evita sesgos importados y mejora la adopción.
Mini‑hábitos: panel de revisión local, checklist de sesgo y privacidad, cláusulas de portabilidad con proveedores.
Indicador: incidentes éticos reportados (meta: 0) y satisfacción de usuarios vulnerables.

Apoyo de referencia:

• BID — habilidades transversales: https://publications.iadb.org/es/el-futuro-ya-esta-aqui-habilidades-transversales-de-america-latina-y-el-caribe-en-el-siglo-xxi

• WEF — Future of Jobs 2025 (brechas y upskilling): https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf

3. ¿Dónde está el talento hoy? (líderes y polos)

Lectura de ILIA 2024 (CEPAL/CENIA): Chile, Brasil y Uruguay lideran; México, Colombia y Argentina muestran escala de mercado y polos vibrantes.

Mapa breve de concentración (ciudades y universidades):

• Brasil: São Paulo (fintech, retail tech), Campinas (semiconductores/UNICAMP), Floripa (software).

• México: CDMX, Guadalajara (hardware/software), Monterrey (manufactura, IA industrial).

• Chile: Santiago (minería, retail), Valparaíso (centros académicos).

• Colombia: Bogotá (servicios/finanzas/gobierno digital), Medellín (Ruta N, industria 4.0).

• Argentina: Buenos Aires (fintech/servicios de IA), Córdoba (software/embebidos).

• Perú: No se conocen iniciativas de impacto.

Mensaje clave: donde convergen academia + capital + demanda corporativa + política pública, surge masa crítica de talento.

4. Demanda vs. oferta — lo que piden las empresas y lo que falta

Demanda al alza: el IBM Global AI Adoption Index (2023) confirma despliegues y exploración activa de IA a nivel empresarial. EY (2024/25) ubica a IA, analytics, cloud entre las tecnologías más prioritarias para líderes latinoamericanos.

Oferta que no alcanza (donde aprieta el zapato):

• Ingeniería de datos y MLOps: el verdadero cuello de botella.

• Operación de infraestructura para cargas de IA (centros de datos, GPU, redes): detallados en mis artículos 12, 13 y 14.

Dato macro de referencia: IDC estima que la región necesitará ~2,5 millones de especialistas TIC adicionales hacia 2028 (cobertura de Bloomberg Línea).

Bloomberg Línea: https://www.bloomberglinea.com/2023/11/13/el-deficit-de-talento-tecnologico-preocupa-en-latam-y-significa-millones-de-posiciones/

Perfiles más demandados (2025):

• Data/Analytics Engineers (pipelines, calidad, lakehouse).

• MLOps/Plataformas (despliegue, observabilidad, costo/escala).

• ML Engineers (fine‑tuning, RAG, agentes).

• Científicos de datos (experimental, causalidad, evaluación).

• Seguridad/Privacidad (privacy by design, llaves del cliente, gobernanza).

Traducción ejecutiva: no faltan ideas; faltan ingenieros de datos y de plataforma que lleven la IA a producción.

5. ¿Qué industrias demandan el talento? (y por qué)

Tomé de ejemplo 4 industrias explicando a alto nivel la demanda de talento versus la complejidad en los casos de uso para darle forma a la idea.

5.1 Fintech/Servicios financieros

• Casos: scoring alternativo, prevención de fraude en tiempo real, copilotos para back‑office, asistentes al cliente.

• Impulsores: cumplimiento (KYC - Conozca a su Cliente y AML - Anti-Money Laundering o Prevención del Blanqueo de Capitales), privacidad, presión competitiva de fintechs.

• Efecto talento: salarios al alza para MLOps y Data Engineers.

5.2 Salud

• Casos: triage por texto, NLP clínico en español/portugués, analítica operativa, gestión de camas, priorización de turnos.

• Impulsores: listas de espera, cobertura geográfica, integración HIS/EMR y privacidad.

• Efecto talento: demanda de ingeniería de datos + gobernanza.

5.3 Agro y recursos naturales

• Casos: visión por computadora en campo, predicción de plagas, series de tiempo para riego/energía, gemelos digitales para minería/energía.

• Impulsores: clima, costos/logística, sostenibilidad.

• Efecto talento: ML Engineers edge + data engineers con IoT.

5.4 Retail/consumo

• Casos: pricing dinámico, demand sensing, surtido por tienda, asistentes de venta y posventa.

• Impulsores: márgenes ajustados, estacionalidad, omnicanal.

• Efecto talento: MLOps + FinOps (control de costo de inferencia).

Apoyos y lecturas:

• IBM AI in Action: https://www.ibm.com/think/reports/ai-in-action

• EY perspectivas: https://www.ey.com/es_ce/insights/desafios-tendencias-empresas-latinoamerica/desafios-tendencias-empresas-latinoamerica-2024

6. Ecosistema emergente — startups, ghost work y semilleros

6.1 Startups de IA aplicada

Crecen soluciones sectoriales (copilotos, agentes operativos, analítica en tiempo real). Informes de EY y NTT DATA mapean casos y pilotos en múltiples países.

NTT DATA (estudio): https://itenlinea.com/wp-content/uploads/2024/03/NTTDATA-Estudio-IA.pdf

6.2 El “trabajo fantasma” que entrena IA

La región aporta mano de obra en etiquetado de datos y pruebas. Es puerta de entrada a skills digitales, pero hay que subir en la cadena a tareas de mayor valor.

6.3 Semilleros corporativos (upskilling acelerado)

Los bootcamps internos en MLOps/ML Engineering y reskilling de analistas a ingeniería de datos muestran retorno rápido: más proyectos pasan de piloto a producción y bajan costos de cloud. Clave: mentores, playbooks y KPI de time‑to‑value.

7. Diez mitos del talento IA en LATAM (y cómo desactivarlos)

1. “La IA quita empleos” → No. Quita tareas repetitivas y crea trabajos nuevos (MLOps, AI Product, Data Stewardship).

2. “Solo necesito data scientists” →** el cuello real está en datos y plataforma.

3. “Con inglés básico alcanza” → No. Se necesita inglés técnico (docs, repos). Solución: equipos multidisciplinarios internos y glosarios.

4. “Todo viene de afuera” → hoy existen casos locales y marcos regionales (ILIA, BID, CEPAL).

5. “Open source es inseguro” → la seguridad depende del proceso; OSS da portabilidad y auditoría.

6. “Sin PhD no se puede” → se puede con equipos mixtos (negocio+datos+plataforma) y capacitación modular.

7. “Entrenar = gastar fortunas” → fine‑tuning y RAG resuelven el 80% de casos a menor costo.

8. “La regulación frena” → reglas claras (protección, residencia, soberanía) aceleran adopción responsable.

9. “LatAm no innova” → innova distinto: frugal, cercano a la comunidad, orientado a impacto.

10. “No hay talento” → sí hay, pero disperso; el reto es organizar y retener.

8. Historias cortas — de tareas a talento

Micro‑relatos basados en patrones observados en la región (nombres genéricos por confidencialidad).

• “Del Excel al pipeline”: analista de ventas que, tras un bootcamp de 10 semanas, automatiza la ingesta y validación de datos; la empresa reduce reportes manuales 80%.

• “La agrónoma y el edge”: ingeniera agrónoma entrena un clasificador simple de plagas con imágenes tomadas por técnicos de campo; integra alertas en WhatsApp Business para productores. Menos pérdidas, más coordinación.

• “Fraude con contexto local”: equipo re‑entrena semanalmente un modelo de fraude con señales regionales (calendario de pagos, feriados, clima). Baja falsos positivos y mejora la experiencia del cliente.

• “Gobierno que escucha”: contact center ciudadano despliega un asistente que clasifica y resume reclamos; servidores se enfocan en casos urgentes y en diseño de políticas.

9. Glosario esencial (lenguaje simple)

• RAG: técnica para que un modelo responda con tus documentos.

• Fine‑tuning: ajuste de un modelo con tus datos.

• MLOps: prácticas para llevar y mantener modelos en producción.

• Data residency (residencia): dónde se guardan/procesan datos.

• Data sovereignty (soberanía): quién manda legalmente sobre los datos.

• FinOps: disciplina para controlar costos de nube/IA.

10. Optimismo con mapa

No se trata de importar soluciones y ya; se trata de traducir la IA a nuestra realidad. Donde haya datos locales, infraestructura disponible y reglas claras, el talento latino hará lo que mejor sabe: resolver, crear y cooperar.

Referencias

• CEPAL — ILIA 2024

• IBM — Global AI Adoption Index 2023/24

• WEF — Future of Jobs 2025

• BID — Habilidades del siglo XXI

• CEPAL — Desajustes de habilidades

• Uptime Institute — Global Data Center Survey 2024

• EY — Tendencias LATAM 2024

• NTT DATA — Estudio IA en América Latina

• Bloomberg Línea — brecha de talento (IDC)

  Suscríbete ahora

Si los datos son el activo y la IA local es la fábrica, la regulación es el conjunto de reglas que asegura que la riqueza creada se quede y crezca en la región, sin frenar la innovación.

0. Introducción — Reglas que multiplican la productividad

En los dos artículos anteriores vimos que refinar datos en casa y entrenar/adaptar modelos con datos locales aumenta precisión, reduce sesgo y retiene valor. Este tercer capítulo responde una pregunta clave: ¿qué reglas necesitamos para que eso ocurra de manera segura, legal y sostenible?

El objetivo no es levantar muros, sino diseñar corredores seguros para que los datos fluyan cuando conviene (comercio, investigación) y se queden cuando deben (privacidad, sectores críticos, ventaja competitiva).

Regulación inteligente = más productividad, menos riesgo y mejor poder de negociación con proveedores globales.

1. Tres conceptos que suelen confundirse (definidos en simple)

1) Protección de datos (privacidad): derecho de las personas a que su información sea tratada con consentimiento, propósito legítimo y seguridad. Piensa en reglas sobre qué puedes hacer con el dato y con qué garantías.

2) Residencia de datos: dónde se almacenan y procesan físicamente (país/región). Es logística y cumplimiento operativo.

3) Soberanía de datos: quién manda sobre esos datos (jurisdicción, tribunales y autoridad). Es poder legal y político.

Ejemplo rápido: puedes tener un dato residente en un país X, pero sujeto a soberanía de un país Y si firmas contratos o usas servicios que se rigen por las leyes de Y. Por eso, residencia ≠ soberanía.

1.1 Cómo lo definen Oracle, IBM, Microsoft y WEF (y dónde difieren)

• Oracle (Sovereign Cloud / Security).

  • Residencia = ubicación física de almacenamiento/procesamiento.

  • Soberanía = control jurídico (ley aplicable, tribunales y autoridades).

  • Nube soberana = controles de jurisdicción, operadores/entidades locales y llaves gestionadas por el cliente para evitar extraterritorialidad.

  • Enfoque: cumplimiento por país/sector con separación operativa (regiones soberanas y data boundaries).

  • Referencia: Oracle — Data sovereignty vs. data residency / Sovereign Cloud. https://www.oracle.com/security/saas-security/data-sovereignty/data-sovereignty-data-residency/

    https://www.oracle.com/cloud/sovereign-cloud/data-sovereignty/

• IBM (Topics / Cloud Learn).

  • Residencia = localización física de almacenamiento/procesamiento.

  • Soberanía = datos sujetos a las leyes y autoridades del país que los controla.

  • Localización = obligación legal de mantener ciertos datos en el país (más estricta que “residencia”).

  • Enfoque: distingue claramente localización como un subconjunto normativo más rígido, útil para sectores críticos.

  • Referencia: IBM Topics — Data sovereignty / Data residency. https://www.ibm.com/topics/data-sovereignty

• Microsoft (Trust Center).

  • Residencia = compromiso del proveedor sobre dónde se almacenan/ procesan los Customer Data (datos del cliente), con “data boundaries” por región (ej.: UE).

  • Evita usar “soberanía” como control estatal y se centra en cumplimiento y transparencia para clientes empresariales.

  • Enfoque: prioriza localización operativa y cumplimiento por sector/país; propone controles de cifrado con customer‑managed keys.

  • Referencia: Microsoft Trust Center — Data residency. https://www.microsoft.com/trust-center/privacy/data-residency

• WEF (World Economic Forum).

  • Promueve Data Free Flow with Trust (DFFT): flujos transfronterizos con confianza, combinando privacidad, seguridad e interoperabilidad.

  • Enfoque: evitar el “proteccionismo de datos” sin garantías, y construir confianza mediante estándares, auditorías y acuerdos internacionales.

  • Referencia: WEF — Data Free Flow with Trust. https://www.weforum.org/projects/data-free-flow-with-trust/

Diferencias clave en una frase:

• Oracle enfatiza la nube soberana (jurisdicción, operadores locales, llaves del cliente) para materializar la soberanía más allá de la mera ubicación.

• IBM añade “localización” como categoría legal estricta.

• Microsoft enfatiza residencia y cumplimiento para clientes (más que “soberanía” estatal).

• WEF impulsa flujo con confianza (DFFT) como alternativa a muros de datos.

2. Por qué estos conceptos importan para la productividad

• Costos y tiempos: elegir bien residencia/soberanía evita sobrecostos (salidas de datos, latencia, trámites) y acelera tus ciclos de IA.

• Riesgo regulatorio: si la autoridad local exige que cierto dato no salga del país (salud, finanzas, gobierno), tenerlo en la nube correcta te ahorra sanciones y paradas de servicio.

• Poder de negociación: con reglas claras sobre qué se procesa on‑shore y qué se puede llevar off‑shore (cifrado, anonimización), logras mejores precios y cláusulas con proveedores.

• Valor capturado en origen: cuanto más refinado esté el dato en la región, mayor es el multiplicador económico local (empleo, impuestos, patentes). Esto enlaza con El Oro Digital y Hecho en Casa.

3. Lecciones de la región y un caso que marcó precedente

3.1 Brasil (ANPD vs. Meta): En julio de 2024, la Autoridad Nacional de Protección de Datos ordenó suspender la política de Meta que permitiría usar datos de usuarios para entrenar IA generativa. La medida fue inmediata, con multa diaria en caso de incumplimiento; luego, en agosto de 2024, la autoridad ajustó la decisión con condiciones.

• Cobertura en Reuters (suspensión y multas): https://www.reuters.com/technology/artificial-intelligence/brazil-authority-suspends-metas-ai-privacy-policy-seeks-adjustment-2024-07-02/

• Nota en Swissinfo (suspensión): https://www.swissinfo.ch/spa/el-gobierno-de-brasil-proh%C3%ADbe-a-meta-usar-datos-de-usuarios-para-entrenar-modelos-de-ia/82482090

• Actualización Swissinfo (autorización con restricciones): https://www.swissinfo.ch/spa/brasil-autoriza-a-meta-a-usar-datos-personales-para-entrenar-su-inteligencia-artificial/87466794

Por qué importa:

• Demuestra que sí hay capacidad regulatoria en la región para proteger a los ciudadanos y podría marcar límites a Big Tech.

• Envía una señal a empresas locales: es posible innovar en IA cumpliendo reglas claras, y la autoridad dialoga si hay ajustes razonables (transparencia, exclusión de menores).

• Refuerza la idea de soberanía: no cualquier “término y condición” vale si afecta derechos fundamentales.

3.2 Estado de la protección de datos en LATAM:

• Mapa normativo heterogéneo, pero en avance: Argentina, Brasil, Chile, México, Colombia, Uruguay y otros cuentan con marcos de protección de datos (con distintos niveles de actualización).

• Panorama comparado ADC (informe referencia regional): https://adc.org.ar/informes/sistema-proteccion-datos-personales-latam/

3.3 Contexto geopolítico: América Latina navega entre dos polos tecnológicos y normativos (EE.UU. y China). Además, juega un papel importante la regulación europea. El Real Instituto Elcano resume bien este equilibrio inestable y su traducción en políticas públicas:

https://www.realinstitutoelcano.org/analisis/la-geopolitica-de-america-latina-ante-la-rivalidad-eeuu-china-del-relato-a-los-datos/

4. Protección, residencia y soberanía, cómo aplicarlas sin frenar la innovación

Regla práctica 80/20: mantiene on‑shore lo que impacta privacidad, sectores críticos y ventaja competitiva; usa off‑shore para picos o colaboración internacional con cifrado, anonimización y portabilidad.

4.1 Protección de datos (personas y clientes)

• Base legal clara (consentimiento, contrato, interés legítimo).

• Minimización: recolecta solo lo necesario para el caso de negocio.

• Privacy by design: controles desde el diseño (enmascaramiento, k‑anonymity, acceso por roles).

• Derechos del titular: acceso, rectificación, oposición, portabilidad.

• Human‑in‑the‑loop: revisores cuando la decisión afecte significativamente (crédito, empleo, salud).

4.2 Residencia (dónde viven los datos)

• Clasifica por sensibilidad: PII (significa Información de Identificación Personal, por sus siglas en inglés, Personally Identifiable Information) y sectores críticos → residencia local o regional; datos anónimos → residencia flexible.

• Evita “lock‑in” con formatos abiertos y cláusulas de portabilidad.

• Latencia y costos de salida: busca nubes/regiones cercanas; usa caching y data‑in‑place para IA.

• Plan de continuidad: backups cifrados en otra región/país con pruebas de recuperación.

4.3 Soberanía (quién manda y qué tribunales aplican)

• Contratos y jurisdicción: define ley aplicable y foro; limita transferencias sujetas a leyes extraterritoriales que choquen con la local.

• Auditorías y logs: exige derecho a auditoría y bitácoras para trazabilidad.

• Custodia de claves: conserva llaves de cifrado en la jurisdicción elegida (ideal: customer‑managed keys).

• Failover soberano: arquitectura de contingencia que no dependa de un único país o proveedor.

5. Cláusulas contractuales de referencia

Deben utilizarse en caso uses datos sensibles del negocio o datos extremadamente críticos.

1. Residencia y localización: regiones/países permitidos para almacenamiento y cómputo.

2. Soberanía y jurisdicción: leyes aplicables, foro, cooperación con la autoridad local.

3. Privacidad: base legal, obligaciones frente a titulares, evaluación de impacto.

4. Seguridad: cifrado en tránsito y en reposo, gestión de identidades, respuesta a incidentes.

5. Portabilidad: exportación en formatos abiertos, plazos y costos de salida (evita sorpresas).

6. Auditoría y logs: derecho de auditoría, retención y acceso a bitácoras.

7. Propiedad intelectual y uso secundario: prohíbe que el proveedor entrene modelos con tus datos sin acuerdo expreso de reparto de beneficios.

8. Terminación/continuidad: plan de salida (exit plan) y borrado certificado al terminar el contrato.

Tip: negocia llaves gestionadas por el cliente y evita cláusulas que obliguen a cambios unilaterales en términos de privacidad.

6. Políticas públicas pro‑innovación

Para gobiernos y reguladores:

1. Definir estándares de residencia por sector (salud, finanzas, energía, justicia) con guías simples.

2. Autoridad técnica y rápida: equipos que entiendan IA, datos y ciberseguridad.

3. Sandbox regulatorios: pilotos con reglas claras para probar IA en banca, salud y gobierno digital (ej. Brasil).

4. Compra pública con transferencia de know‑how: contratos que exijan equipo local, model cards y documentación.

5. Acuerdos de adecuación y puentes de datos con socios claves (en LATAM, UE, EE. UU.) para facilitar comercio sin sacrificar derechos.

6. Marco de responsabilidad: transparencia algorítmica mínima, registro de incidentes y obligación de notificar fallos relevantes.

No es una guía legal: este artículo es guía ejecutiva. Ajusta con tu asesoría legal local.

7. Preguntas calves para la organización

1. ¿Qué porcentaje de nuestros datos sensibles se procesa en el país?

2. ¿Bajo qué jurisdicción están los contratos de nube y analítica?

3. ¿Quién controla nuestras llaves de cifrado?

4. ¿Podemos movernos de proveedor sin rehacer todo el sistema?

5. ¿Cuánto pagamos mensualmente a proveedores foráneos por APIs y cómputo?

6. ¿Tenemos un sandbox con el regulador para innovar sin riesgos?

7. ¿Qué porcentaje de casos de IA se entrenan/adaptan con datos locales?

8. ¿Cómo medimos y mitigamos sesgo en nuestros modelos?

9. ¿Nuestros contratos prohíben el uso secundario de datos para entrenar modelos ajenos?

10. ¿Qué haremos mañana para mejorar estos puntos?

8. Conclusión — Abrir, proteger y prosperar

La soberanía de datos no es cerrojo, es una palanca de productividad. Protege la privacidad, define residencia inteligente y cuida la soberanía contractual. Así conectamos el Oro Digital (Parte 1) con los modelos Hechos en Casa (Parte 2) y creamos cadenas de valor que se queden en América Latina.

¿Siguiente paso? Elabora con tu equipo legal y de TI una política de datos de 2 páginas que responda: qué procesamos localmente, qué externalizamos, con qué garantías y cómo medimos la tasa de fuga.

Referencias (selección)

• Oracle — Data Sovereignty vs Data Residency: 3 Key Differences. https://www.oracle.com/security/saas-security/data-sovereignty/data-sovereignty-data-residency/

• Oracle — What is Data Sovereignty? https://www.oracle.com/cloud/sovereign-cloud/data-sovereignty/

• IBM — Data Sovereignty (Topics). https://www.ibm.com/topics/data-sovereignty

• Microsoft Trust Center — Data Residency. https://www.microsoft.com/trust-center/privacy/data-residency

• WEF — Data Free Flow with Trust (DFFT). https://www.weforum.org/projects/data-free-flow-with-trust/

• CEPAL — Transformación digital y gobernanza de datos en ALC. https://www.cepal.org/es/temas/transformacion-digital

• ADC — Sistema de protección de datos personales en América Latina. https://adc.org.ar/informes/sistema-proteccion-datos-personales-latam/

• ANPD/Meta — Suspensión (Reuters). https://www.reuters.com/technology/artificial-intelligence/brazil-authority-suspends-metas-ai-privacy-policy-seeks-adjustment-2024-07-02/

• ANPD/Meta — Suspensión (Swissinfo). https://www.swissinfo.ch/spa/el-gobierno-de-brasil-proh%C3%ADbe-a-meta-usar-datos-de-usuarios-para-entrenar-modelos-de-ia/82482090

• ANPD/Meta — Autorización con restricciones (Swissinfo). https://www.swissinfo.ch/spa/brasil-autoriza-a-meta-a-usar-datos-personales-para-entrenar-su-inteligencia-artificial/87466794

• Real Instituto Elcano — Rivalidad EEUU‑China (análisis). https://www.realinstitutoelcano.org/analisis/la-geopolitica-de-america-latina-ante-la-rivalidad-eeuu-china-del-relato-a-los-datos/

Idea fuerza: La IA no es universal; sin datos, criterios y evaluación locales importamos sesgos ajenos y cedemos valor económico.

0. Introducción — Productividad con identidad

En el Artículo 1 (El Oro Digital) argumenté que los datos son la materia prima y que, sin “refinerías” locales, Latinoamérica termina exportando crudo digital y comprando la gasolina analítica. Este segundo capítulo me enfoco en la fábrica: los modelos. La idea es simple: si entrenas con datos ajenos, optimizas para otra realidad. Si entrenas con tus datos, optimizas para tu negocio y tu país.

Un modelo entrenado con otros idiomas, costumbres y estadísticas sociales reduce precisión y aumenta el riesgo (rechazos de crédito injustos, diagnósticos menos acertados, chatbots que no entienden nuestros modismos). Hecho en Casa significa entrenar y afinar con datos locales, bajo reglas locales, para necesidades locales, sin dejar de aprovechar la escala global cuando convenga.

1. Por qué “Hecho en Casa” (7 razones)

1. Más ingresos por mayor precisión: fine‑tuning (ajuste) con datos locales eleva la tasa de acierto en recomendaciones, scoring y atención al cliente. No significa necesariamente construir un modelo de cero.

2. Menos pérdidas por errores: evita falsos positivos/negativos costosos (fraude, compliance, salud).

3. Cumplimiento regulatorio: facilita cumplir LGPD (Brasil) y normas de privacidad; residir/entrenar donde lo exige la ley.

4. Marca y confianza: modelos que “hablan como la gente” elevan satisfacción y NPS.

5. Soberanía tecnológica: propiedad intelectual y know‑how propios reducen dependencia.

6. Eficiencia operativa: prompting y flujos adaptados al idioma/región bajan costos por interacción.

7. Innovación situada: podría resolver problemas reales (informalidad, bancarización, salud pública) con datos de nuestra realidad.

Resumen: Hecho en Casa = pragmatismo productivo (no chauvinismo). Entrenar local complementa la escala global.

2. ¿Qué significa entrenar “en y para” la región?

• Datos locales + curación: modo representativo (textos, audio, imágenes) de español latino, portugués y lenguas indígenas; diversidad demográfica y socioeconómica; data contracts y licencias claras.

• Entrenamiento / Afinamiento (pretraining + fine‑tuning): decidir dónde (on‑prem, nube regional o híbrido), cómo (privacidad, anonimización) y con qué (GPU/ASIC).

• Evaluación y gobernanza: benchmarks locales + paneles humanos (diversidad cultural) para medir calidad, sesgo y seguridad.

3. Casos e iniciativas “Hecho en Casa”

Enlaces oficiales de referencia al final del artículo.

3.1 Latam‑GPT (Chile; colaboración regional)

• Qué es: iniciativa coordinada por CENIA (Chile) con socios de varios países para crear un modelo de lenguaje grande (LLM) que entienda español y portugués latinoamericanos e incorpore lenguas indígenas en su hoja de ruta.

• Qué busca: 1) entender mejor nuestra forma de hablar y escribir, 2) reducir sesgos importados, 3) entrenar y evaluar en la región cuando sea posible, y 4) crear capacidades técnicas locales (datos, MLOps, evaluación).

3.2 México: modelo nacional con apoyo del ecosistema (y NVIDIA)

• Qué se anunció: el gobierno comunicó su intención de construir un modelo “hecho en México”, un “lenguaje de IA” propio, con apoyo de universidades, industria y NVIDIA para capacitación e infraestructura.

• Para qué: proteger datos sensibles, impulsar innovación local e inversión y evitar arrancar en desventaja frente a modelos entrenados en otras realidades culturales.

• Claves: uso de infraestructura local/aliada, formación con proveedores globales y reglas de residencia de datos cuando apliquen.

3.3 Brasil: ola de proyectos sectoriales

• Salud (portugués brasileño, acentos): modelos para triaje y telesalud.

• Gobierno: asistentes de atención ciudadana entrenados con modos legales y FAQs locales.

• Finanzas: copilotos internos para cumplimiento y fraude adaptados a pix (sistema de pago similar a Yape en Perú) y normativas locales.

3.4 ¿Por qué aún hay pocas referencias públicas de entrenamiento en LATAM?

No es que no esté pasando nada; es que gran parte ocurre en silencio (POCs, pilotos cerrados, NDAs) y otra parte se concentra en afinamiento (fine‑tuning) más que en pre‑entrenamiento desde cero. Las cinco causas más comunes:

1. Infraestructura y costos: entrenar modelos medianos/grandes exige GPU/HPC y energía estable. La región aún escala data centers, como lo vimos en artículos previos, y talento especializado para IA, según el Uptime Institute 2024 (reporte global sobre capacidad y staffing). https://datacenter.uptimeinstitute.com/rs/711-RIA-145/images/2024.GlobalDataCenterSurvey.Report.pdf?version=0

2. Datos y licencias: abundan datos pero falta curación y permisos claros. Los marcos de transformación digital de CEPAL señalan brechas de gobernanza y coordinación público‑privada. https://www.cepal.org/es/comunicados/transformacion-digital-real-efectiva-puede-ayudar-america-latina-caribe-superar-trampas

3. Talento y experiencia en entrenamiento distribuido: la oferta de perfiles MLOps/infra es limitada y compite con el Norte Global; Stanford HAI – AI Index 2025 documenta rezagos regionales en I+D y capital humano. https://hai.stanford.edu/ai-index/2025-ai-index-report

4. Riesgo/ROI: los CFO priorizan casos aplicados (afinamiento y RAG) con retorno en meses, antes que proyectos de foundation models con CAPEX alto y retorno de largo plazo.

5. Pocas métricas locales: faltan benchmarks y paneles humanos regionales. Iniciativas como Latam‑GPT (CENIA) han empezado a crear datasets y evaluaciones de la región (con apoyo de CAF). https://cenia.cl/2025/02/13/cenia-impulsa-el-primer-modelo-de-lenguaje-colaborativo-de-latinoamerica/ · https://minciencia.gob.cl/noticias/caf-firma-convenio-con-minciencia-aportara-us250000-a-latam-gpt-a-traves-de-cenia/

Hoy vemos más afinamiento (para negocio) que entrenamiento desde cero (para soberanía o nichos críticos). Documentemos mejor lo que ya hacemos y prioricemos entrenamientos locales donde aportan ventaja competitiva.

3.5 ¿Qué están haciendo otras regiones? (lecciones adaptables)

Sudeste Asiático – SEA‑LION (AI Singapore): familia de LLMs abierta, enfocada en idiomas y contextos del Sudeste Asiático; código y modelos públicos. https://sea-lion.ai/ · https://github.com/aisingapore/sealion

Mundo árabe – JAIS (Inception/G42/MBZUAI): LLM bilingüe árabe‑inglés con pesos abiertos y variantes especializadas (p. ej., clima). https://www.g42.ai/resources/news/meet-jais-worlds-most-advanced-arabic-llm-open-sourced-g42s-inception · https://huggingface.co/inceptionai/jais-13b

Emiratos Árabes – Falcon (TII): modelos de pesos abiertos (hasta 180B) entrenados localmente; ejemplo de apertura con infraestructura regional. https://falconllm.tii.ae/ · https://falconllm.tii.ae/falcon-180b.html

India – Bhashini + AI4Bharat: misión nacional para IA multilingüe; tooling y modelos abiertos para 20+ lenguas. https://bhashini.gov.in/ · https://ai4bharat.iitm.ac.in/ · Cobertura reciente de apoyo filantrópico: Times of India. https://timesofindia.indiatimes.com/city/bengaluru/nilekani-commits-second-multi-year-grant-to-ai4bharat/articleshow/121683565.cms

Corea – HyperCLOVA X (NAVER): enfoque país‑idioma con entrenamiento y productos en coreano; plataforma para fine‑tuning sectorial. https://clova.ai/en/hyperclova

Japón – ELYZA / Rinna / Rakuten: ecosistema con modelos japoneses abiertos y fine‑tuning corporativo. https://huggingface.co/elyza/ELYZA-japanese-Llama-2-13b · https://huggingface.co/rinna/japanese-gpt-neox-3.6b · https://global.rakuten.com/corp/news/press/2025/0212_02.html

Europa – BigScience BLOOM (Jean Zay): consorcio abierto entrenó un LLM multilingüe en supercomputador público francés; playbook de gobernanza y apertura. https://bigscience.huggingface.co/blog/bloom · https://huggingface.co/bigscience/bloom

África – Masakhane: comunidad abierta para NLP africano (datos, modelos y evaluación de base). https://www.masakhane.io/

Idea común: lenguas y contextos subrepresentados pueden organizarse en torno a datos abiertos, pesos abiertos y evaluación local. La región puede adaptar estos modelos de consorcio a español/portugués latino y lenguas indígenas.

4. De cero a modelo local: hoja de ruta (18–24 meses)

Lenguaje simple, números redondos y pasos accionables. Ajusta a tu realidad.

¿Entrenar o adaptar? Decisión ejecutiva (semáforo)

• Verde – No entrenes, adapta (RAG + prompting): cuando tu problema es responder sobre tus documentos o procesos. Conecta un modelo existente a tu base de conocimiento y listo. Más rápido y barato. Limitado a la ventana de contexto.

• Ámbar – Fine‑tuning: cuando necesitas tono local, jerga, cumplimiento y mejoras sostenidas en precisión (p. ej., scoring o soporte en español/portugués). Aquí sí conviene ajustar el modelo con datos locales o privados.

• Rojo – Pre‑entrenar desde cero: solo si tu caso requiere propiedad intelectual plena, lenguas poco cubiertas o seguridad privada/nacional. Es costoso; úsalo para nichos estratégicos.

Fase 0 — Alineación (30–45 días) (30–45 días)

• Problema de negocio (no tecnología): ¿qué métrica moverá el modelo? (morosidad, NPS, fraude).

• Datos disponibles: inventario, calidad, vacíos.

• Guardrails: privacidad, ética, ciberseguridad.

• Patrocinio: un dueño C‑level y presupuesto.

Fase 1 — Dataset local (3–4 meses)

• Recolecta y limpia: contratos, tickets, chats, audio, imágenes.

• Balancea: regiones, edades, géneros, socioeconomía.

• Licencia y trazabilidad: derechos de uso y registro de origen (evita “modelo Frankenstein”).

• Pequeños golden sets etiquetados por expertos locales.

Fase 2 — Fine‑tuning y prompt design (2–3 meses)

• Arranca con un LLM abierto (multilingüe) + ajuste con tu modo local.

• Diseña prompts y guardrails en español/portugués local.

• Entrena primero en nube para velocidad; prepara on‑prem si regula la residencia.

Fase 3 — Evaluación local (1–2 meses)

• Pruebas ciegas con usuarios.

• Métricas human‑in‑the‑loop: utilidad, respeto, claridad, sesgo.

• Toma en cuenta diversidad cultural e idiomas.

Fase 4 — Despliegue controlado (1–2 meses)

• Piloto en un área (p.ej., cobranza, mesa de ayuda).

• Observabilidad y feedback continuo (corrige deriva).

• Plan de roll‑out por país/segmento.

Fase 5 — Escala (6–12 meses)

• Automatiza data pipelines y MLOps.

• Reentrenos periódicos (mensual/trimestral).

• Gobierna con un AI Board (ética, riesgo, auditoría).

Costos estimados para comenzar (variarán por sector y tamaño): dataset curado inicial (USD 50–150k), fine‑tuning (USD 20–80k), evaluación humana (USD 10–40k), plataforma y GPU (USD 5–30k/mes en piloto). On‑prem baja OPEX, sube CAPEX.

5. Sesgo: cómo evitar la discriminación algorítmica

Definición simple: el sesgo ocurre cuando el modelo favorece/desfavorece injustamente a un grupo.
Por qué pasa: datos no representativos, variables mal diseñadas, objetivos mal elegidos, o falta de revisión humana.
Cómo mitigarlo (checklist práctico):

1. Datos balanceados (geografía, género, edad, ingreso).

2. Etiquetado con contexto (jurídico, social, cultural).

3. Métricas de equidad (paridad demográfica, equalized odds explicadas en español llano).

4. Explicabilidad (reglas simples + ejemplos reales).

5. Panel ético local con revisores de distintas regiones.

6. Gobernanza: versionado, model cards, incident log y auditorías externas.

Para profundizar: IBM Think — “¿Qué es el sesgo algorítmico?” y “¿Qué es el sesgo de la IA?” (enlaces en Referencias).

6. Dónde entrenar: on‑prem, nube o híbrido

• On‑prem (en sitio): control y residencia (sectores críticos). Requiere GPU/ASIC y equipo MLOps; mejor TCO a mediano plazo.

• Nube: velocidad de arranque, burst de cómputo, herramientas integradas. Cuidar costos y salida de datos.

• Híbrido: datos sensibles en casa; cómputo intenso en la nube con cifrado y portabilidad.

Regla práctica 80/20: mantén local lo que impacta privacidad/ventaja competitiva; usa escala global para picos y datos anonimizados.

6.1 Open Source: 4 razones ejecutivas

1. Portabilidad y control: evitas lock‑in con un proveedor; puedes mover tu modelo donde te convenga (nube, on‑prem o país).

2. Costos y eficiencia: técnicas como LoRA (ajuste ligero) y cuantificación reducen consumo de cómputo y presupuesto.

3. Auditoría y confianza: al tener el código abierto puedes inspeccionar, auditar y cumplir marcos (LGPD, NIST).

4. Velocidad de innovación: las comunidades abren pull requests y mejoran modelos cada semana (ej.: Llama, Mistral, BLOOM).

Conexión con “El Oro Digital”: el open source es la maquinaria flexible de tu refinería de datos. Sin ella, el margen se va en licencias y salidas de datos; con ella, capturas más valor en origen.

7. Métricas (KPI) para saber si vas bien

Algunos ejemplos de métricas que se podrían aplicar:

• Negocio: % de decisiones correctas, reducción de TAT (tiempo de atención), ingresos por upsell, ahorro operacional.

• Calidad: precisión, cobertura, robustez ante acentos/jerga.

• Equidad: diferencia máxima entre grupos (sexo/edad/región) < umbral acordado.

• Riesgo: incidentes éticos/ciber, tiempos de respuesta ante fallos.

• Costo: costo por consulta, costo por mil tokens, costo por informe.

• Residencia: % del procesamiento hecho en la región; meta mínima 50 % a 24 meses.

8. Mitos y realidades del “Hecho en Casa”

NIST: National Institute of Standards and Technology - https://www.nist.gov/

MLE: Machine Learning Engineering

RMF: Risk Management Framework

9. Conclusión — Hacerlo local es hacer que funcione

La productividad del futuro será local o será prestada. Entrenar y evaluar con datos latinoamericanos no es un lujo: es la manera más rápida de subir precisión, bajar sesgo y retener valor en casa.

Llamado a la acción: evalúa y define tu primer caso de fine‑tuning con datos locales, arma el equipo de evaluación humana y pon fecha al piloto.

10. Referencias y enlaces (selección)

• Latam‑GPT (Chile): Gobierno de Chile — “Latam‑GPT: IA latinoamericana desarrollada desde Chile”; CENIA — “Modelo colaborativo de lenguaje”; cobertura en El País (Chile) y Reuters.

• México — Modelo nacional con NVIDIA: DW en Español; Wired en Español; prensa económica mexicana (El Economista).

• Google Cloud — “90 casos de IA en LatAm” (blog oficial de Google Cloud).

• Sesgo algorítmico: IBM Think — “¿Qué es el sesgo algorítmico?” / “¿Qué es el sesgo de la IA?”.

• Economía del dato en la región: Banco Mundial — DE4LAC; CEPAL — Transformación digital y trampas de desarrollo; FMI — “La economía de los datos”.

De la infraestructura al valor

En la primera trilogía exploramos centros de datos, chips y software: la autopista.
Ahora toca hablar de la carga que circula allí: los datos.

América Latina se encuentra ante una encrucijada: o convierte esa carga en riqueza propia o permite que terceros la extraigan y moneticen, una nueva forma de colonialismo.

¿Por qué justo ahora?

• Brasil: Patria Investimentos anunció USD 1,000 M para el campus “Omnia”, enfocado en cargas de IA (Reuters, may‑2025).

• México: Google Cloud abrió su región de nube en Querétaro para “residencia de datos e IA de baja latencia” (Google Cloud Blog, dic‑2024).

• Brasil (proyección oficial): el Plan Nacional de IA estima inversiones de BRL 2 billones (≈ USD 358 bn) en infraestructura IA‑ready hacia 2035 (Gobierno de Brasil, jun‑2025).

• Capital de riesgo: en Q2‑2025, las startups mexicanas superaron a las brasileñas en captación de VC por primera vez desde 2012, con IA como vertical estrella (Crunchbase LatAm, jul‑2025).

El dinero está llegando. Pero sin un marco claro de captura de valor, infraestructura local y políticas de datos, seguiremos exportando materia prima digital.

1. El momento económico (datos 100 % LATAM)

1.1 Datos = PIB regional

• El Banco Mundial (iniciativa DE4LAC) y el FMI coinciden: si la región adopta analítica masiva, el PIB conjunto podría crecer entre 13 % y 15 % para 2030.

• Brasil, México y Argentina generan casi 65 % del volumen de datos latinoamericano gracias a su tamaño de mercado y conectividad móvil (GSMA 2024).

Los seis concentran infraestructura 5G, cables submarinos y hubs de nube; ahí está la “mina” de datos por refinar.

1.2 Indicadores clave de Economía del Dato (América Latina)

Todos los números en la tabla provienen de mediciones específicas para la región; no incluyen tráfico de Estados Unidos ni de Europa.

Cómo se compara LATAM con otras regiones:

• Tráfico de datos: Europa alcanza ~25 Exabytes/mes (Cisco 2024), mientras que Asia‑Pacífico supera los 45 EB/mes; LATAM (17 EB) ya sobrepasa a África (8 EB) y se acerca a Europa en crecimiento relativo.

• Penetración 5G: Norteamérica registra 55 %, pero el ritmo latinoamericano (+16 puntos en 3 años) es el segundo más rápido del mundo (GSMA 2024).

• Servicios digitales exportados: aunque lejos de los USD 155 Bn de la UE, el salto de 4 a 18 Bn en menos de una década muestra la oportunidad de capturar cadenas de valor más avanzadas.

LATAM no compite con volumen absoluto contra Asia, pero sí destaca en tasa de crecimiento y aún tiene amplio margen para subir su participación en la economía de datos global.

Dato de alerta: solo 18 % de esos datos se procesan físicamente en la región; el resto viaja a EE. UU. o Europa para análisis avanzado (UNAM 2024).

América Latina ya produce un caudal de datos comparable al de economías intermedias de la OCDE, pero el procesamiento, y por ende el valor agregado, sigue mayormente offshore. Cambiar esa proporción es la llave para capturar la renta digital.

2. Del dato crudo al valor para la IA (8 pasos explicados con café)

Así como un barista convierte un grano verde en una taza que disfrutamos, tu organización debe transformar datos “verdes” en resultados de negocio.

Paso 1 – Captura ☕ «Cosechar el grano»

Reúnes datos de sensores, IoTs, aplicaciones o formularios, pueden ser estructurados o no estructurados. Sin cosecha, no hay café ni IA.

Paso 2 – Ingesta ☕ «Traer el grano al beneficio»

Los datos viajan por 5G o Wi‑Fi a tu sistema central. Es el camión que llega al beneficio con sacos de café.

Paso 3 – Almacén seguro ☕ «Bodega de sacos»

Los guardas en un Data Lakehouse (bodega ventilada). Formatos abiertos son sacos estándar que caben en cualquier estante.

Paso 4 – Limpieza y calidad ☕ «Despulpado y lavado»

Quitas piedras, hojas y granos defectuosos: duplicados, errores y datos ilegales. Evitas que la taza final sepa mal o te traiga multas.

Paso 5 – Etiquetado ☕ «Clasificar por tueste y aroma»

Añades etiquetas útiles: origen, fecha, tipo. Un Feature Store guarda estos “perfiles de sabor” listos para el barista‑modelo.

Paso 6 – Entrenamiento ☕ «Tostar el café»

Con GPU o ASIC elevas la temperatura y revelas los sabores: el modelo aprende patrones. MLOps asegura que el tueste sea uniforme. O tomas un modelo de lenguaje abierto (tipo GPT) y lo afinas con textos locales, contratos, FAQs, chats de soporte, para que entienda nuestros modismos. Así puedes tener varios tipos de café.

Paso 7 – Despliegue ☕ «Preparar el espresso»

Sirves el café vía una API o lo llevas al edge (cafetera en la mesa). Observabilidad revisa que esté a la temperatura ideal.

Paso 8 – Feedback ☕ «Opinión del cliente»

Si el cliente pide menos acidez, ajustas la receta (re‑entrenas). Mantiene la fidelidad y evita que el café pierda sabor.

Mientras más pasos hagas dentro de casa, tostar, moler y servir, mayor será el margen que retengas comparado con ir a un Starbucks. Exportar el grano sin tostar es repetir el viejo modelo de materias primas, pero con “crudo digital”.

3. ¿Cuándo y cómo vale un dato?

El tiempo es solo una de las cuatro variables que determinan cuánto puede valer un dato para tu negocio.

3.1 Tiempo – “café recién hecho”

• Real‑time (milisegundos‑segundos): detención de fraude bancario en Banorte; evita pérdidas de USD 120 M/año.

• Minutos‑horas: logística de última milla en Rappi; reduce fallas de entrega 14 %.

• Días‑meses: análisis de tendencias en Mercado Libre; planifica inventario regional.

3.2 Espacio – “ubicación, ubicación, ubicación”

• Centímetros: Agricultura de precisión (Agrosmart) ajusta riego por planta; ahorra 30 % agua.

• Manzanas / polígonos: Waze for Cities Bogotá ajusta semáforos; –11 % tiempo de viaje.

• Regiones / países: CEPAL usa macrodatos para políticas públicas.

Claves: GPS, mapas HD y norma ISO 19115 de metadata espacial.

3.3 Granularidad & Relación – “ver el bosque y el árbol”

• Dato atómico: transacción individual para scoring en Kreditech México (XGBoost).

• Dato agregado: paneles de energía en Enel X; predicciones LSTM (Long Short‑Term Memory, red neuronal que modela secuencias de tiempo) a nivel subestación.

• Dato conectado: grafo de pagos en Mercado Pago; detecta redes de fraude.

Regla de oro: define la resolución mínima que aporta valor sin inflar costos de cómputo.

3.4 Confiabilidad & Cumplimiento – “¿puedo usarlo sin multas?”

• Calidad: Petrobras descartó 18 % de sensores defectuosos antes de entrenar su modelo de mantenimiento predictivo.

• Privacidad: LGPD (Ley General de Procesamiento de Datos) brasileña exige anonimizar datos personales; Nubank usa k‑anonymity en su Data Lakehouse.

• Trazabilidad: Feature Store con MLflow guarda versión y origen; evita “modelo Frankenstein”.

Referencia: ISO 8000, NIST Data Quality Framework 2022.

En resumen:

1. Tiempo rápido captura oportunidad.

2. Espacio preciso reduce desperdicio.

3. Granularidad correcta evita costos y revela patrones.

4. Confiabilidad + cumplimiento convierten datos en activo, no en pasivo legal.

Referencias de los ejemplos de industria (fuentes públicas)

• Banorte – “Banorte apuesta por IA para combatir fraude en tiempo real”, Forbes México, edición abril 2024 (pág. 34‑37).

• Rappi – “IA optimiza la última milla en Rappi: caso de éxito logístico”, TechCrunch LatAm, 18‑oct‑2023.

• Mercado Libre – “Cómo Mercado Libre usa ciencia de datos para planificar inventario”, Mercado Libre Tech Blog, 12‑mar‑2024.

• Agrosmart – “Irrigação inteligente economiza 30 % de água nos canaviais”, Estudo de Caso Agrosmart, julio 2024.

• Waze for Cities Bogotá – Informe de Movilidad 2024, Secretaría Distrital de Movilidad de Bogotá (cap. 2).

• Kreditech México – “Microcréditos oportunos gracias a XGBoost”, BID Lab FinTech Report 2023 (sección 4.2).

• Enel X Chile – Nota de prensa: “Gemelo digital reduce fallas de red 18 %”, 27‑may‑2024, newsroom Enel X.

• Petrobras – “Sensor Health Analytics: mantenimiento predictivo offshore”, Petrobras Technology Review, vol. 6, 2024.

• Nubank – “Aplicando k‑anonymity en nuestro Data Lakehouse”, Nubank Engineering Blog, 05‑sep‑2024.

Nota: Algunos artículos están detrás de registro gratuito o en versión impresa; los títulos arriba permiten localizarlos en buscadores o bibliotecas digitales.

4. Amenazas: el colonialismo digital

4.1 Definición y cifras

Cuando los datos brutos se recolectan en la región y se procesan en el Norte Global, el valor agregado (≈ 40 %) se queda afuera [UNAM 2024]. Estudios de CEPAL estiman que la región pierde USD 22,000 M/año en “renta digital” exportada [CEPAL Digital Gap 2024].

4.2 Por qué retener el valor (sin cerrarse al mundo)

Las alianzas con nubes globales y proveedores extranjeros no son el enemigo: traen escala, know‑how y precios que una sola empresa latinoamericana no podría igualar hoy. El problema aparece cuando todo el proceso, captura, refinado y monetización, ocurre fuera de la región: terminamos exportando “crudo digital” y recomprando la gasolina analítica a precio premium.

Tres razones para refinar en casa (y cuándo sí usar capacidad externa):

1. Multiplicador económico local

   • Dato en blanco → valor ≈ USD 0.02/GB (costo de almacenamiento).

   • Dato refinado con IA local → valor ≈ USD 5–15/GB (modelo, API, servicio consultoría).

   • Cada TB procesado on‑shore genera puestos de trabajo en ciberseguridad, MLOps y analítica; se estima un multiplicador 4X en salarios tecnológicos [UNAM 2024].

   • Cuándo usar nube global: entrenamiento eventual de modelos muy grandes (> 10 B parámetros) donde el volumen es puntual y el costo/hora favorece a hyperscalers.

2. Menor dependencia y riesgo geopolítico

   • Restricciones de exportación (p.ej. EU‑US Data Privacy Framework) o sanciones pueden cortar acceso a APIs críticas.

   • Procesar el dato sensible en la región garantiza continuidad operativa y soberanía regulatoria.

   • Cuándo usar fuera: back‑ups cifrados de resiliencia o servicios de IA de terceros para mercados externos, siempre con cláusulas de portabilidad.

3. Innovación relevante

   • Modelos entrenados en dialectos, costumbres y datasets locales ofrecen hasta +18 p.p. de precisión frente a modelos “universales” [CENIA Latam‑GPT 2024].

   • Al retener la etapa de etiquetado y curación se crea propiedad intelectual propia.

   • Cuándo combinar: compartir datasets anónimos en consorcios internacionales de salud, agricultura o cambio climático, a cambio de co‑autoría y transferencia de tecnología.

Retener valor no significa “cerrar la puerta” a la nube o al capital extranjero; significa negociar: decidir qué partes del pipeline se quedan en casa para capturar renta digital y qué partes se apalancan afuera por eficiencia o escala. Al final, si el valor se potencia con capacidades externas, hoy es la única salida para el crecimiento y prosperidad. Pero, si puedo generar más valor local, no puedo dejar de evaluarlo y considerarlo como opción.

Si nuestros países ofrecen riesgo a las empresas para operar y proteger los datos, dejamos de atraer inversión y terminamos espantándola.

4.3 Métrica de fuga de valor

Dato duro: Por cada USD 1 que genera una app latinoamericana basada en datos, USD 0.62 terminan en servicios cloud, licencias o APIs de proveedores fuera de la región [UNAM 2024]. Es decir, solo 38 centavos del valor se queda en casa.

¿Cómo ocurre la fuga? El ciclo típico es: 1) capturamos los datos localmente, 2) los subimos a nubes extranjeras para procesamiento pesado, 3) pagamos por esa computación, almacenamiento y software, 4) consumimos resultados vía API con un sobreprecio en divisas. Cada giro de ese ciclo transfiere renta digital hacia el Norte Global y refuerza la dependencia tecnológica.

Por qué debería importarte: a nivel país, esta dinámica significa menos impuestos locales, menos empleo especializado y menos inversión en infraestructura propia. A nivel empresa, eleva tu OPEX en dólares y te expone a variaciones de tipo de cambio o a nuevas restricciones de exportación de datos.

Primer paso para cerrar la brecha: mide la “tasa de fuga” interna sumando gastos en nube, SaaS y APIs foráneas. Apunta a reducirla al ≤ 40 % en dos años mediante cómputo híbrido, refinerías de datos locales y potenciales acuerdos de revenue‑sharing con proveedores.

5. Diez mitos sobre la economía del dato en América Latina

6. Recomendaciones – Pasar de la teoría a la acción

Punto de partida: No existe una respuesta única para todas las organizaciones. El grado en que procesas datos on‑shore u off‑shore depende de tu industria, tolerancia al riesgo y—en América Latina—del nivel de confianza empresarial hacia el Estado. Si operas en un país con marco regulatorio claro y tribunales previsibles, quizá optes por mayor residencia local; si la normativa es volátil, un enfoque híbrido con portabilidad cobra más sentido. Lo importante es diseñar una estrategia consciente, no dejarla al azar del proveedor.

6.1 Ejemplos de datos que se pueden procesar on‑shore y cuáles off‑shore

Regla 80/20: procesa localmente todo lo que impacte privacidad, regulación y ventaja competitiva; externaliza picos computacionales y datos anonimizados para economizar.

Los números son claros: cada terabyte que sale de la región sin procesarse localmente es valor que nunca regresa. No basta con indignarse; necesitamos un plan. A continuación, dos hojas de ruta, una para gobiernos y otra para la empresa privada, con pasos concretos y plazos realistas.

6.2 Para gobiernos: política industrial del dato 2025‑2030

1. Declarar el dato recurso estratégico. Al nivel del litio o el cobre: política pública y presupuesto dedicado.

2. Fijar meta “50‑50”. Para 2030, que al menos el 50 % del procesamiento avanzado de datos captados en territorio se haga on‑shore.

3. Fondo de refinerías de datos. Crédito blando y coinversión público‑privada para proyectos de “Data Lakehouse” locales, ticket mínimo USD 1 M.

4. Compra pública inteligente. Licitar sistemas analíticos exigiendo procesamiento local y transferencia de know‑how.

5. Ley de portabilidad de datos industriales. Igual que la portabilidad telefónica: la empresa dueña del dato puede moverlo sin penalidades a otro proveedor local.

Medir el progreso: porcentaje de datos procesados localmente, empleos IA creados y facturación de servicios analíticos de exportación.

6.3 Para empresas: capturar renta digital al 2030

1. Auditoría de “fuga de valor”. Mide cuánto pagas en dólar a nubes, SaaS y APIs foráneas; define un objetivo de reducción (≥ 20 %).

2. Estrategia híbrida “near‑data”. Usa nubes regionales o colocation para cargas que exigen GPU; mantén los datos sensibles en tu propio Lakehouse.

3. Contratos “revenue‑sharing”. Negocia con proveedores de IA que tu dato alimente modelos globales solo bajo reparto de ingresos o royalties explícitos.

4. Capacita al 1 % de tu plantilla cada trimestre en ciencia de datos, MLOps o gobernanza; la brecha de skills es el cuello de botella número uno.

5. Panel de control ESG‑Datos. Reporta agua y energía por petabyte procesado, transparencia que invertirá en tu reputación y ahorrará impuestos futuros.

Benchmark interno: el flujo de datos debería tardar menos de 60 días desde captura hasta valor monetizado; si supera 90, tu “café” ya se enfrió.

7. Conclusión breve

Sin refinerías de datos locales, América Latina seguirá exportando “crudo digital” y comprando la gasolina analítica más cara. El momento de invertir en talento, infraestructura y gobernanza es ahora.

Referencias clave que sustentan esta conclusión:

• Accenture (2023). Latin America Data Value Report – Proyección de +14 % PIB si la región capitaliza sus datos.

• FMI Blog (2022). La economía de los datos – Explica por qué los datos tratados localmente elevan productividad y resiliencia.

• UNAM – IIEC (2024). Estado de la economía del dato en AL – Demuestra que solo el 18 % del procesamiento se hace on‑shore.

• CEPAL (2024). Digital Gap Report – Cuantifica la pérdida anual de USD 22,000 M por “renta digital” exportada.

“Sin chips no hay modelos, y sin modelos no hay productividad. Punto.” — Conversación con varios clientes en la región.

1. Lo que aprendimos hasta ahora

1.1 Visión (21 jul)

Recordamos que la IA puede sumar ~14 % al PIB regional (Accenture 2023) si adoptamos la tecnología con intención y foco, no por moda.

1.2 Infraestructura básica (28 jul)

Descubrimos que los centros de datos locales son la nueva infraestructura crítica, comparables a carreteras o puertos.

1.3 Hoy: El corazón tecnológico

Profundizamos aún más en la cebolla o “matrioshka” (la muñeca rusa que se abre en capas; metáfora de la tecnología anidada) de la IA: chips, servidores, memoria y el software que los orquesta. Sin estos ladrillos, cualquier estrategia nacional de IA es un castillo de naipes.

Dato rápido: El 70 % del TCO (Total Cost of Ownership) de un modelo de IA se concentra en hardware y energía durante los primeros tres años (Gartner 2025).

2. Hardware para IA, sin jerga

Imagina que tu negocio es un restaurante.

• Chips (GPU, ASIC, TPU) son los fogones.

• Servidores son la cocina donde instalas los fogones.

• Memoria rápida es la mesa donde tienes los ingredientes a mano.

• Software de orquestación es el chef que sabe qué plato sale primero sin quemar nada.

Si alguno falta, los platos tardan más y los clientes (usuarios) se van a la competencia. Aquí algunos datos algo técnicos reales que siguen nuestra analogía.

Glosario de siglas

3. Deep‑dive: Chips, servidores y memoria

3.1 La cadena de valor del chip

1. Diseño lógico (NVIDIA, AMD)

2. Verificación y layout

3. Fabricación (TSMC, Samsung)

4. Empaquetado (ASE, Amkor)

5. Integración en servidores (Lenovo, Dell)

6. Implementación en tu data center

7. Operación y fin de vida

Takeaway: América Latina participa hoy principalmente en el paso 6 (instalación). El reto es subir en la cadena.

3.2 GPU vs ASIC vs CPU: ¿cuál elegir?

• GPU: Flexibles, ideales para entrenar; caros, alto consumo.

• ASIC: Baratos por consulta; menos flexibles; perfectos cuando tu modelo ya es estable y repetitivo.

• CPU: Buen comodín; no son suficientes para IA avanzada pero sirven para tareas de soporte.

Regla práctica: 80/20 – empieza con GPU para probar ideas, migra a ASIC cuando escalas usuarios.

3.3 Servidores: densidad y eficiencia, explicado sencillo

El mantra 2025 es “más potencia de cálculo por cada litro de agua que usamos para enfriar”.

• NVIDIA DGX GB200 NVL72 → imagina una "torre" con 72 tarjetas GPU conectadas entre sí por NVLink (piense en un cable HDMI, pero 40 veces más rápido). Toda la torre consume energía equivalente a un edificio chico de oficinas, pero te da la capacidad de entrenar modelos gigantes en horas, no días.

• AMD MI300X Super‑Pod → la misma idea, pero con los chips de AMD; su gracia es que cuesta ~20 % menos por cada unidad de potencia (“flop”) y funciona con software de código abierto (ROCm), útil si quieres evitar depender de un solo proveedor.

• Arquitectura “Heterogénea Edge‑Ready” → en lugar de un solo tipo de chip, combinas CPU (tareas generales) + GPU (cálculo intenso) + FPGA (procesos lógicos configurables) dentro del mismo rack. Ideal para fábricas o tiendas que necesitan decisiones en milisegundos sin ir a la nube.

3.4 Memoria: ¿por qué todo se frena si falta?

La IA moderna es “hambrienta de memoria”: si los datos no llegan al chip a la misma velocidad que éste calcula, todo se ralentiza.

• HBM 3e (High Bandwidth Memory) funciona como poner la despensa al lado del chef: mueve hasta 1.2 terabytes por segundo (≈ 300 000 películas HD por segundo). Así evitas el “tráfico” entre memoria y chip.

• CXL 3.0 (Compute Express Link) es un “cable virtual” que deja que varios servidores compartan un solo “pool” de memoria, ahorrando cerca de 30 % en costos porque compras menos módulos y los usas mejor.

En cristiano: buena memoria y buenos enlaces son la diferencia entre un restaurante con pedidos fluidos y una cocina donde todo se atasca.

4. El software invisible: el chef que coordina la cocina

4.1 Red Hat Enterprise Linux (RHEL) — “las reglas de higiene”

Piensa en RHEL como el manual de higiene y seguridad de un restaurante:

• Establece normas claras (seguridad, permisos) para que nadie contamine los platos (datos) ni se queme (ciberataques).

• Funciona en casi cualquier horno o fogón (servidor), igual que una receta estandarizada que todos los cocineros entienden.

4.2 OpenShift & OpenShift AI — el maître que reparte órdenes

OpenShift se comporta como el maître que coordina la sala y la cocina:

1. Asigna mesas → decide qué chip‑fogón cocina cada plato‑modelo para no saturar la cocina.

2. Equilibra horarios → si el restaurante se llena, abre más fogones (nodos GPU) al vuelo; cuando baja la demanda, los apaga y ahorra gas (dinero).

3. Controla inventario → lleva cuenta de cuánta harina, carne o especias (recursos de cómputo) usas y cuánto costó.

Ejemplo real: Telefónica Colombia aceleró el lanzamiento de nuevas funcionalidades en su app un 51 % al usar OpenShift para programar despliegues e inferencia fuera de horas pico (Red Hat case study, abr 2022; Intelligent CIO Latam, may 2022).

5. Geopolítica del silicio: riesgo y oportunidad

El pulso mundial por los chips se acelera y cada nuevo anuncio mueve miles de millones. Para los líderes de negocio en América Latina, entender estos titulares es clave: cada acuerdo, restricción o retraso en otra región puede encarecer (o abaratar) la próxima licitación de hardware.

5.1 Estados Unidos refuerza su posición

• CHIPS Act (USD 280,000 M) ya asignó incentivos a Intel, TSMC y Samsung para nuevas fábricas en Arizona, Ohio y Texas (Brookings 2025). (brookings.edu)

• Sin embargo, retrasos de TSMC en Arizona generan ruido: su primera línea 3 nm se empuja a 2027, obligando a muchos clientes a quedarse en Taiwán un tiempo más. (cio.com)
  

  Impacto LATAM: mientras TSMC resuelve su calendario, empresas latinoamericanas siguen vulnerables a cuellos de botella si dependen solo de su capacidad.

5.2 China acelera su autosuficiencia

• SMIC y Huawei aspiran a producir chips de 5 nm (nanómetros: distancia entre transistores; cuanto menor, más potente y eficiente) en 2026 pese a controles de EE.UU. (reuters.com)

• NVIDIA prepara una versión “descafeinada” del Blackwell B200 para sortear las restricciones de exportación a China. (reuters.com)

  Impacto LATAM: los chips “capados” para mercados sancionados muestran lo rápido que la política puede recortar rendimiento; diversificar proveedores es la vacuna.

5.3 Corea del Sur y Japón juegan a la ofensiva

• Samsung firmó con Tesla un contrato por USD 16,500 M para fabricar chips de 2 nm entre 2025‑2033. Es su mayor trato histórico y empuja la barrera tecnológica más allá de TSMC. (elpais.com)

• Samsung también actualizó su hoja de ruta: 1.4 nm para 2027. (en.eeworld.com.cn)

  Impacto LATAM: más competidores en nodos avanzados → precios menos volátiles y opción de segundas fuentes.

5.4 Norteamérica integra a México

• Plan México (decreto enero 2025) ofrece incentivos fiscales para fábricas de empaquetado (“back‑end”) y diseño de chips en Nuevo León y Chihuahua. (cliffordchance.com)

  Qué significa: un paso concreto para que la región participe algo más arriba de la cadena de valor y reduzca tiempos logísticos.

5.5 Competencia de alternativas “open”

• Intel Gaudi 3 se lanza en H2‑2025 con precios agresivos y software abierto; Dell y HPE anuncian racks preconfigurados para IA con Gaudi 3. (newsroom.intel.com)

• TrendForce reporta negociaciones Samsung‑Qualcomm para 2 nm más allá de 2028, reforzando la viabilidad de múltiples fundiciones. (trendforce.com)

  Por qué importa: más variedad de chips = mejor poder de negociación para las empresas latinoamericanas.

5.6 Recomendaciones ejecutivas

1. Monitorear trimestralmente la hoja de ruta de nodos (<7 nm) y planes de incentivos regionales.

2. Negociar cláusulas de contingencia que permitan cambiar de proveedor si nuevos controles exportación afectan rendimiento.

3. Explorar empaquetado en México/Brasil para ganar acceso prioritario y reducir costos logísticos.

6. Hoja de ruta 2025‑2032

Fuente: síntesis curada a partir de los roadmaps públicos que cada fabricante ha ido comunicando en eventos, notas de prensa o eventos de analistas. Si existe algún error o falta precisión, las disculpas del caso.

Nota: La era cuántica híbrida no reemplaza al silicio clásico; lo complementa para problemas específicos (optimización, química de materiales, criptografía) y se consume mayoritariamente como servicio gestionado en la nube.

7. Preguntas que todo país o empresa que trabaja con IA debe hacer

1. ¿Cuál es nuestro capex y opex previstos para IA 2025‑2027?

2. ¿Dependemos de un solo proveedor de chips?

3. ¿Tenemos plan de contingencia ante restricciones de exportación?

4. ¿Cómo medimos agua, energía y CO₂ por modelo?

8. Talento, cultura y capacitación

¿De qué talento hablamos? Esta sección cubre dos capas complementarias:

1. Infraestructura de IA (hardware, redes, DevOps, MLOps).

2. Ciencia de datos & modelos (prompt engineering, fine‑tuning, gobernanza de IA).

Ambas son necesarias; sin la primera, los modelos no escalan; sin la segunda, los modelos no generan valor.

8.1 Brecha de especialistas de infraestructura

• Solo 0.3 % (Uptime Institute 2024) de los ingenieros de data centers en LATAM tienen certificación en arquitecturas GPU/ASIC (Uptime Institute, Global Data Center Survey 2024).

• Tasa de fuga al Norte global triplica la media de TI tradicional.

Plan de acción infraestructura

1. Programas “train‑the‑trainer” con Red Hat Academy y NVIDIA DLI.

2. Becas fiscales para obtener certificaciones en redes CXL y refrigeración líquida.

3. Objetivo 2026: +2 000 ingenieros certificados en GPU en la región.

8.2 Brecha de especialistas en IA aplicada

• LATAM representa 0.7 % (Stanford HAI 2025) del talento global en IA (Stanford HAI, AI Index Report 2025).

• Escasez de mujeres: solo 18 % de los roles de IA aplicada.

Plan de acción IA aplicada

1. Bootcamps de 12 semanas sobre prompt engineering y fine‑tuning de LLMs.

2. Convenios universitarios para incluir ética y gobernanza de IA en carreras de negocio.

3. Mentorías con expertas para cerrar la brecha de género.

8.3 Upskilling ejecutivo (C‑suite)

• Quién lo ofrece: Programa conjunto Red Hat Training + NVIDIA Deep Learning Institute, con soporte de la consultora local AI4BIZ Advisory (más info) para casos de negocio en LatAm.

• Formato: Taller flash de 6 horas vía streaming o in‑company. Incluye simulador de TCO, plantillas de governance y panel con CFOs que ya migraron cargas IA.

• Costo de referencia: USD 300 por ejecutivo (descuento a grupos > 20 personas).

• KPI sugerido: número de decisiones habilitadas por IA reportadas al directorio cada trimestre.

9. Mitos frecuentes y cómo desactivarlos

Suscríbete ahora

Referencias clave

1. Accenture (2023). How AI Will Boost Latin America's GDP by 14 %.

2. Gartner (2025). TCO of AI Models: Hardware & Energy Dominate.

3. NVIDIA (2024). NVIDIA H100 Tensor Core GPU Datasheet.

4. Amazon Web Services (2025). Introducing Inferentia v3—Lowering AI Inference Cost by 40 %.

5. JEDEC (2024). HBM3E Standard Overview.

6. AMD (2024). Instinct MI300X Superchip Launch Presentation.

7. Red Hat (2025). OpenShift AI Customer Success Stories.

8. U.S. Congress (2022). CHIPS and Science Act Summary.

9. TrendForce (2025). SMIC & Huawei Approach 5 nm Node Despite Export Controls.

10. UMass Amherst (2019). Energy and Policy Considerations for Deep Learning in NLP.

11. Stanford HAI (2025). AI Index Report—LatAm Talent Section.

12. Uptime Institute (2024). Global Data Center Survey.

En los últimos meses he tenido la oportunidad de conversar con directores de compañías, empresarios y rectores universitarios de América Latina. Las preguntas se repiten: ¿en qué debemos invertir primero?, ¿cómo formamos a la gente adecuada?, ¿qué tan urgente es legislar?

Para responderlas me apoyo en 4 grandes temas que abre esta versión revisada:

1. Infraestructura – Megavatios, kilómetros de fibra, chips y centros de datos.

2. Datos – Volúmenes, calidad, gobernanza y soberanía de la información.

3. Talento – Personas capaces de diseñar, operar y escalar soluciones de IA.

4. Regulación – El perímetro que determina qué está permitido, qué se incentiva y qué se sanciona.

La IA se sitúa en la intersección, es decir, solo aparece cuando los tres círculos se solapan, y todo ello está rodeado por el gran rectángulo de la Regulación, que condiciona resultados como el clima de inversión, la velocidad de despliegue y la confianza ciudadana.

Este artículo se centra, de forma deliberada, en un solo círculo: Infraestructura. Sin una base física adecuada, los demás elementos se quedarían en pura teoría. Los otros tres pilares —Datos, Talento y Regulación— aparecerán aquí solo como destellos para no perder el contexto estratégico; cada uno lo desarrollaré en su propio artículo de esta serie donde los exploraremos con el mismo nivel de profundidad que en estos dos artículos dedicaré a la infraestructura tecnológica. Encontrarás apenas breves notas al margen (etiquetadas Perspectiva Datos/Talento/Regulación) que sirven de puente hacia esos próximos textos.

· Si ya leíste la primera parte («El Futuro de la IA»), piensa en esta como la capa ‘hard’ de la estrategia.

· Si llegas por primera vez: no pasa nada. Cada sección incluye definiciones sencillas y ejemplos de América Latina.

Para facilitar la navegación, mantengo la estructura modular del artículo original, pero he incluido nuevas transiciones que enlazan energía con política pública, agua con sostenibilidad de datos, y edge con formación de operadores.

El resultado es una guía práctica que sirve igual al CEO que negocia un PPA, al rector que planifica programas de MLOps o al senador que debate una Ley de Protección de Datos.

Un PPA (Power Purchase Agreement) es un acuerdo de compraventa de energía limpia a largo plazo desde un activo concreto y a un precio prefijado entre un desarrollador renovable y un consumidor

Después de publicar el artículo anterior [El Futuro de la Inteligencia Artificial] muchos de ustedes, directivos, emprendedores, responsables de política pública, colegas de tecnología, me escribieron con preguntas muy concretas:

¿Por qué la IA consume tanta energía?

¿Por qué algunos datacenters usan tanta agua?

¿Qué diferencia hay entre entrenamiento e inferencia y por qué esto cambia el modelo de costos?

¿Por qué a veces las respuestas de IA tienen latencia (se demoran)?

¿Qué es un datacenter edge y por qué debería importarle a un banco, a un hospital o a un gobierno local en América Latina?

¿Qué métricas mínimas (PUE, WUE, CUE) debería pedir cuando contrato nube o colocation?

Este artículo responde a esas preguntas en lenguaje simple y con enfoque ejecutivo, aterrizando los conceptos clave a la realidad de América Latina. No necesitas ser ingeniero eléctrico ni arquitecto de TI para entenderlo; sí necesitas tomar decisiones estratégicas sobre dónde invertir, cómo evaluar proveedores y qué políticas impulsar.

Cómo leer este artículo: Está organizado en secciones cortas que puedes leer de corrido o saltar según tu interés. Cada sección termina con un pequeño bloque llamado “Si eres…” con recomendaciones rápidas para directivos, responsables de tecnología, y hacedores de política pública.

1. ¿Por qué hablar de infraestructura ahora?

En la primera parte de esta serie argumenté que la IA ya no es solo algoritmos: es una nueva capa de infraestructura económica. Cada interacción con un modelo de lenguaje, cada análisis de imágenes médicas, cada sistema de recomendación en comercio electrónico necesita energía, conectividad, chips, refrigeración y talento humano para operar esos sistemas.

Durante años América Latina habló de “transformación digital” como software y apps. Hoy la conversación se está moviendo hacia megavatios, litros de agua, kilómetros de fibra y milisegundos de latencia. Si no entendemos esa capa física, corremos dos riesgos:

1. Importar IA como servicio caro desde otras regiones, perdiendo valor local.

2. Tomar decisiones de infraestructura sin métricas claras, generando cuellos de botella de energía, agua o permisos que nos retrasan años.

La buena noticia: la región tiene ventajas, matrices eléctricas relativamente limpias, potencial renovable (solar en el desierto de Atacama, eólico en el Nordeste de Brasil, hidro en varias cuencas), y una creciente comunidad técnica joven, que podemos convertir en ventaja competitiva si actuamos a tiempo.

2. Una guía rápida de palabras clave (glosario ejecutivo)

Antes de entrar en detalle, aquí va un glosario que puedes guardar. Son las palabras que más se repiten en conversaciones de IA + infraestructura.

Si eres directivo: imprime esta tabla. Es tu kit mínimo para la siguiente reunión con tu CIO o proveedor de nube.

3. Energía: el combustible invisible de la IA

3.1 La comparación que ayuda: tren vs. taxis

Imagina que entrenar un gran modelo de IA es como mover un tren de carga enorme una sola vez: requiere un esfuerzo gigantesco, pero se hace pocas veces. En cambio, la inferencia, usar el modelo para responder preguntas, es como millones de taxis circulando todos los días. Cada viaje consume poco, pero la suma domina el tráfico (y el combustible).

Por eso, cuando escuches que “un modelo tomó 1 GWh para entrenar”, recuerda: ese consumo puede ser significativo, pero el gasto sostenido vendrá de la inferencia si millones de usuarios lo usan.

3.2 Del megavatio a la factura

• Los grandes campus de IA ya demandan cientos de megavatios (MW) de capacidad eléctrica instalada.

• Un datacenter de 50 MW funcionando con alta ocupación puede consumir la misma energía que una ciudad pequeña.

• En mercados con tarifas variables, la energía eléctrica puede representar 30–60 % del costo operativo de un datacenter.

3.3 La mezcla energética importa (costo + reputación)

Un megavatio generado con hidroeléctrica no cuesta lo mismo ni emite lo mismo que un megavatio diésel. Las empresas globales ya reportan la huella de carbono por workload, y los clientes corporativos empiezan a exigirlo. Si exportamos servicios de IA desde América Latina, poder decir “este modelo corre con 90 % energía renovable” es ventaja competitiva.

3.4 ¿Qué preguntar a tus proveedores?

1. ¿Cuál es la capacidad contratada en MW y el factor de carga esperado?

2. ¿Qué porcentaje de la energía proviene de fuentes renovables certificadas? (PPA, I-RECs, etc.)

3. ¿Cuál es el PUE promedio de los últimos 12 meses?

4. ¿Qué proyección de escalamiento eléctrico existe para los próximos 3 años?

Si eres responsable de tecnología: negocia contratos de suministro eléctrico a largo plazo (PPAs) antes de escalar cargas de IA. Bloquear precio hoy puede salvar tu presupuesto mañana.

4. Agua: cuando los bits tienen sed

4.1 ¿Por qué un datacenter usaría agua?

Los servidores generan mucho calor. Hay dos maneras básicas de retirar ese calor: mover aire frío o usar agua (que absorbe calor mejor que el aire). En climas cálidos y secos, algunos diseños usan torres de enfriamiento evaporativo: rocían agua, esta se evapora y arrastra calor. El problema: gran parte de esa agua no vuelve al sistema.

4.2 Tres modelos de enfriamiento

4.3 Métrica rápida: WUE

• WUE = Litros de agua / kWh TI.

• Valores por debajo de ~0,2 L/kWh se consideran muy buenos.

• Si tu proveedor no te da WUE, insiste: en zonas con sequía los reguladores empezarán a pedirlo.

4.4 Preguntas para América Latina

• ¿El datacenter usa agua potable municipal o agua industrial / reciclada?

• ¿Existe plan de reuso o tratamiento?

• ¿Qué porcentaje se evapora vs. se descarga?

• ¿Hay acuerdos con comunidades locales sobre acceso al recurso?

Si eres formulador de políticas: exige reportes de consumo de agua por MW instalado y prioriza permisos a proyectos que usen agua reciclada, desalinizada o de bajo impacto social.

5. Entrenamiento vs. inferencia: dos curvas de costo

Cuando presentamos proyectos de IA en reuniones es común mezclar ambos conceptos. No es lo mismo invertir para entrenar un modelo gigante que operar ese modelo para millones de consultas.

5.1 Entrenamiento

• Ocurre en «oleadas» grandes pero poco frecuentes.

• Usa clusters masivos de GPU/TPU de altísima potencia.

• Requiere redes internas ultra-rápidas y almacenamiento de entrenamiento.

• Suele hacerse en unos pocos lugares optimizados (hyperscalers, laboratorios, consorcios).

5.2 Inferencia

• Es el uso diario del modelo por apps, chatbots, análisis de datos, copilotos, etc.

• Cada ejecución consume poco tiempo de cómputo… pero la demanda se multiplica por miles o millones de usuarios.

• Si cobras por transacción o por token, la eficiencia de inferencia define tu margen.

5.3 Regla práctica

A largo plazo, la energía total de inferencia supera con creces la de entrenamiento si el modelo tiene adopción masiva.

Esto cambia la estrategia: muchas organizaciones en la región no entrenarán modelos gigantes propios; usarán modelos de otros y optimizarán dónde y cómo inferir (nube, on-prem, edge, híbrido) para controlar costo, latencia y cumplimiento.

Si eres CFO: pide escenarios de TCO que separen entrenamiento (CAPEX puntual / gasto externo) de inferencia (OPEX recurrente). Cambia la conversación.

6. Latencia: la distancia sí importa

6.1 ¿Qué es la latencia?

Latencia es el tiempo que tarda una solicitud en ir de tu dispositivo al servidor, procesarse y volver con una respuesta. Se mide en milisegundos (ms).

6.2 ¿Por qué te debe importar?

• En comercio electrónico, retrasos de ~100 ms pueden bajar conversiones.

• En interacción de voz, sobre 250 ms la experiencia se siente “robotizada”.

• En soluciones conversacionales en tiempos de más de 6 ms puede percibirse que no hay fluidez en la voz y descartar la conversación.

• En análisis de fraude en pagos, unos pocos ms deciden si bloqueas una transacción o dejas pasar un fraude.

6.3 ¿Qué la causa?

1. Distancia física: la luz (en fibra) tiene límite de velocidad. Si tus datos cruzan continentes, sumas ms.

2. Congestión de red: más saltos, más espera.

3. Procesamiento en la nube: colas y asignación de GPU agregan retardo.

4. Cifrado / seguridad adicional: cada capa añade microprocesos.

6.4 ¿Cómo reducirla?

• Depende del caso de uso en el negocio u organización.

• Si se requiere, lleva el cómputo más cerca del usuario (edge).

• Usa redes de baja latencia (fibra directa, peering local).

• Cachea modelos o pesos comprimidos en regiones cercanas.

Si eres banco o fintech: coloca tus workloads de validación de transacciones en un nodo de baja latencia dentro del país. Cada milisegundo cuenta frente al fraude.

7. ¿Qué es un Datacenter Edge (y qué no)?

7.1 Definición en castellano simple

Un datacenter edge es un pequeño centro de datos ubicado cerca de donde se generan o consumen los datos: una ciudad, un campus industrial, un hospital regional, una mina, para procesar información casi en tiempo real.

No compite con los grandes hyperscalers; los complementa. Piensa en él como una sucursal o “mini-fábrica digital de barrio” que evita mandar todo a miles de kilómetros.

7.2 Tamaño típico

• Desde algunos racks de alta densidad en un shelter modular hasta 1–10 MW en un edificio pequeño.

• Alto grado de automatización; a veces operación remota.

7.3 Casos de uso fuertes en América Latina

7.4 Lo que debes pedir a un proveedor edge

• Redundancia eléctrica (al menos N o N+1 en UPS y generadores).

• Conectividad multi-carrier.

• Soporte para GPUs o aceleradores IA.

• Telemetría remota (energía, temperatura, seguridad física).

Si eres responsable de innovación en gobierno: empieza con pilotos de edge en ciudades >1M habitantes con alta demanda de video vigilancia o servicios digitales ciudadanos. Escalable en módulos.

8. Métricas que todo contrato debería incluir

8.1 PUE – Eficiencia energética

• Fórmula: Energía total del sitio / Energía de TI.

• Ideal: menor a 1,3 (hiperscale de punta baja a 1,1–1,2; instalaciones antiguas >1,7).

• Advertencia: PUE puede variar por clima; compara promedios anuales, no picos de invierno.

8.2 WUE – Eficiencia hídrica

• Litros de agua por kWh de TI.

• Define umbrales por zona: en región con estrés hídrico, exigir <0,2; en zonas húmedas puede tolerarse más.

8.3 CUE: Carbon Intensity / Emisiones

• gCO₂e/kWh o tCO₂e por año.

• Pregunta si el proveedor adquiere certificados renovables (I-RECs) o PPAs físicos.

8.4 Disponibilidad / SLA

• Porcentaje anual garantizado (ej. 99,9 %, 99,99 %).

• Penalizaciones por caída.

8.5 Latencia contractual (si aplica)

• Medida de ida y vuelta (RTT) entre puntos predefinidos.

• Útil para workloads de IA sensible al tiempo.

Checklist rápido para RFP: Incluyo un apéndice editable al final del artículo que puedes copiar-pegar en tu proceso de compra.

9. El mapa latinoamericano: dónde estamos construyendo

(Las cifras son redondeos basados en reportes públicos de IEA, McKinsey, DatacenterDynamics, CBRE y comunicados empresariales a junio-julio 2025. Pueden cambiar; úsense como órdenes de magnitud.)

9.1 Brasil

• El mercado más grande de la región; concentra cerca de la mitad de la capacidad instalada LATAM.

• Fortaleza, São Paulo y Minas Gerais atraen campus de escala.

• Retos: transmisión eléctrica en horas pico y estrés hídrico regional en temporadas secas.

9.2 México

• Crecimiento acelerado en Querétaro y en la región centro-norte por nearshoring digital.

• Gobierno ha simplificado permisos ambientales en algunas zonas industriales.

• Retos: confiabilidad de la red y disponibilidad de agua industrial.

9.3 Chile

• Alta participación de energía renovable (solar + hidro); atractivo para cargas verdes.

• Debate social por uso de agua en zonas áridas; impulso a tecnologías de enfriamiento de bajo consumo.

• Buena conectividad trans-Pacífico; latencia competitiva hacia costa oeste de EE. UU.

9.4 Colombia

• Bogotá y la Sabana lideran; incentivos fiscales emergentes.

• Infraestructura eléctrica de alta tensión en expansión pero con retrasos.

9.5 Perú (en exploración)

• Interés en aprovechar potencial hidro y geotérmico; baja base instalada de DC de alta densidad.

• Oportunidad: cluster orientado a IA para minería, agroindustria y estado digital.

9.6 Otros mercados emergentes

• Uruguay: nicho de baja huella de carbono; proyectos con hidrógeno verde como respaldo.

• Argentina: economía en camino a estabilizarse, pero abundante talento técnico; oportunidades de edge local.

Si eres inversionista: mira las rutas de transmisión eléctrica y la política de acceso a agua antes que el número de metros cuadrados disponibles. Es allí donde se gana o se pierde el ROI.

10. Innovaciones que pueden cambiar la ecuación de costos

10.1 Refrigeración por inmersión líquida

Sumerges los servidores en un fluido dieléctrico que disipa calor mejor que el aire. Resultado: más densidad por rack, menos ventiladores, menor consumo de agua (en algunos diseños, cero agua). Ideal para clusters de GPU.

10.2 Energía flexible + IA

Algunos operadores ya ajustan dinámicamente cargas de IA según el precio horario de la electricidad. Si la tarifa baja a mediodía (por exceso solar), se programan inferencias masivas o entrenamientos no urgentes. Esto reduce OPEX y estabiliza la red.

10.3 Chips más eficientes

La próxima generación de aceleradores (GPU, TPU, ASIC) integra memoria más cerca del procesador, reduciendo energía por token generado. Esto afectará directamente el costo de inferencia en servicios masivos.

10.4 Reuso de calor

El calor residual de un datacenter puede calentar invernaderos, procesos industriales ligeros, calentamiento de piscinas o redes de calefacción distrital. En climas fríos de la región sur (Chile austral, Patagonia Argentina) esto crea modelos de negocio adicionales.

Si eres operador de DC: incluye desde el diseño tuberías y puntos de intercambio térmico. Más caro al final si lo agregas después.

11. Talento: la pieza humana que falta

No hay IA sin gente que la opere. Y aquí tenemos brecha.

11.1 Roles críticos en alza

11.2 Qué pueden hacer universidades y empresas

• Programas cortos co-diseñados con operadores de DC.

• Prácticas pagadas en campus reales.

• Laboratorios de eficiencia energética e hídrica en alianza con utilities.

Si lideras talento en una empresa grande: reserva presupuesto para certificaciones (Uptime, CDCP, etc.) y crea rotaciones entre equipos de TI, energía y nube. Las organizaciones que cruzan estas disciplinas avanzan más rápido.

12. Políticas públicas para acelerar (sin chocar)

América Latina puede atraer inversión en infraestructura de IA si crea reglas claras, rápidas y sostenibles. Algunas ideas de política basadas en experiencias de varios países:

12.1 Permisos integrados (“ventanilla única”)

Reducir la tramitología combinando licencias ambientales, uso de suelo, interconexión eléctrica y permisos de agua en un proceso coordinado. México ha comenzado pilotos en ciertas zonas industriales; vale estudiarlos.

12.2 Transparencia en agua y energía

Obligar a datacenters > 1 MW a reportar consumo de energía, mezcla renovable, PUE y WUE anual. Datos públicos incentivan eficiencia y evitan conflictos comunitarios.

12.3 Incentivos verdes

• Depreciación acelerada para equipos de alta eficiencia.

• Descuentos de tarifa de transmisión si el proyecto firma PPAs renovables a largo plazo.

• Bonos verdes o créditos blandos para proyectos con bajo WUE.

12.4 Reglas de soberanía y residencia de datos

Definir qué tipos de datos (salud, financieros, identidad) deben procesarse dentro del país. Esto impulsa demanda de DC locales y edge.

12.5 Interconexión regional

Programas binacionales de fibra y energía transfronteriza reducen costos y mejoran resiliencia ante eventos climáticos.

Si trabajas en gobierno: evalúa 2–3 medidas “rápidas” (permisos, transparencia, incentivos) y arranca pilotos con un estado o provincia. Muestra resultados y escala.

13. Escenarios: ¿qué pasa si…?

Para ayudar a planificar, pensemos en tres escenarios a 2030.

13.1 Escenario A: Importadores de IA (status quo)

Seguimos consumiendo servicios de IA mayormente desde otros continentes. Pagamos más por latencia y tarifas en divisa fuerte. Escasa creación de empleo local en infraestructura. Mayor vulnerabilidad regulatoria.

13.2 Escenario B: Clusters regionales selectivos

Brasil, México y Chile construyen clusters grandes; el resto de países consume desde allí. Mejora costos y latencia en mercados principales, pero deja brechas en países medianos y pequeños.

13.3 Escenario C: Red distribuida con edge

La región crea clusters principales más nodos edge en las principales ciudades (>1M habitantes). Servicios de IA críticos (pagos, salud, gobierno digital) operan localmente; se envían solo cargas profundas a hyperscalers globales. Optimiza latencia, empleo y soberanía de datos. Requiere coordinación pública-privada.

Cuál elegir: No es necesario que todos los países sean hyperscalers. Pero cada país debería tener, al menos, una estrategia edge y acuerdos de acceso a clusters regionales.

14. Hoja de ruta práctica para organizaciones

Esta sección sintetiza recomendaciones accionables. Úsala como check-list.

14.1 Si eres CEO / Director General

• Define qué procesos críticos usarán IA en los próximos 24 meses.

• Pregunta dónde corren hoy (geografía) y qué necesidades de energía/latencia tienen.

• Establece objetivos de sostenibilidad: % renovable, límites de agua.

14.2 Si eres CIO / CTO

• Clasifica cargas en: latencia ultra-baja, datos regulados, cargas flexibles.

• Diseña mezcla nube pública + colocation + edge.

• Si es necesario, negocia PPAs virtuales o físicos con socios de DC.

14.3 Si eres CFO

• Separa CAPEX de entrenamiento (picos) de OPEX de inferencia (recurrente).

• Evalúa riesgo tarifario eléctrico a 5–10 años.

• Usa contratos por uso real (medido) en lugar de reservas sobredimensionadas.

14.4 Si eres Responsable de Sostenibilidad (ESG)

• Solicita métricas PUE, WUE y CUE con periodicidad trimestral.

• Exige trazabilidad de agua (fuente, reuso) y energía (certificados renovables).

• Reporta comparables entre proveedores.

15. La ventaja de los que entienden la capa física

La conversación sobre IA suele quedar atrapada en demos, pilotos y promesas de productividad. Pero la ventaja verdadera para los países, la que sostiene negocios, atrae inversión y genera empleo local, depende de decisiones sobre energía, agua, conectividad y talento. Quienes entiendan esta capa física podrán entre otras cosas:

• Negociar mejores costos y márgenes en servicios de IA.

• Cumplir con regulaciones y expectativas ambientales crecientes.

• Ofrecer experiencias digitales de baja latencia que ganan clientes.

• Construir ecosistemas de innovación local en torno a la infraestructura.

América Latina está a tiempo. Tenemos recursos naturales, talento emergente y urgencia por resolver problemas reales. Si alineamos infraestructura + política pública + casos de uso de alto impacto, podemos pasar de ser importadores de IA a ser productores de inteligencia digital.

Referencias y lecturas recomendadas

• International Energy Agency (IEA) – Reportes sobre electricidad, datacenters y energía digital.

• McKinsey – Proyecciones de demanda de infraestructura «AI-ready».

• DatacenterDynamics (DCD) – Seguimiento de inversión y expansión en mercados globales y LATAM.

• CBRE – Estudios de vacancia y costos de colocation.

• Uptime Institute – Guías de resiliencia y métricas de eficiencia.

• Equinix / Digital Realty / Scala – Whitepapers de diseño y sostenibilidad regional.

• OLADE – Panorama energético en América Latina y el Caribe.

1. Un comienzo urgente

Hace pocos años hablábamos de la ética de la inteligencia artificial y de modelos matemáticos. La conversación ha cambiado: hoy lo que quieren saber los directivos y los ministros es cuánta electricidad tendremos disponible, cuánto tarda un permiso y dónde conectaremos los cables.

La IA moderna se alimenta de dos cosas muy concretas:

• Gigavatios: grandes cantidades de energía, mejor si son limpias.

• Kilómetros de fibra óptica: para que los datos viajen rápido y sin interrupciones.

Si no construimos esto, Latinoamérica seguirá pagando por servicios que se calculan a miles de kilómetros. Si lo hacemos, podremos crear empleos bien pagados, atraer inversión y resolver problemas locales con tecnología local.

2. Lo que pasa en el mundo

Tres cifras lo resumen todo:

1. Para 2030 la electricidad que usan los centros de datos crecerá más de 160 %.

2. Levantar un “megacentro” de 250 MW cuesta unos 12 000 millones de dólares.

3. Cada estante de computadoras especializadas en IA gastará 50 veces más energía que uno normal en solo dos años.

Los grandes proveedores (Google, Microsoft, Amazon) ya acapararon los lugares y la energía barata en Estados Unidos y Europa. Ahora miran al sur, donde el sol, el viento y el agua son abundantes.

3. Por qué Latinoamérica tiene ventaja

• Energía limpia y barata – Brasil funciona casi al 90 % con fuentes renovables; Uruguay y Costa Rica llegan al 98 %.

• Cercanía a los usuarios – Enviar datos a Virginia o Frankfurt añade retraso y cuesta dinero. Servirlos desde México, Chile, Perú o Colombia los hace más rápidos y baratos.

• Talento en crecimiento – Hay ingenieros capaces de manejar estas infraestructuras y sus salarios siguen siendo competitivos.

El desafío: reducir la burocracia y dar señales claras a los inversionistas para que ese potencial se convierta en proyectos reales.

4. Cómo debe armarse la red

Imagina el sistema nervioso de un cuerpo:

El cerebro puede estar en una zona con mucha energía, incluso lejos de las ciudades. Pero los ganglios y las terminaciones deben estar cerca del usuario para que todo responda rápido y sin cuellos de botella.

5. Casos de uso: historias que pueden ser reales de Ushuaia a Tijuana

La teoría cobra sentido en la práctica. Ocho historias ilustran cómo ejemplo la topología de tres capas que podría traer impacto con inteligencia artificial en toda la región.

• Tele-neuroimagen en Huancayo (Perú). Un micro-DC de 120 m² procesa tomografías de 600 MB; el neurólogo limeño recibe el diagnóstico o interpretación de la imagen con IA en 15 min, antes tardaba tres horas.

• Aulas inmersivas en Cochabamba (Bolivia). Un nodo de 1,5 MW mantiene pizarras 3D con 45 ms de latencia; la deserción escolar baja un 8 %.

• Agrovisión en Goiás (Brasil). Drones 4K envían 50 flujos simultáneos a un data center de 2 MW; la IA detecta plagas y reduce un 30 % el uso de pesticidas.

• Retail dinámico en Ciudad de México. Diez millones de etiquetas electrónicas reciben precios nuevos cada 90 segundos desde Querétaro con ronda-trip-time de 35 ms.

• Videovigilancia portuaria en Valparaíso (Chile). Un contenedor de 1 MW, ubicado a tres kilómetros del muelle, analiza miles de cámaras y reduce un 27 % los robos de contenedores.

• Minería inteligente en Catamarca (Argentina). Un micro-DC de 3 MW resume los logs de perforación con LLMs locales y acelera un 25 % la toma de decisiones geológicas.

• Gestión de buses en Medellín (Colombia). Un nodo edge de 2 MW optimiza rutas para 2 000 autobuses, recorta la congestión un 12 % y ahorra un 8 % de diésel.

• Gobierno digital en Uruguay. Expedientes notariales se alojan en ANTEL Pando; modelos de inteligencia artificial locales redactan minutas cumpliendo la jurisdicción uruguaya sin sacrificar velocidad.

Cada caso demuestra que la latencia no es solo un número técnico: es tiempo de diagnóstico, toneladas de CO₂, puntos de conversión en ventas o años de vida ganados a una economía regional.

6. Algunos datos de dónde está llegando el dinero (2024-2026)

La competencia ya empezó: quien ofrezca rapidez en los permisos y energía 100 % limpia atraerá la siguiente ronda de inversión.

7. Tendencias que marcarán la diferencia

1. Carrera por la potencia – Empresas eléctricas apartan megavatios para centros de datos antes de que existan los edificios. CFE México bloquea 500 MW para futuros campus; Eletrobras firma PPAs (Contrato de Compra de Energía) a 20 años con hiperescaladores.

2. Fábricas locales de equipo – Demoras de más de dos años para transformadores obligan a producir componentes en la región. Zonas francas colombianas fabrican UPS y switchgears para recortar seis meses de lead-time.

3. Enfriamiento con líquido – Sin esta tecnología, las nuevas GPUs se apagarían por calor; varias universidades ya enseñan cómo mantener estos sistemas. Globant abre en Rosario la primera sala de inmersión del Cono Sur; la Universidad de Campinas lanza especialidad en “Liquid-Stack Engineering”.

4. Pequeños centros en antenas 5G – Procesan videos y sensores sin tener que viajar a la capital. American Tower despliega 60 pods de 1 MW en Brasil; Claro estrena micro-DCs en su red 5G colombiana.

5. IA que administra la propia sala – Programas de IA revisan temperatura, consumo y fallas mejor que cualquier humano. ODATA aplica GPTs a su DCIM y reduce un 18 % las incidencias no planificadas.

Estas corrientes confluyen en un mismo recurso: la electricidad. Si la energía es el combustible de la IA, su gestión definirá quién lidera de verdad la nueva economía.

8. La electricidad lo es todo

• Un centro de datos moderno gasta tanta luz como una ciudad pequeña.

• Brasil, Paraguay y Uruguay tienen electricidad limpia de sobra; otros países deberán mezclar sol, viento e incluso pequeñas plantas nucleares.

• Lugares con mucho calor o poco agua necesitan sistemas de enfriamiento especiales: aire del exterior en la Patagonia, o circuitos cerrados de líquido en climas desérticos.

Los centros de datos consumían, en 2022, un 1,3 % de la electricidad mundial; el salto de la IA añadirá entre 30 y 43 GW antes de 2027 según Schneider Electric. América Latina parte con ventaja renovable: Brasil (86 %), Uruguay (98 %), Paraguay (90 %) y proyectos solares que ya pactan precios de 30 USD/MWh.

La otra cara de la moneda es la red. Querétaro está al límite; Ceará ofrece energía a TikTok, pero el agua se convierte en bien escaso. Surgen soluciones de free-cooling, circuitos cerrados y refrigeración por inmersión que reducen el uso de agua hasta en un 90 %. La carrera por la IA empuja, así, innovaciones de eficiencia que luego se derraman a la industria general.

9. Leyes y reglas claras

• Hace falta un marco latino propio: proteger la privacidad y al mismo tiempo impulsar la innovación.

• Permitir que los datos bancarios o de salud se queden dentro del país cuando sea necesario, sin cortar la colaboración regional.

• Dar certeza a los inversionistas para que los proyectos no queden atrapados en papeleo o cambios políticos.

Durante años la región observó la pugna regulatoria entre la innovación estadounidense y la precaución europea del AI Act. Ahora debe diseñar su propio camino. Brasil ya incluye cláusulas de “residencia de datos” en su LGPD; Colombia y Chile avanzan en marcos de IA con enfoque ético; Argentina incentiva la primera central nuclear modular (SMR) para alimentar carga base de IA.

La batalla por las cadenas de suministro, de GPUs a chips de network fabric, añade otra capa de tensión. Mientras Estados Unidos restringe la exportación de hardware avanzado a China, fabricantes asiáticos redoblan sus ofertas de financiación blanda en la región. La diversificación de socios energéticos y tecnológicos se vuelve, por tanto, cuestión de soberanía.

10. Qué gana la sociedad

• Empleos bien pagados – Técnicos, ingenieros y operadores que no tienen que emigrar para trabajar en alta tecnología.

• Más PIB o GDP – Solo la nube pública aporta ya más del 6 % en la economía chilena, por ejemplo.

• Servicios mejores y más baratos – Clases en línea sin cortes, trámites en minutos, diagnóstico médico en pueblos alejados.

• Menos impacto ambiental – Centros modernos usan la energía con más eficiencia que muchas fábricas actuales.

11. Plan de acción sugerido

Un plan de acción depende de la realidad y avances de cada país, sin embargo, estoy convencido que en términos simples podemos comenzar en estos 7 simples pasos:

1. Un solo lugar para los trámites y menos tiempo de espera.

2. Energía limpia las 24 horas, con reservas si el sol o el viento fallan.

3. Internet veloz en todo el país, no solo en la capital.

4. Capacitar miles de personas cada año y traer expertos cuando haga falta.

5. Usar parte de nuestros propios fondos de pensiones para invertir en estos proyectos.

6. Crear un marco de referencia de ley de IA latinoamericana que proteja y a la vez permita innovar.

7. Generar proyectos de impacto hacia el futuro en colaboración como el proyecto GPT-LATAM impuslado por Chile para entrenar modelos open source de IA. Hoy en colaboración con Brasil.

12. El reto y la oportunidad

He conocido casos de contratos perderse por 80 milisegundos de retraso y cosechas salvarse porque la IA detectó una plaga a tiempo. La ventana para atraer esta infraestructura gigante se abre una sola vez.

Si construimos los grandes centros (los cerebros), los centros regionales (los ganglios) y los pequeños nodos (las terminaciones) aquí, los beneficios: empleo, innovación, impuestos, se quedarán aquí. Si no, seguiremos pagando para que otros nos vendan poder de cómputo y velocidad.

Los megavatios no esperan. Y la historia, tampoco.

Referencias breves

1. Powering the AI Era – Goldman Sachs, 2024.

2. 451 Research – TBI Preview: Datacenters 2025, 2025.

3. IEA – Energy & AI Observatory. https://www.iea.org/data-and-statistics/data-tools/energy-and-ai-observatory?tab=Energy+for+AI

4. Scala Data Centers – AI City announcement, 2024.

5. ODATA – “Campus QR03 Querétaro,” 2024.

6. American Tower & Scala – Edge partnership release, 2024.

7. Oracle Cloud – Perú Region Launch blog, 2025.

8. Huawei Cloud – Lima Region Opening press note, 2025.

9. Digital Realty – Bogotá 4 expansion news, 2024.

10. ANTEL – Data Center Pando site, 2025.

11. Secretaría de Energía Argentina – “Plan Nacional SMR,” Libro blanco 2025.

12. Comisión Federal de Electricidad – “Programa Constelaciones Data Center,” 2024.

13. Latinvex, GlobeNewswire, IDB Invest, U.S. Trade Administration, Brookings Institution (enlaces listados en bibliografía extendida del anexo).

Hace un mes publiqué en LinkedIn mi advertencia: “Chile no debe copiar y pegar la AI Act europea; LATAM necesita una identidad regulatoria propia.” La respuesta fue clara: la región ansía hojas de ruta concretas, no manifiestos abstractos. Hoy traigo datos nuevos, historias frescas y referencias clave para demostrar que la gobernanza de IA no estorba la innovación; la calibra y la acelera.

Dos enfoques de regulación de IA, explicados en lenguaje llano

En resumen:

• EE. UU. apuesta por la velocidad y confía en guías técnicas y transparencia voluntaria para gestionar los riesgos.

• La UE pone freno desde el inicio: exige obligaciones legales según el riesgo y aplica sanciones severas si no se cumplen.

Los números que mandan (IAPP + Credo AI, 2025)

• 77 % de 671 organizaciones trabaja ya en marcos de gobernanza de IA; el porcentaje sube a casi 90 % entre quienes usan IA en producción. (Scribd)

• 30 % de las empresas que aún no usan IA construyen gobernanza “en preventa”, señal de que la tendencia es governance-first. (Scribd)

• 23,5 % identifica la escasez de talento híbrido (IA + riesgo + cumplimiento) como principal obstáculo. (Scribd)

• El organigrama se inclina: 50 % de los profesionales de gobernanza depende de áreas de ética, privacidad o legal, señal de que la conversación ya no es solo técnica. (Scribd)

En mis recorridos todo esto cobra vida: startups limeñas con spreadsheets de riesgo importados del GDPR; telcos brasileras dudando si la IA “vive” en TI o en legales; empresas mexicanas fichando “gobernólogos” y aún faltan manos.

IBM en la práctica: por qué la gobernanza vende

El AI Governance Profession Report 2025 dedica un caso a IBM: watsonx.governance automatiza captura de metadatos, evalúa sesgo y genera informes “listos para auditoría”. Un banco cooperativo francés redujo 30 % los costos de auditoría; un minorista mexicano ahorra 40 días-hombre en controles SOX. (redbooks.ibm.com)

Tres aprendizajes que exporto a LATAM:

1. Métricas de negocio: cada punto de Disparate Impact se traduce en riesgo de multa o fuga de clientes.

2. Linaje desde el día 1: si no capturas hoy quién entrenó el modelo, mañana no podrás explicarlo al regulador.

3. Pods híbridos: un data scientist, un abogado y un auditor revisan cada release. El talento se forma en “tríos”, no en silos.

Asia-Pacífico: cuatro tendencias para no perdernos

Corea del Sur: https://securiti.ai/south-korea-basic-act-on-development-of-ai/

China: https://www.imatag.com/blog/china-regulates-ai-generated-content-towards-a-new-global-standard-for-transparency

Japón: https://transparency.oecd.ai/

Australia: https://consult.industry.gov.au/supporting-responsible-ai

Chile como laboratorio de identidad regional

Chile fue el primer país del mundo en completar la RAM de UNESCO y actualizar su Política Nacional de IA en 11 meses. (indicelatam.cl) Además, las compras públicas exigen matriz de impacto y repositorio abierto de algoritmos (GobLab UAI).

Por ejemplo, si durante una hackatón municipal, los equipos no pueden publicar un modelo sin su tarjeta de transparencia estilo Anthropic, eco del debate que Jorge Calvo describe entre Bruselas y Silicon Valley. El resultado: inversionistas Series A exigen la “AI Card” chilena como parte del due diligence. Transparencia ≠ freno; es filtro de capital.

Historias de campo (3 instantáneas)

1. São Paulo – Veo a la oficial de riesgos detener un modelo crediticio tras alerta de drift. Dos meses después, el banco reporta cero incidentes regulatorios y 12 % menos fraudes.

2. CDMX – Un data-engineer cancela una campaña de precios porque su script detecta Disparate Impact 1,28 (> 1,25). “Aquí el sesgo cuesta ventas”, me dice.

3. Montevideo – En la segunda Cumbre Ministerial, un viceministro muestra el prototipo de “pasaporte regional” de IA: registro común, pruebas de sesgo y sello de confianza exportable.

Cada historia confirma que la narrativa “regulación vs. innovación” no coincide 100% hoy con la realidad y conciencia organizacional latinoamericana: la claridad regulatoria atrae inversión y retiene talento.

Panorama regional 2025

El Índice Latinoamericano de IA (ILIA 2024) confirma que Chile (73,07 puntos) lidera, seguido de Brasil (69,30) y Uruguay (64,98). (CEPAL) Pero la dimensión “Gobernanza” sigue siendo la más débil para el resto de la región. También podemos observar que no hay un rumbo claro ni guía para avanzar de manera estratégica en el futuro de la Inteligencia Artificial.

Hoja de ruta 18 + 18: de la teoría a la acción

Este es un ejercicio de alto nivel que sugiero tomar como referencia para iniciar un viaje de gobernanza de la IA. Pueden haber otras referencias y depende también del nivel de madurez de cada organización.

Fase 1 (0-18 meses)

Fase 2 (18-36 meses)

1. Pasaporte regional: lograr interoperabilidad RAM + declaraciones de Santiago.

2. Sandboxes comunales: 30 pilotos municipales con IA supervisada.

3. Centro LATAM de IA Responsable: hub para talento híbrido y auditorías compartidas.

Recomendaciones finales

1. Forme talento híbrido – El 23,5 % de escasez no se resuelve con “head‐hunters”, sino con academias in-house y alianzas universidad-empresa. (Scribd)

2. Automatice evidencias – Generar el PDF de linaje con cada build es más barato que seis meses de arqueología documental.

3. Cuantifique el valor ético – Si la métrica de sesgo baja 0,1 puntos y evita 1 % de churn, póngalo en el reporte de CFO: ética vende.

4. Piense regional – Un “pasaporte común” reducirá costos de exportación y multiplicará la base de talento.

5. Use transparencia como imán de capital – Inversores de Serie A ya piden “AI Cards” antes que pitch decks.

Epílogo: la pista y la torre de control

En la pantalla de salidas, el vuelo a Lima anuncia “puerta 14”. Cierro el cuaderno y sonrío: la gobernanza ya no es un freno, es la torre de control que permite despegar sin estrellarnos. América Latina puede diseñar su propia torre –ni espejo europeo ni pista sin luces– si combina:

• Derechos humanos como eje (UNESCO + Declaración de Santiago).

• Innovación sandbox tipo Hiroshima AI Process.

• Automatización empresarial como por ejemplo IBM.

Si lo hacemos bien, en cinco años exportaremos no solo software, sino confianza. Y la confianza es la divisa más fuerte en la nueva economía de la IA.

Referencias principales

1. AI Governance Profession Report 2025 – IAPP & Credo AI. (https://iapp.org/media/pdf/resource_center/ai_governance_profession_report_2025.pdf) (Scribd, Scribd)

2. Case study IBM / watsonx.governance – Ensuring Trustworthy AI with IBM watsonx.governance, Redbook, 2025. (redbooks.ibm.com)

3. South Korea AI Basic Act – Securiti.ai, 2025. (Securiti)

4. China’s Measures for Generative AI & Watermarking – Imatag blog, 2025. (imatag.com)

5. Hiroshima AI Process (G7) – OECD, 2025. (transparency.oecd.ai)

6. Safe & Responsible AI (Australia, 2024) – Australian Govt. discussion paper. (consult.industry.gov.au)

7. UNESCO RAM – Chile readiness report, 2024. (indicelatam.cl)

8. Índice Latinoamericano de IA 2024 – CEPAL/CENIA. (CEPAL)

9. Post de Jorge Calvo sobre transparencia (LinkedIn, 2025). https://www.linkedin.com/feed/update/urn:li:activity:7349682685855817728/

Suscríbete ahora

Después de leer el artículo de Newsweek "What AI Really Can Do Now: 6 Lessons for Harnessing Artificial Intelligence", no pude evitar relacionarlo con algunas experiencias que me han compartido en diferentes países. A través de mis recorridos por América Latina, he conocido de proyectos de IA en múltiples industrias. Si algo me ha quedado claro es que los proyectos que prosperan son los que entienden la tecnología como herramienta, no como fin.

Hoy quiero compartir cómo estas seis lecciones se conectan con experiencias que he analizado y discutido en mi newsletter de Substack. Historias reales, con aprendizajes que pueden ayudar a líderes de negocio a evitar el hype y enfocarse en lo esencial: resolver problemas humanos y generar impacto tangible al negocio.

1. Los humanos deben mantener el control

Rodney Brooks, un pionero en robótica, lo dice sin rodeos en el artículo: la gente solo adopta tecnologías cuando siente que conserva el control. Este principio lo he visto repetirse una y otra vez en los proyectos de IA que he seguido de cerca. Recuerdo particularmente sistemas en empresas, donde el reparto automatizado fue retirado temporalmente porque los empleados los veían como un obstáculo, más que una ayuda. Aunque la solución funcionaba técnicamente, no se integraba bien con las dinámicas humanas del lugar.

El equipo técnico aprendió la lección a la fuerza: la adopción de tecnología no es un tema de capacidad técnica, sino de confianza. Cuando rediseñaron el sistema para que los empleados pudieran decidir cuándo activar o desactivar los robots, la percepción cambió radicalmente. Ahora, los mismos usuarios activaban los robots cuando los necesitaban, y los evitaban cuando interferían con su trabajo. Ese simple ajuste incrementó la aceptación y el uso de la herramienta. Es como que en un avión el piloto automático estuviera activo siempre y no sea opcional para el piloto.

Yann LeCun, científico jefe de IA de Meta, sostiene que los modelos de IA actuales no están ni cerca de lograr una autonomía total, y en mis experiencias he visto cómo el mito de la automatización total genera expectativas irrealistas. Las organizaciones que insisten en sistemas sin supervisión humana suelen fracasar porque subestiman la necesidad del factor humano, especialmente en contextos operativos complejos.

Para mí, la gran lección es clara: cualquier proyecto de IA debe diseñarse desde el principio considerando el control humano como un componente esencial, no como una opción secundaria. La tecnología debe integrarse como una herramienta flexible, donde los usuarios puedan decidir cuándo y cómo usarla, sin perder su sentido de control y autonomía.

2. Aumentar, no automatizar

Satya Nadella y Sundar Pichai han insistido en que la IA debe ser un copiloto, no un reemplazo. Esta idea también la he observado en varios casos que he seguido. Uno particularmente ilustrativo fue el de un centro de atención al cliente que, en su afán por reducir costos, intentó automatizar todo el flujo de atención. ¿El resultado? Clientes insatisfechos y agentes desmotivados.

Tras varios meses de bajo rendimiento, la empresa decidió cambiar el enfoque. Se implementó un sistema de IA que gestionaba tareas repetitivas, autenticación de clientes, consultas básicas, mientras que los agentes humanos se enfocaban en resolver problemas más complejos que requerían empatía y juicio. Al adoptar el modelo de “copiloto”, la productividad no solo aumentó, sino que la moral del equipo mejoró significativamente.

El economista Daron Acemoglu advierte que la IA se ha usado demasiado para automatizar y muy poco para aumentar las capacidades humanas. Un estudio citado por Newsweek demuestra que el uso de IA como herramienta de apoyo puede incrementar la productividad hasta en un 34% para empleados novatos. Este hallazgo lo he visto confirmado en proyectos donde la IA empodera a los empleados, ayudándoles a resolver casos más rápidamente y con mayor precisión.

La gran conclusión aquí es que la IA debe ser diseñada para colaborar, no para sustituir. Cuando los sistemas se enfocan en potenciar el trabajo humano, el impacto positivo es doble: mejores resultados para la empresa y mayor bienestar para los trabajadores.

3. Elegir tareas en las que la IA es buena

Los modelos de IA no son todopoderosos, y aquí es donde muchos proyectos fallan. Los modelos de lenguaje grandes (LLM) brillan en tareas predecibles, como la generación de texto o la clasificación repetitiva. Lo explica bien el artículo de Newsweek, citando casos como el de la Clínica Mayo, donde la IA funcionó bien en diagnósticos comunes, pero no en casos raros, debido a la falta de datos suficientes para esos escenarios.

Un proyecto que observé de cerca intentó aplicar IA para predecir patrones de comportamiento de clientes en un sector muy volátil. El problema era claro: la variabilidad era tan alta que la IA simplemente no podía generalizar. Tras varios intentos fallidos, el equipo decidió enfocarse solo en segmentos donde el comportamiento era más estable y predecible. A partir de allí, los resultados mejoraron de forma sostenida.

Este caso ilustra la importancia de elegir cuidadosamente las tareas en las que se aplicará la IA. Las mejores soluciones no son las que lo intentan todo, sino las que se enfocan en problemas concretos y repetibles, donde la IA puede aprender y generar valor real. Además, usar un modelo de dominio específico evitará complejidad en las respuestas y reducirá costos en el caso de uso.

Mi recomendación constante es esta: la IA funciona mejor en entornos estructurados, donde hay datos suficientes y patrones consistentes. Intentar aplicarla en problemas altamente abstractos o creativos, sin la supervisión adecuada, es una receta para la frustración.

4. Usar la IA para generar posibilidades, no respuestas

Los modelos de IA actuales, como bien explica Newsweek, tienden a “alucinar”. Esto puede tener consecuencias graves cuando se les pide precisión absoluta, como se vio en casos públicos donde errores de IA generaron pérdidas millonarias. Pero esta supuesta debilidad puede convertirse en una fortaleza si se usa adecuadamente.

He visto cómo algunos equipos de marketing y estrategia han aprendido a usar la IA como herramienta de brainstorming. En lugar de pedirle respuestas correctas, la utilizan para generar ideas en bruto, explorando opciones creativas que luego son evaluadas por humanos. Esta práctica ha dado lugar a campañas más frescas y a soluciones innovadoras.

El truco, como mencionan los expertos en el artículo, está en enseñar a los equipos a no confiar ciegamente en la IA, sino a aprovechar su capacidad para generar posibilidades. Es un cambio de mentalidad que implica ver a la IA como un catalizador creativo, no como un juez definitivo. Recuerden, la IA infiere respuestas y esto es un tema de probabilidades.

Este enfoque me recuerda mucho lo que analicé en mi artículo sobre fricciones invisibles: a veces el valor de la IA no está en su precisión, sino en su capacidad para expandir el horizonte de ideas y perspectivas, siempre bajo el criterio humano.

5. Resolver problemas humanos

Una de las causas más frecuentes de fracaso en proyectos de IA es comenzar por la tecnología en lugar de por el problema. Newsweek lo resume bien: los proyectos exitosos parten siempre de problemas humanos bien definidos, no de la fascinación tecnológica.

Conozco varios casos donde se invirtió en soluciones complejas sin una necesidad real detrás, lo que terminó en abandono. En cambio, he visto cómo proyectos exitosos surgieron de problemas cotidianos, como la dificultad para encontrar información interna o la necesidad de simplificar tareas rutinarias.

Un ejemplo concreto fue el desarrollo de un asistente digital que ayudaba a los empleados a buscar información en múltiples sistemas. El proyecto no nació como un despliegue de IA masivo, sino como respuesta a una queja recurrente: la frustración por tener que buscar datos en múltiples plataformas. El éxito fue inmediato porque resolvía una necesidad clara y medible.

Aquí, la gran lección es simple pero poderosa: la mejor IA no es la más avanzada, sino la que resuelve un problema humano concreto, generando beneficios tangibles y sostenibles para el negocio.

6. Adoptar la asociación creativa

La última lección es quizás la más inspiradora. El artículo destaca cómo la IA puede convertirse en un socio creativo, más que en un creador autónomo. Rick Carter, diseñador de producción, explica que la IA funciona mejor como un “adjunto a lo que estoy pensando”, estimulando nuevas ideas sin reemplazar el proceso creativo humano.

He visto esto en acción en proyectos de diseño y planificación estratégica, donde la IA se utiliza para explorar escenarios, generar variaciones y estimular nuevas rutas de pensamiento. El rol de la IA no es crear la obra final, sino enriquecer el proceso creativo, ofreciendo perspectivas inusuales o ayudando a validar intuiciones.

Estudios citados en el artículo muestran cómo esta colaboración puede producir resultados sorprendentes, especialmente en campos como las matemáticas o la innovación de productos. La IA se convierte en un espacio de experimentación rápida, donde los humanos pueden probar y descartar ideas con mayor agilidad.

En mi experiencia, los proyectos que adoptan esta visión colaborativa obtienen resultados más innovadores y satisfactorios. Aquí, la IA no es el protagonista, sino un socio estratégico, que potencia la creatividad humana en lugar de sustituirla.

🚀 Reflexión Final

Estas seis lecciones son, en esencia, el reflejo de lo que he aprendido acompañando proyectos de IA en América Latina: la clave no está en la tecnología, sino en cómo la aplicamos para resolver problemas reales. La IA es poderosa, sí, pero solo cuando se usa con empatía, control humano y un propósito claro.

Si quieres profundizar en estas reflexiones y en más ejemplos de proyectos exitosos (y fallidos) de IA en nuestra región, te invito a explorar mis artículos en Substack:
🔗 https://albertoindacochea.substack.com/publish/home

Referencia: June 25th, 2025. https://www.newsweek.com/2025/07/04/ai-impact-six-lessons-2088669.html

Suscríbete ahora

After reading the Newsweek article "What AI Really Can Do Now: 6 Lessons for Harnessing Artificial Intelligence", I couldn’t help but connect it with experiences that people have shared with me in different countries. Through my travels across Latin America, I’ve seen AI projects in many industries. And there’s one thing I’ve learned clearly: the projects that succeed are the ones that understand technology as a tool, not as an end goal.

Today, I want to share how these six lessons connect with stories and reflections I have analyzed and discussed in my Substack newsletter. These are real cases, with learnings that can help business leaders avoid hype and focus on what truly matters: solving human problems and creating real business impact.

1. Humans Must Keep Control

Rodney Brooks, a pioneer in robotics, says it directly in the article: people only adopt technologies when they feel they still have control. I have seen this again and again in the AI projects I’ve followed closely. I clearly remember cases in companies where automated delivery systems were removed temporarily because employees saw them more as obstacles than as help. Even though the solution worked technically, it didn’t fit well with the human dynamics of the workplace.

The technical team learned the lesson the hard way: adopting technology is not only about technical capacity, it’s about trust. When they redesigned the system to allow employees to decide when to activate or deactivate the robots, everything changed. Now, users activate the robots when needed and avoid them when they interfere with their tasks. That simple adjustment improved both acceptance and usage. It’s like if the autopilot on a plane was always on and the pilot couldn’t choose to deactivate it—nobody would feel safe.

Yann LeCun, Chief AI Scientist at Meta, also highlights that today’s AI models are far from achieving full autonomy. From what I’ve seen, the myth of total automation often creates unrealistic expectations. Organizations that insist on fully unsupervised systems usually fail because they underestimate the human factor, especially in complex operational environments.

For me, the big lesson is clear: every AI project must be designed from the beginning with human control as a key element, not as an optional feature. Technology must be integrated as a flexible tool—one that users can choose when and how to use—without losing their sense of autonomy and control.

2. Augment, Don’t Automate

Satya Nadella and Sundar Pichai have both said it: AI must act as a copilot, not as a replacement. I’ve seen this exact idea play out in several cases I’ve followed. One particularly clear example was a customer service center that tried to automate their entire process to cut costs. The result? Unhappy customers and unmotivated agents.

After several months of poor performance, the company shifted its strategy. They implemented an AI system to handle repetitive tasks—like customer authentication and basic inquiries—while human agents focused on solving more complex issues that required empathy and judgment. Once they embraced the “copilot” model, productivity increased, and team morale improved significantly.

MIT economist Daron Acemoglu warns that AI has been overused for automation, but underused for enhancing human capabilities. A study mentioned in the Newsweek article shows that using AI as a support tool can boost productivity by up to 34% for new employees. I’ve seen this validated in projects where AI empowered employees to resolve cases faster and with more accuracy.

The main conclusion here is simple: AI should be designed for collaboration, not replacement. When systems focus on augmenting human work, the positive impact is doubled—better results for the business, and greater job satisfaction for workers.

3. Choose Tasks Where AI Is Strong

AI models are not magic solutions. Many projects fail here. Large language models (LLMs) shine in predictable tasks—like text generation or repetitive classification. Newsweek explains this well, citing cases such as the Mayo Clinic, where AI worked well for common diagnoses but struggled with rare cases because of insufficient data.

One project I observed up close tried to use AI to predict customer behavior in a highly volatile market. The problem was clear: the unpredictability was too high for the AI to handle. After several failed attempts, the team narrowed its focus only to customer segments with more stable patterns. From there, results improved steadily.

This example shows why it’s essential to carefully choose the right tasks for AI. The best solutions don’t try to do everything—they focus on specific, repeatable problems where AI can learn and deliver real value. Also, using domain-specific models avoids complexity and reduces costs in real-world use cases.

My constant advice is this: AI works best in structured environments where there’s enough data and consistent patterns. Trying to apply AI to abstract or creative problems without proper supervision is a recipe for frustration.

4. Use AI to Generate Possibilities, Not Final Answers

Today’s AI models, as Newsweek explains, tend to “hallucinate.” This can cause serious problems when absolute accuracy is expected—as seen in public cases where AI mistakes led to millions in losses. However, this “weakness” can become a strength if used wisely.

I’ve seen marketing and strategy teams learn to use AI for brainstorming. Instead of asking for correct answers, they use it to generate rough ideas—exploring creative options that are later evaluated by humans. This practice has led to fresher campaigns and more innovative solutions.

The key, as the experts in the article point out, is to teach teams not to trust AI blindly, but to leverage its ability to generate possibilities. It requires a mindset shift: to see AI as a creative catalyst, not as a decision-maker. Remember, AI infers answers—it’s all about probabilities.

This approach reminds me of what I discussed in my article about “invisible frictions” in AI projects. Sometimes, AI’s true value lies not in its accuracy but in its ability to expand our thinking—always guided by human judgment.

5. Solve Human Problems

One of the most common reasons AI projects fail is starting with technology instead of the actual problem. Newsweek summarizes it well: successful projects always begin with clearly defined human problems—not with tech fascination.

I know several cases where companies invested in advanced solutions without a real need behind them—leading to abandonment. In contrast, I’ve seen successful projects born from everyday problems—like difficulty finding internal information or simplifying repetitive tasks.

A concrete example was the development of a digital assistant that helped employees search across multiple systems. This wasn’t a massive AI project at the beginning—it started as a response to a recurring complaint: the frustration of searching for data in multiple platforms. It worked because it solved a clear and measurable need.

Here, the lesson is simple but powerful: the best AI isn’t necessarily the most advanced—it’s the one that solves a specific human problem and delivers sustainable business results.

6. Embrace Creative Partnerships

The final lesson is perhaps the most inspiring. The article shows how AI can act as a creative partner, not as a standalone creator. Rick Carter, a production designer, explains that AI works best as an “adjunct to what I’m thinking”—stimulating new ideas without replacing human creativity.

I’ve seen this in action in design and strategic planning projects, where AI is used to explore scenarios, generate variations, and spark new thinking. The role of AI here is not to create the final product but to enrich the creative process—offering unusual perspectives or validating intuitive ideas.

Studies cited in the article show how this kind of collaboration can produce surprising results, especially in fields like mathematics or product innovation. AI becomes a rapid experimentation space, where humans can test and refine ideas faster.

In my experience, the projects that adopt this collaborative approach end up with more innovative and satisfying outcomes. Here, AI is not the hero—it’s a strategic partner that amplifies human creativity instead of replacing it.

🚀 Final Reflection

These six lessons, in essence, reflect what I’ve learned from supporting AI projects in Latin America: the key isn’t technology itself—it’s how we apply it to solve real problems. Yes, AI is powerful—but only when it’s used with empathy, human control, and a clear purpose.

If you want to dive deeper into these reflections and read more about successful (and unsuccessful) AI projects in our region, I invite you to explore my Substack newsletter:
🔗 https://albertoindacochea.substack.com/publish/home

Suscríbete ahora

Reference: June 25th, 2025. https://www.newsweek.com/2025/07/04/ai-impact-six-lessons-2088669.html

From Meetings That Get Forgotten… to Opportunities That Activate Themselves

In the last two weeks I’ve been in Bogota and Medellin, meeting with clients and business partners from different sectors. These were intense days, with tight schedules, deep conversations, and multiple emerging opportunities: from retail pilots to integrations in financial services.

At the end of each day, while in a taxi back to the hotel or airport, I opened Plaud, connected my voice notes and told it the key points of each meeting. In minutes, it returned a structured summary with topics discussed, needs detected and, most valuable, a clear list of potential opportunities with their next steps.

In this simple flow, something that still is a bottleneck in many organizations got solved: turning a conversation into a concrete commercial action, with traceable follow-up and alignment with the team.

It’s not about futuristic technology. It’s about a commercial flow. About continuity. And about not leaving on the table conversations that already opened the door to a sale.

The Terrain We Found

In large companies in the region, the tools are many: strong CRMs, integrated calendars, video‐call platforms. But those systems don’t “talk” to each other intelligently. The CRM depends on the seller to upload information manually. Calls are recorded, but almost nobody reviews them. Opportunities are not created because “there is no time.”

And without traceability, without context, without record… the client feels like they are not listened to. The seller loses opportunities. And the commercial team cannot forecast the pipeline with accuracy.

What we saw was an opportunity for orchestration. To connect points that already exist but don’t flow. Where AI acts not as an isolated tool, but as an integrator of context, action, and result.

Common Pain Points

• Meetings recorded, but no actions follow.
  The call is recorded “just in case,” but nobody reviews the audio. Knowledge gets trapped in files nobody uses.

• Opportunities never registered because “there was no time.”
  The seller runs to the next meeting. What was discussed stays in a notebook or worse, in memory.

• Manual follow-ups, late and out of context.
  Days later someone tries to resume the conversation… but there is no momentum, no clarity on what comes next.

• Underutilized CRM or full of empty fields.
  It becomes a reporting system, not a tool that adds value to the commercial process.

• Misalignment between what the client said and what the system shows.
  The client requested A, but the CRM shows B. And that affects both the sales and delivery teams.

Additional Bottlenecks

• Too many tools, little integration.
  The seller navigates Zoom, Outlook, WhatsApp, Excel, and CRM, without a consolidated workflow.

• Commercial knowledge is informal and not shared.
  What senior sellers know stays in their heads or in their personal style. Newcomers cannot learn from it.

• Next steps are not updated after each meeting.
  And without clear next steps, there is no progress. The opportunity stalls and nobody notices in time.

• Difficult visibility for commercial leaders.
  Reports reflect little of what is really happening and that affects planning and strategy.

• Operational fatigue on the sales team.
  They have to sell and also be their own assistants, analysts, and transcribers.

Use Case: Generative AI Commercial Meeting Assistant

1. Business and User Problem

Most sales teams live between meetings, but they act with little structure. And when working with large accounts, that lack of structure can cost millions.

AI can be that assistant that listens to each interaction, understands it, and turns it into a concrete action: creating an opportunity, suggesting a message, scheduling a follow-up, updating the CRM. It’s not just about being efficient. It’s about not leaving money on the table.

2. Jobs to Be Done

Sales executive: needs each meeting to turn into clear actions without wasting time writing everything by hand.

Sales leader: needs real visibility of the pipeline, not guesses. Wants to know which opportunities are active, what was promised, and what’s next.

Client: expects continuity. They don’t want to repeat their story every time. They want to feel listened to and understood.

3. Value for the Business and the User

Using generative AI to capture and activate information from meetings has brought real results:

• Faster and more contextual follow-ups.

• Opportunities created automatically in the CRM with relevant fields already completed.

• More personalized conversations, based on what the client actually said.

• More accurate forecasting, because each opportunity has a documented history.

• 50% reduction in time spent after each call.

4. Data and Model

To make this assistant work properly, it needs:

• Access to Zoom, Teams or Meet recordings.

• Previous client data: industry, history, past interactions.

• Mapping of the sales funnel stages and qualification criteria (like BANT or others).

• Direct connection to the CRM to create opportunities with tags, stage, estimated value, and next step.

5. Conversational Design

Each meeting can be turned into a clear document showing:

• What the client asked.

• What was promised.

• Which product or service they were most interested in.

• What are the next recommended steps.

The AI can also suggest:
“Create opportunity in Identified stage with estimated value of $50K”
or
“Send use cases for Finance department.”
It can also draft follow-up messages ready for review and sending.

6. Desired User Experience

Imagine this:

It’s Monday. In your inbox, you have three clear summaries from Friday’s meetings. Each one includes:

• A 3–5 line executive summary.

• Suggested action to take immediately.

• Opportunity already created in the CRM with follow-up scheduled.

• Downloadable transcript with keywords identified: “interest”, “urgency”, “objection”.

All this without the seller having to write anything.

7. Scaling Strategy

The change must be gradual:

• Start with a pilot team (preferably strategic accounts or the business segment that applies).

• Measure the impact on follow-up speed and CRM data quality.

• Adjust prompts and summary formats.

• Then expand to the full team, using business rules and personalized templates.

8. Organizational Change

This is not just about tech, it’s about culture:

• Training to help teams use the summaries well.

• Incentives for properly documented opportunities.

• Continuous feedback between sales and marketing.

• Promoting CRM as the single source of truth, not just a reporting tool.

9. Risks and Mitigation

Risks:

• Summaries that lose the human tone.

• Errors in detecting intent or deal size.

• Automation that feels impersonal.

Mitigation:

• Human review with quick verification before sending.

• Model training with local and industry-specific data.

• Fine-tuning by country, sector, and level of formality.

Simple AI-Powered Follow-Up Flow

The real “magic” is not just summarizing a call. It’s about turning that conversation into a live, structured, and actionable commercial process. This flow shows how AI can support the seller, not just with data, but with sales judgment.

Suscríbete ahora

1. Recording and Capture

• The meeting (Zoom, Teams, or Google Meet) is recorded automatically.

• The assistant detects the title, participants, and purpose based on the calendar invite.

  Example: “Meeting with Bank X – Evaluation of Digital Onboarding Solution”.

2. Transcription and Semantic Analysis

A precise transcript is generated, even in hybrid contexts (low audio quality, regional accents).

The system identifies key phrases like:
“We are interested”, “I will review this with my boss”, “Please send the case”.

In this step, Latin American context is key: the AI is trained to recognize local business expressions.

3. Executive Summary and Signal Detection

A summary of 4 to 7 lines is created, including:

• Purpose of the meeting

• Main doubts or objections from the client

• Signals of urgency, budget, or decision power

• Proposed or promised action

Automatically, it also tags:

• Mentioned pain points (e.g., “we need to automate data entry”)

• Product interest (e.g., “digital signature solution”)

• Level of authority of the contact person

4. Opportunity Creation in CRM

With one click (or automatically if the organization is ready), the assistant:

• Creates an opportunity in the “Identified” stage

• Fills in estimated value, detected need, and type of solution

• Links it to the correct contact and account

Result: the meeting is no longer lost, it becomes part of a trackable pipeline.

5. Follow-Up Generation

The assistant suggests the most logical next step:

• “Send the demo on Wednesday”

• “Schedule meeting with CTO”

• “Share a success case in retail”

It drafts a follow-up email in a professional, empathetic tone, tailored to the client’s industry.

If there is no response, it schedules a reminder or sends an automated follow-up with customized text via WhatsApp, LinkedIn, or email, depending on the client’s preferred channel.

6. Updating the Commercial Ecosystem

Everything is documented:

• In the CRM

• In the opportunity panel

• In the follow-up dashboards

The commercial leader sees the updated status of the pipeline, without needing to chase each salesperson.

Recommended Solution: Generative AI Meeting Assistant

This is not just a summary bot. It’s a co-pilot or commercial assistant that listens, thinks, and acts inside the seller’s normal workflow.

What does it do?

✅ Listens to the full conversation
✅ Summarizes what really matters, with real context and without noise
✅ Knows how to act: not only gives information, but makes proposals
✅ Creates the opportunity in the CRM with useful data
✅ Suggests what to say, when, and how
✅ Automates adaptive follow-ups
✅ Documents everything so the whole organization knows what happened, without depending on an isolated email or someone’s memory

Why does it matter?

Because in Latin America, where relationships mean everything, you can’t rely only on memory or sales “intuition.”

This assistant:

• Increases response speed

• Reduces operational friction

• Improves the client experience

• Delivers effortless traceability

• Doesn’t depend on one person

• Feeds commercial intelligence to make better decisions

What is needed to implement it?

Technical:

• Connectors or tools for Zoom, Teams, CRM, and email

• Access to recordings and historical meeting data

• Prompt adjustments for each business sector

Cultural:

• Salespeople willing to delegate repetitive tasks

• Leaders ready to use data to support decisions

• A company open to iterating and giving feedback

Human:

• Initial supervision to fine-tune messages

• Curiosity to test and improve

• Willingness to build a new way of working

When to move to a more autonomous agent?

When:

• The team already records and reviews meetings

• The CRM is reliable

• There is willingness to adopt new flows
  Then you can automate full tasks: scheduling, content suggestion, inactivity detection, progress reports.

Conclusion

Prospecting opens the door. Follow‑up keeps it open. Generative AI not only optimizes processes, it strengthens commercial relationships by remembering what matters, acting at the right time, and freeing time for real connection. In Latin America, where selling is both technical and relational, this assistant can be the game‑changer.

Suscríbete ahora

De reuniones que se olvidan… a oportunidades que se activan solas

En las últimas dos semanas estuve en Bogotá y Medellín, reuniéndome con clientes y socios de negocio de distintos sectores. Fueron jornadas intensas, con agendas apretadas, conversaciones profundas y múltiples oportunidades emergentes: desde pilotos en retail hasta integraciones en servicios financieros.

Al final de cada día, ya en el taxi de regreso al hotel o al aeropuerto, abría Plaud, conectaba mis notas de voz y le contaba los puntos clave de cada reunión. En minutos, me devolvía un resumen estructurado con los temas discutidos, necesidades detectadas y lo más valioso, una lista clara de oportunidades potenciales, con sus próximos pasos.

En ese flujo simple, se resolvía algo que en muchas organizaciones sigue siendo un cuello de botella: transformar una conversación en una acción comercial concreta, con seguimiento trazable y alineado con el equipo.

No es un tema de tecnología futurista. Es una cuestión de flujo comercial. De continuidad. Y de no dejar sobre la mesa conversaciones que ya abrieron la puerta a una venta.

El terreno que encontramos

En empresas grandes de la región, las herramientas abundan: CRMs robustos, calendarios integrados, plataformas de videollamadas. Pero esos sistemas no “conversan” entre sí de forma inteligente. El CRM depende de que el vendedor cargue la información a mano. Las llamadas quedan grabadas, pero casi nadie las revisa. Las oportunidades no se crean porque “no hay tiempo”.

Y sin trazabilidad, sin contexto, sin registro… el cliente siente que no lo están escuchando. El vendedor pierde oportunidades. Y el equipo comercial no puede proyectar el pipeline con precisión.

Lo que vimos fue una oportunidad de orquestación. De conectar puntos que ya existen, pero no fluyen. Donde la IA actúe no como herramienta aislada, sino como integrador de contexto, acción y resultado.

Dolencias comunes

• Reuniones grabadas, pero sin acciones derivadas.
  Se graba “por si acaso”, pero nadie revisa la llamada. El conocimiento se queda atrapado en archivos que nadie consulta.

• Oportunidades que nunca se registran porque “no hubo tiempo”.
  El vendedor sale corriendo a la siguiente reunión. Lo discutido queda en un cuaderno o, peor, en la memoria.

• Seguimientos manuales, tardíos y fuera de contexto.
  Días después se intenta retomar la conversación… pero ya no hay tracción, ni claridad sobre qué sigue.

• CRM subutilizado o lleno de campos incompletos.
  Se convierte en un sistema de reporte, no en una herramienta que aporte valor al proceso comercial.

• Desalineación entre lo que el cliente dijo y lo que el sistema refleja.
  El cliente pidió A, pero el CRM muestra B. Y eso impacta tanto al equipo de ventas como al de operaciones o delivery.

Cuellos de botella adicionales

• Demasiadas herramientas, poca integración.
  El vendedor navega entre Zoom, Outlook, WhatsApp, Excel y CRM, sin un flujo consolidado.

• El conocimiento comercial es informal y no se comparte.
  Lo que el vendedor senior sabe queda en su cabeza o en su estilo personal. Los nuevos no pueden aprender de eso.

• No se actualizan los “next steps” después de cada reunión.
  Y sin próximo paso claro, no hay avance. La oportunidad se estanca y nadie lo nota a tiempo.

• Difícil visibilidad para los líderes comerciales.
  Los reportes reflejan poco de lo que realmente está pasando. Y eso afecta la planificación y la estrategia.

• Fatiga operativa del equipo de ventas.
  Tienen que vender y también ser sus propios asistentes, analistas y transcriptores.

Caso de Uso: Asistente de Reuniones Comerciales con IA Generativa

1. Problema del negocio y del usuario

La mayoría de los equipos comerciales vive entre llamadas, pero actúa con poca estructura. Y cuando se trabaja con cuentas grandes, ese descuido cuesta millones.

La IA puede ser ese copiloto que escucha cada interacción, la entiende, y la convierte en una acción concreta: crear una oportunidad, sugerir un mensaje, programar un seguimiento, alimentar el CRM. No se trata solo de eficiencia. Se trata de no dejar dinero sobre la mesa.

2. Jobs to Be Done

Ejecutivo de ventas: necesita que cada reunión se traduzca en acciones concretas sin perder tiempo documentando todo a mano.

Líder comercial: busca visibilidad real del pipeline, no supuestos. Quiere saber qué oportunidades están vivas, qué se prometió, qué sigue.

Cliente: espera continuidad, no repetir su historia cada vez. Quiere ver que lo escucharon, que entienden sus necesidades.

3. Valor para el negocio y el usuario

Implementar IA generativa para capturar y accionar desde las reuniones ha traído resultados concretos:

• Seguimientos más rápidos y contextuales.

• Oportunidades creadas automáticamente en el CRM con campos relevantes ya llenos.

• Conversaciones más personalizadas, basadas en lo dicho por el cliente.

• Forecasting más preciso, porque las oportunidades tienen historia documentada.

• Reducción del 50% en el tiempo de post-llamada.

4. Datos y modelo

Para que este asistente funcione, necesita:

• Acceso a las grabaciones de Zoom, Teams o Meet.

• Datos previos del cliente: industria, historial, interacciones anteriores.

• Mapeo de etapas del funnel y criterios de calificación (BANT u otro).

• Enlace directo al CRM para crear oportunidades con tags, etapa, monto estimado y próxima acción.

5. Diseño conversacional

Cada reunión puede resumirse en un documento claro que capture:

• Qué preguntó el cliente.

• Qué se le prometió.

• Qué producto mostró más interés.

• Cuáles son los próximos pasos recomendados.

Además, la IA sugiere directamente: “Crear oportunidad en etapa identificada con valor estimado de $50K” o “Enviar casos de uso para áreas de finanzas”. Y redacta borradores de mensajes listos para revisar y enviar.

6. Experiencia de usuario deseada

Imagina esto:

Es lunes. En tu bandeja hay tres resúmenes claros de las reuniones del viernes, cada uno con:

• Un resumen ejecutivo (3-5 líneas).

• Recomendación de acción inmediata.

• Oportunidad ya creada en el CRM, con seguimiento programado.

• Documento descargable con transcript y detección de palabras clave: “interés”, “urgencia”, “objeción”.

Todo esto sin que el vendedor haya tenido que escribir una línea.

7. Estrategia de escalamiento

El cambio se hace paso a paso:

1. Seleccionar un equipo piloto (idealmente cuentas estratégicas o lo que aplique al negocio).

2. Medir impacto en velocidad de seguimiento y calidad del CRM.

3. Ajustar prompts y formatos de resumen.

4. Expandir a todo el equipo, integrando reglas de negocio y plantillas personalizadas.

8. Cambio organizacional

La clave no es solo técnica, es de cultura:

• Capacitación para usar bien los resúmenes.

• Incentivos por oportunidades bien documentadas.

• Feedback continuo entre ventas y marketing.

• Promoción del CRM como fuente única de verdad, no como carga operativa.

9. Riesgos y mitigación

Riesgos:

• Resúmenes que pierden el tono humano.

• Errores en detección de intención o monto.

• Automatización que despersonaliza.

Mitigación:

• Supervisión humana con revisión rápida antes de enviar.

• Entrenamiento del modelo con datos locales y sectoriales.

• Ajuste fino por país, industria y nivel de formalidad.

Flujo Simple de Seguimiento Inteligente con IA

La “magia” no está solo en resumir una llamada. Está en convertir esa conversación en un proceso comercial vivo, estructurado y accionable. Este flujo propone cómo la IA puede asistir al vendedor, no solo con datos, sino con criterio comercial:

1. Grabación y Captura

• La reunión (Zoom, Teams o Google Meet) se graba automáticamente.

• El asistente detecta el título, participantes y propósito según agenda del calendario.

Ejemplo: “Reunión con Banco X – Evaluación de Solución de Onboarding Digital”.

2. Transcripción y Análisis Semántico

• Se genera una transcripción precisa, incluso en contextos híbridos (audio desigual, acentos regionales).

• El sistema identifica frases clave: “nos interesa”, “lo revisaré con mi jefe”, “envíame el caso”.

Aquí el contexto latinoamericano es vital: la IA se entrena para reconocer expresiones propias de negocios en la región.

3. Resumen Ejecutivo y Detección de Señales

• Se construye un resumen de 4 a 7 líneas que incluye:

  • Objetivo de la reunión.

  • Principales dudas/objeciones del cliente.

  • Señales de urgencia, presupuesto o decisión.

  • Acción propuesta o prometida.

• Se etiquetan automáticamente aspectos clave:

  • Dolor mencionado (ej. “necesitamos automatizar ingreso de datos”).

  • Interés en línea de producto (ej. “solución de firma digital”).

  • Nivel de autoridad del interlocutor.

4. Creación de Oportunidad en CRM

• Con un clic (o de forma automática si hay confianza organizacional), el asistente:

  • Crea una oportunidad en etapa “Identified”.

  • Carga monto estimado, necesidad detectada y tipo de solución.

  • Asocia el contacto y cuenta correspondiente.

Resultado: la reunión no queda en el aire, sino como parte de un pipeline trazable.

5. Generación de Seguimiento

• El asistente sugiere el próximo paso más lógico:

  • “Enviar demo el miércoles”

  • “Agendar reunión con CTO”

  • “Compartir caso de éxito en retail”

• Redacta un correo de seguimiento con tono profesional, empático y adaptado al sector.

• Si no hay respuesta, programa un recordatorio o seguimiento automatizado con texto personalizado para WhatsApp, LinkedIn o correo, según preferencia previa del cliente.

6. Actualización del Ecosistema Comercial

• Todo queda documentado:

  • En el CRM.

  • En el panel de oportunidades.

  • En dashboards de seguimiento.

• El líder comercial ve el estado actualizado del pipeline, sin necesidad de perseguir a cada ejecutivo.

Solución Recomendada: Asistente de Reuniones Comerciales con IA Generativa

Este no es un robot de resumen. Es un copiloto o asistente comercial que escucha, razona y ejecuta dentro del flujo de trabajo del vendedor.

¿Qué hace?

✅ Escucha la conversación completa.
✅ Resume lo relevante, con contexto real y sin ruido.
✅ Sabe actuar: no solo informa, sino propone.
✅ Crea la oportunidad en el CRM con datos útiles.
✅ Sugiere qué decir, cuándo y cómo.
✅ Automatiza seguimientos adaptativos.
✅ Documenta para que todos en la organización vean lo que pasó, sin depender de un correo suelto o memoria individual.

¿Por qué importa?

Porque en América Latina, donde las relaciones lo son todo, no se puede depender de la buena memoria o del “feeling” comercial.

Este asistente:

• Aumenta la velocidad de reacción.

• Reduce la fricción operativa.

• Mejora la experiencia del cliente.

• Da trazabilidad sin esfuerzo.

• No depende de una sola persona.

• Alimenta inteligencia comercial para decidir mejor.

¿Qué se necesita para implementarlo?

Técnico:

• Conectores o tools a Zoom, Teams, CRM y correo.

• Acceso a grabaciones y base histórica.

• Ajustes de prompts para cada sector.

Cultural:

• Vendedores que acepten delegar tareas repetitivas.

• Líderes dispuestos a usar datos como base de decisión.

• Organización abierta a iterar y dar feedback.

Humano:

• Supervisión inicial para afinar mensajes.

• Curiosidad para probar y adaptar.

• Voluntad de construir una nueva forma de trabajar.

¿Cuándo avanzar hacia un agente más autónomo?

Cuando:

• El equipo ya graba y revisa sus reuniones.

• El CRM es confiable y se usa como fuente.

• Hay voluntad para adoptar nuevos flujos.

Entonces puedes automatizar tareas completas:

• Agendar seguimientos.

• Sugerir contenidos.

• Detectar inactividad.

• Generar reportes de avance.

Conclusión

Prospectar es abrir puertas. Pero dar seguimiento es mantenerlas abiertas.

La IA generativa no solo optimiza procesos, sino que fortalece la relación comercial al recordar lo que importa, accionar en el momento justo y liberar tiempo para conectar.

En América Latina, donde la venta es tanto técnica como relacional, este tipo de asistente puede ser el diferencial que cambia todo.

Abrir una conversación, no lanzar un dardo al vacío

En 2020, como Gerente General de Sapia en Perú, nos enfrentamos a un desafío común pero urgente: necesitábamos generar pipeline con un portafolio de servicios completamente nuevo. Sin un nombre posicionado en ese segmento, comenzamos a enviar correos electrónicos y mensajes por WhatsApp. El resultado fue frustrante: la tasa de conversión era mínima. No por falta de voluntad ni de esfuerzo, sino porque estábamos apostando a volumen sin precisión.

Aprendimos que la generación de leads no se trata de llenar un embudo con contactos al azar, sino de abrir conversaciones significativas con quienes tienen el potencial real de convertirse en socios comerciales. Pero sin datos, sin contexto y sin disciplina comercial, esa conversación nunca empieza.

El terreno que encontramos

En el trabajo con empresas grandes y corporativas en América Latina, es frecuente ver estructuras comerciales robustas, pero con cuellos de botella que frenan la efectividad. Hay buena intención, pero falta de claridad sobre quién es el cliente ideal, cuándo abordarlo y cómo personalizar el mensaje.

Lo que falta muchas veces no es talento, sino disciplina. La disciplina comercial implica registrar, analizar, medir, priorizar. Y todo eso depende de algo que suele estar subvalorado: el manejo de la data. Sin una cultura de datos, el equipo de ventas navega a ciegas.

Dolencias comunes en la prospección B2B tradicional

• Bases de datos incompletas, duplicadas o sin segmentación.

• Datos desactualizados que generan contactos fallidos.

• Correos masivos que terminan en spam.

• Mensajes por WhatsApp o Linkedin que suenan fríos o genéricos.

• Falta de trazabilidad sobre qué se hizo con cada contacto.

• Dependencia excesiva del "olfato comercial" sin datos objetivos.

• Ausencia de cadencias de seguimiento claras.

Cuellos de botella adicionales

• No hay definición clara del perfil del cliente ideal.

• Falta de integración entre marketing y ventas.

• Herramientas de CRM subutilizadas, sobreutilizadas o mal configuradas.

• Falta de indicadores claros para medir el avance del pipeline.

• Tiempo excesivo en tareas operativas: actualizar datos, crear reportes manuales.

• Cultura comercial reactiva más que proactiva.

Caso de Uso: Prospección Inteligente con IA

1. Problema del negocio y del usuario

En contextos corporativos latinoamericanos, donde la toma de decisiones es lenta y jerárquica, es vital contactar al decisor correcto en el momento oportuno. Si fallas, esa cuenta puede cerrarse por meses o incluso años.

Como vimos en Sapia, no basta con tener voluntad comercial: hace falta precisión. La IA generativa puede actuar como una brújula comercial, guiando a los vendedores sobre quién contactar, con qué mensaje y por qué canal. Es una herramienta que permite recuperar el control del tiempo y enfocarse donde realmente hay valor.

2. Jobs to Be Done

Cada actor comercial tiene una necesidad distinta:

• El ejecutivo de ventas quiere saber dónde invertir su tiempo hoy.

• El equipo de marketing quiere validar si sus esfuerzos están generando leads calificados.

• El líder comercial necesita claridad sobre el pipeline y oportunidades reales.

• El cliente potencial espera que lo contacten con contexto, no con un discurso genérico.

3. Valor para el negocio y el usuario

Implementar IA generativa ha traído mejoras tangibles:

• Ciclos de venta más cortos.

• Más reuniones con decisores correctos.

• Menor desgaste del equipo por tareas repetitivas.

• Uso efectivo del CRM.

• Seguimiento más consistente y trazable.

4. Datos y modelo

Sin data no hay inteligencia. Los modelos requieren:

• Historial de conversión por industria, tipo de cuenta y canal.

• Datos actualizados de contacto y comportamiento digital.

• Integración con plataformas externas para enriquecer información.

• Ciclos previos de venta y sus puntos de fricción.

5. Diseño conversacional

Lo que cambia todo no es solo la rapidez, sino la calidez del contacto inicial. La IA puede ayudarte a escribir como escribirías tú, pero con contexto:

• Referencias locales.

• Vinculación a eventos actuales del sector.

• Enfoque centrado en el dolor del cliente, no en tu producto.

6. Experiencia de usuario deseada

El vendedor debería iniciar su día sabiendo:

• A quién contactar.

• Por qué es el momento ideal.

• Qué mensaje enviar.

• Cómo hacer seguimiento.

Y todo esto desde una plataforma que ya está integrada con su flujo de trabajo habitual.

7. Estrategia de escalamiento

Un cambio no se hace de golpe. Lo que ha funcionado:

• Comenzar con un segmento de clientes.

• Medir conversiones, tiempo de respuesta y calidad del contacto.

• Ajustar prompts, criterios de scoring y seguimiento.

• Luego escalar a otros segmentos.

8. Cambio organizacional

Implementar IA no es solo instalar una herramienta. Es un proceso cultural:

• Formación en disciplina comercial.

• Cambio en el rol del vendedor: menos ejecutor, más consultor.

• Alineación entre áreas de datos, marketing y ventas.

9. Riesgos y mitigación

• Contactar leads equivocados por datos pobres.

• Automatizar sin tono humano.

• Caer en sobredependencia del sistema.

La mitigación está en el balance: tecnología con criterio humano.

Flujo Simple de Prospección Comercial Asistida por IA

Vender en B2B puede ser complejo, pero no tiene por qué sentirse así. Cada empresa tiene su historia y experiencia, no es una fórmula para copiar y pegar, puede dar ideas o sugerencias dependiendo del contexto y momento. Este flujo resume cómo la IA puede convertir la prospección en una experiencia más precisa, humana y efectiva:

1. Identificación Inteligente de Leads

• IA analiza bases de datos internas y fuentes externas (LinkedIn, sitios web, eventos).

• Segmentación por industria, cargo, ubicación, tamaño y comportamiento digital.

• Detección de señales de compra: expansiones, contrataciones, lanzamientos.

2. Calificación Automatizada

• Scoring de leads basado en perfil e historial de interacción.

• Priorización dinámica según probabilidad de conversión.

• Agrupamiento por nivel de interés y urgencia comercial.

3. Personalización del Primer Contacto

• Mensajes generados por IA según rol, sector y contexto local.

• Tono empático, profesional y con referencias cercanas.

• Automatización de seguimientos adaptativos si no hay respuesta.

4. Soporte al Equipo Comercial

• Resumen automatizado de cada lead: contexto, interés, últimos movimientos.

• Recomendaciones sobre qué decir, cuándo y por qué canal.

• Integración con CRM y plataformas de ventas existentes.

Solución recomendada: Asistente Virtual de Prospección B2B con IA Generativa

Este no es un software más. Es un paso dentro de un AI Journey. Su implementación depende de:

Aspectos técnicos: calidad de datos, integración con CRM y acceso a fuentes externas.
Aspectos culturales: mentalidad de mejora continua, colaboración entre áreas y apertura a iterar.
Aspectos humanos: adaptabilidad del equipo, confianza en la herramienta y voluntad de cambiar el enfoque comercial.

No todas las organizaciones están listas para un asistente 100% autónomo. Algunas deben empezar por tareas simples y escalar conforme maduran.

¿Por qué un asistente?

• Entiende lenguaje natural → “¿Qué leads están listos para contactar hoy?”

• Automatiza búsquedas, filtrado y redacción de mensajes.

• Adapta contenido por país, industria y cargo.

• Se integra con CRM, email, WhatsApp, LinkedIn.

• Da trazabilidad a todo el proceso.

Un asistente no reemplaza al equipo comercial, lo complementa. Reduce la fricción operativa, aumenta la velocidad de respuesta y permite enfocarse en lo que realmente importa: construir relaciones de valor.

¿Cuándo avanzar hacia un agente más autónomo?

Cuando tu organización ya ha consolidado una base de datos confiable, procesos estables y un equipo dispuesto a iterar, se puede dar el siguiente paso: automatizar tareas completas.

• Generar listas de leads semanales con criterios definidos.

• Enviar y adaptar mensajes de contacto.

• Agendar reuniones automáticamente.

• Registrar interacciones y resultados en CRM de manera multimodal: voz, texto, etc.

• Sugerir mejoras en estrategia comercial.

Este es un camino de madurez. No se trata de apurar el paso, sino de darlo con firmeza. Si la empresa está lista para darlo en meses o semanas, adelante.

Suscríbete ahora

Suscríbete ahora

Conclusión

Prospectar no es enviar cientos de mensajes. Es saber a quién hablar, cuándo, cómo y por qué.

La IA generativa no reemplaza al vendedor, pero sí lo potencia. Ordena la información, propone el mejor camino, y libera tiempo para lo más valioso: construir relaciones.

En América Latina, donde las decisiones comerciales se basan tanto en datos como en confianza, contar con una herramienta que entienda ambas dimensiones puede marcar toda la diferencia.

Porque vender es abrir puertas. Y esas puertas se abren mejor cuando sabemos con claridad cuál tocar, cuándo hacerlo y con qué mensaje.

Opening a Conversation, Not Throwing a Dart into the Void

In 2020, as General Manager of Sapia in Peru, we faced a clear and urgent challenge: we needed to generate pipeline for a completely new service offering. With no established name in that segment, we began sending emails and WhatsApp messages. The outcome was frustrating, conversion rates were very low. Not due to lack of effort, but because our approach relied on volume without precision.

We learned that lead generation isn’t about filling a funnel with random contacts; it’s about starting meaningful conversations with those who have real potential to become business partners. But without data, context, and disciplined sales processes, that conversation never begins.

What We Found on the Ground

In working with large, corporate companies in Latin America, we often saw strong sales teams, but with bottlenecks limiting effectiveness. Good intentions were there—but unclear definitions of the ideal customer, timing of outreach, and message personalization hindered success.

What often lacked wasn’t talent but discipline. Sales discipline means tracking, analyzing, measuring, and prioritizing. And that requires something often undervalued: data management. Without a data culture, sales teams are navigating blind.

Common Pain Points in Traditional B2B Prospecting

• Incomplete, duplicated, or poorly segmented databases.

• Outdated contact data leading to failed outreach.

• Mass emails ending up in spam folders.

• WhatsApp or LinkedIn messages sounding cold or generic.

• No traceability on what was done with each lead.

• Over-reliance on “sales intuition” instead of objective data.

• Lack of consistent follow-up cadence.

Additional Bottlenecks

• No clear definition of the Ideal Customer Profile (ICP).

• Weak integration between marketing and sales.

• CRM tools underused, overused, or misconfigured.

• No clear KPIs to measure pipeline progress.

• Too much time spent on operational tasks: data updates, manual reporting.

• A reactive, not proactive, sales culture.

Use Case: Intelligent Prospecting with AI

1. Business and User Problem

In Latin American corporate contexts, where decisions are slow and hierarchical, it’s crucial to connect with the right decision-maker at the right time. Miss that moment, and the opportunity may be closed for months or even years.

As we learned at Sapia, sales effort alone isn’t enough precision matters. Generative AI can act as a commercial compass, guiding salespeople on who to contact, what message to send, and which channel to use. It helps reclaim control of time and focus efforts where they really count.

2. Jobs to Be Done

Each team member has different needs:

• Sales reps need to know where to invest their time today.

• Marketing wants to validate that they’re generating quality leads.

• Sales leaders need clarity on the pipeline and real opportunities.

• Prospects expect contextual outreach not a generic pitch.

3. Value for Business and Users

Implementing generative AI has delivered real results:

• Shorter sales cycles.

• More meetings with the right decision-makers.

• Less burnout from repetitive tasks.

• Better CRM usage.

• More consistent and traceable follow-up.

4. Data and Model

No data, no intelligence. The model needs:

• Conversion history by industry, account type, and channel.

• Updated contact data and digital behavior.

• Integration with external platforms to enrich information.

• Analysis of previous sales cycles and friction points.

5. Conversational Design

What matters isn’t just speed, it’s warmth. AI can help you write the way you would, but with context:

• Local references.

• Links to current sector events.

• Focus on the client’s pain points, not on your product.

6. Desired User Experience

A salesperson should start the day knowing:

• Who to contact.

• Why now is the right moment.

• What message to send.

• How to follow up.

All from a platform integrated into their daily workflow.

7. Scaling Strategy

Big changes don’t happen instantly. Here’s what worked:

• Begin with a small client segment.

• Measure conversions, response times, and contact quality.

• Tune prompts, scoring criteria, and follow-up processes.

• Then scale to other segments.

8. Organizational Change

Implementing AI is not just tool adoption, it’s a cultural shift:

• Sales discipline training.

• Redefining the salesperson’s role: from executor to consultant.

• Alignment among data, marketing, and sales teams.

9. Risks and Mitigation

• Contacting the wrong leads due to poor data.

• Automating outreach without a human tone.

• Becoming overly dependent on the system.

The key is balance: technology guided by human judgment.

Simple Flow for AI-Assisted Commercial Prospecting

B2B selling can be complex, but doesn’t have to feel overwhelming. Each company has its own story, so this flow isn’t a plug-and-play formula, it’s a flexible guide. Here’s how AI can make prospecting more precise, human, and effective:

1. Smart Lead Identification
   AI examines internal and external databases (LinkedIn, websites, events).
   Segments by industry, role, location, size, and digital behavior.
   Detects buying signals: expansion news, new hires, product launches.

2. Automated Qualification
   Leads are scored based on profile and interaction history.
   Prioritized dynamically based on conversion probability.
   Clustered by interest level and sales readiness.

3. Personalized First Contact
   AI-generated messages tailored by role, sector, and local context.
   Empathetic, professional tone with cultural references.
   Adaptive follow‑ups triggered automatically if no response.

4. Sales Team Support
   Automated lead summaries: context, interest, recent activity.
   Advice on what to say, when, and by which channel.
   CRM and tool integration for seamless workflow.

Recommended Solution: Virtual AI Assistant for B2B Prospecting

This isn’t another software, it’s part of an AI Journey. Its implementation involves:

• Technical: clean data, CRM integration, data-access permissions.

• Cultural: continuous improvement mindset, interdepartmental collaboration, agility.

• Human: team adaptability, trust in tools, readiness to change how sales work.

Not every organization is ready for a fully autonomous AI agent. Many should begin with simple task automation and scale up as they mature.

Why an Assistant?

• Understands natural language → “Which leads are ready to contact today?”

• Automates search, filtering, and message drafts.

• Adapts messaging by country, industry, and role.

• Integrates with CRM, email, WhatsApp, LinkedIn.

• Provides full traceability of actions.

An assistant doesn't replace the sales team, it complements them. It reduces operational friction, speeds response, and frees up time for what truly matters: building valuable relationships.

When to Advance to a More Autonomous Agent

Once your organization has reliable data, stable processes, and an adaptable team, it’s time to automate deeper tasks:

• Weekly AI-generated lead lists.

• Sending and adapting outreach messages.

• Scheduling meetings automatically.

• Logging interactions and outcomes in the CRM, including voice and text data.

• AI suggestions to improve sales strategy.

This is a maturity journey, don’t rush, but move deliberately. If the organization can do it in months or weeks, go for it.

Conclusion

Prospecting isn’t about blasting hundreds of messages. It’s about knowing who to talk to, when, how, and why.

Generative AI won’t replace the salesperson, but it will amplify them. It organizes data, suggests optimal strategies, and frees up time to build meaningful relationships.

In Latin America, where decisions depend on both data and trust, having a tool that understands both can be a game-changer.

Selling is about opening doors. And doors open better when you know exactly which one to knock on, when, and with what message.

Suscríbete ahora

A Region with Talent, but Sales Slowed by Bureaucracy

Across Latin America, thousands of B2B companies face long sales cycles, multiple decision-makers, and low differentiation. Despite having strong commercial talent and relationships, most sales teams spend over 60% of their time on repetitive or administrative tasks¹. This leads to loss of focus, team frustration, and missed opportunities.

• Sales reps feel overwhelmed by low-value tasks and lack of curated information.

• Sales managers have limited visibility of the sales pipeline.

• Marketing generates leads that are underutilized.

• B2B clients receive slow and impersonal interactions.

Generative AI can unlock this human value. According to IBM’s 2024 report, 42% of companies are already actively using AI, while another 40% are still exploring it². McKinsey reports that Gen AI adoption in sales and marketing has doubled between 2023 and 2024³, delivering real improvements in efficiency and customer experience.

Use Cases Organized by Impact

Based on the experience of "Industrias Latinas," a fictional company inspired by real business scenarios in Latin America, we explore 10 key Gen AI applications. Each addresses a real pain point, eliminates a bottleneck, and delivers measurable impact.

1. Automatic Summarization of Calls and Meetings

Each salesperson at Industrias Latinas spent up to 40 minutes daily taking manual notes. These were later (sometimes) entered into the CRM. Key insights often got lost in emails or personal files and weren’t shared across teams.

Without a single source of truth, marketing, pre-sales, and sales worked with incomplete information. New reps had no access to relationship history, causing rework and errors.

Generative AI automates transcription, highlights key agreements and tasks, and connects instantly to the CRM. This improves data quality and creates institutional memory.

Impact: ~15% time saved on repetitive tasks².

2. Follow-ups and Post-Meeting Emails

After client meetings, sellers often struggle to write precise, personalized follow-ups that drive action. At Industrias Latinas, follow-ups were often templated or vague, disconnecting from the meeting and losing opportunities.

Junior sellers also lacked the confidence to write strong messages. Gen AI drafts custom emails based on meeting context and tone, speeding up communication and improving professionalism.

Impact: 18–25% increase in early responses.

3. Opportunity Prioritization in CRM

The sales team handled massive CRM lists filled with outdated or duplicated data, making it hard to know which deals mattered. Managers had trouble identifying which opportunities deserved attention.

Gen AI with predictive models can analyze historical data, find closing patterns, and suggest actions—turning the CRM into a strategic assistant.

Impact: Up to 30% improvement in efficiency and speed.

4. Personalized Commercial Proposals

Creating customized proposals took too much time and involved coordination across teams. Most proposals used generic templates or outdated documents, affecting credibility.

Gen AI builds dynamic proposals using updated data, pricing, customer needs, and success stories. Key success depends on the documents and data used to train the model—this requires ongoing effort to clean and curate information.

Impact: ~60% reduction in time to generate proposals.

5. Automated Response to RFPs

RFPs were exhausting. Teams searched through folders, rewrote texts, and coordinated with technical experts. This led to delays, errors, or abandoned opportunities.

Gen AI parses RFPs, extracts key points, and drafts structured responses. We’ve seen this firsthand: what took a week can now take minutes, providing focused summaries and key requirements.

Impact: 35% increase in response capacity.

6. Objection Handling

Poorly managed objections often lost deals. Sellers at Industrias Latinas improvised when facing legal or technical concerns, undermining trust. There was no structured objection-response database.

Gen AI can map objections, match them with successful answers, and suggest real-time responses, helping reps gain confidence and close more deals.

Impact: 15–20% increase in win rate.

7. Real-Time Training for New Sales Reps

New seller onboarding took weeks. Manuals were outdated, support depended on senior team availability, and knowledge transfer was informal.

With Gen AI, companies can create virtual assistants trained with updated content, FAQs, and best practices, giving reps instant access to key knowledge.

Impact: 40% faster ramp-up time.

8. Automatic Lead Qualification

Marketing handed off large volumes of leads, but many were misqualified or neglected. Some high-value leads were ignored, while reps wasted time on cold contacts.

Gen AI with data enrichment models spots patterns, fills in missing fields, and ranks leads accurately, improving allocation and sales conversion.

Impact: Up to 20% increase in conversion rate.

9. Contract Analysis

Contract review was tedious and error-prone. Key clauses were scattered, multiple versions existed, and legal teams were overstretched.

Gen AI analyzes contracts, flags inconsistencies, compares versions, and highlights risks, improving speed and reliability.

Impact: 40% time savings in contract review.

10. Commercial Content Creation

Sales teams needed tailored brochures, decks, and pitches but depended on marketing for every request. This slowed down response time and flexibility.

Gen AI empowers reps to create client-specific content in minutes using accurate data and clear language.

Impact: Higher professionalism and relevance.

Summary Table: From Pain Points to Generated Value

Conclusion

Adopting Generative AI is not just a technological bet, it’s a deep transformation of the commercial model. In the Latin American context, where resilience and ingenuity are natural strengths, these technologies enable scalable productivity without dehumanizing the sales process.

Each use case presented reflects real, everyday challenges faced by sales teams, and shows that the path to a more agile, personalized, and efficient operation is possible today, not tomorrow. The challenge lies in acting with intention, starting where the pain is greatest, and scaling gradually with open, trustworthy, and integrated solutions.

The solution may lie in AI assistants or agents that accelerate the sales process while keeping human intent in the loop. Growing sales and strengthening customer relationships is the core of these use cases—but we must not lose the human touch that fosters empathy and trust.

Organizations that understand this will not only sell more, but will build stronger and more lasting relationships with their clients—enhancing their competitiveness and purpose in an increasingly demanding market.

In my upcoming articles, I will dive deeper into three specific use cases currently emerging in the region, which I’ve had the opportunity to observe closely with IBM clients.

References

• IBM Institute for Business Value, Global AI Adoption Index 2024

• IBM Newsroom, Data Suggests Growth in Enterprise Adoption of AI, January 2024

• McKinsey, The State of AI in Early 2024, May 2024

• Business Insider, Salesforce sellers are using AI…, May 2025

• Salesforce/IBM data shows 38% improvement in lead-to-opportunity

• McKinsey, Gen AI casts a wider net, July 2024

• McKinsey, Economic potential of generative AI, 2023

• McKinsey B2B Pulse Survey, September 2024