La adopción de la inteligencia artificial (IA) en las empresas se ha convertido en una necesidad operativa del presente. Por lo tanto, no es raro que, al comenzar a estructurar una estrategia propia para la adopción de esta, muchas organizaciones entendieron que los mayores obstáculos eran organizativos, culturales y estratégicos.
¿Cómo ha comenzado a generar valor el uso de la inteligencia artificial?
El uso de la inteligencia artificial pasó de la fase de pilotos aislados a iniciativas con impacto en los ingresos, la eficiencia y la experiencia del cliente cuando las empresas comenzaron a conectar la inteligencia artificial con procesos de negocio críticos.
El informe Superagency in the Workplace de McKinsey (enero de 2025) revela que el 92% de las empresas globales planean aumentar las inversiones en inteligencia artificial en los próximos tres años. Sin embargo, solo el 1% de ellas se considera madura en la implementación; es decir, con la inteligencia artificial integrada en los flujos y generando resultados tangibles.
Por esta razón, Stefanini Group definió cinco aprendizajes que comparte con las empresas:
Lección 1: Comenzar por el problema, no por la herramienta
La mejor forma de implementar la inteligencia artificial en las empresas es comenzar por el problema. Definir el caso de uso antes de elegir el modelo o la herramienta evita el error de adoptar la IA simplemente porque existe, y no porque resuelva algo específico.
En la práctica, los equipos que parten de la pregunta “¿qué puntos de dolor operativos u oportunidad de negocio queremos atacar?” llegan más rápido a resultados medibles que aquellos que prueban herramientas sin un anclaje estratégico.
Por ejemplo, un equipo de operaciones puede pasar horas a la semana consolidando informes de diferentes sistemas para generar un único panel de control. Antes de pensar en qué modelo de inteligencia artificial usar, el paso correcto es mapear ese proceso, su volumen, frecuencia, puntos de error y costo del proceso. La claridad sobre el problema es lo que hace que cualquier solución sea internamente defendible.
Para estructurar este diagnóstico inicial, tres criterios ayudan a priorizar los casos de uso con mayor potencial de retorno:
- Volumen y frecuencia: los procesos que ocurren diariamente e involucran una gran cantidad de datos tienen un ROI más rápido.
- Criticidad y riesgo: las áreas donde el error humano tiene un alto costo financiero o reputacional ganan prioridad.
- Disponibilidad de datos: sin un historial de calidad, ningún modelo de inteligencia artificial funciona bien; es importante verificar este aspecto antes de comenzar.
Lección 2: La cultura cambia más lento de lo que avanza el proyecto
La inteligencia artificial en el día a día corporativo transforma procesos y comportamientos. El mayor impacto cultural que observamos fue el cambio en la relación de las personas con el error y con la velocidad de decisión, donde los equipos que trabajan con inteligencia artificial desarrollan una mayor tolerancia para iterar rápido y ajustar el curso.
En proyectos de automatización de atención al cliente, por ejemplo, es común que los primeros meses generen resistencia en los equipos que operaban el proceso manualmente.
El cambio ocurre cuando el liderazgo comienza a usar los datos generados por la inteligencia artificial en las reuniones de resultados como una herramienta de decisión compartida.
Tres movimientos ayudan a construir una cultura organizacional compatible con la inteligencia artificial para negocios:
- Transparencia sobre el papel de la inteligencia artificial: comunicar claramente qué hace la inteligencia artificial, dónde decide ella y dónde el humano permanece al mando reduce la resistencia y aumenta la confianza. La ambigüedad genera miedo; la claridad genera compromiso.
- Capacitación continua y contextualizada: el 48% de los colaboradores indica que la capacitación es el factor más importante para la adopción de la inteligencia artificial, pero casi la mitad afirma haber recibido una capacitación mínima o nula, según McKinsey. Invertir en programas aplicados al contexto del negocio marca la diferencia.
- El liderazgo como modelo de uso: cuando los gerentes usan la inteligencia artificial en sus propias rutinas y comparten los resultados con el equipo, el comportamiento se propaga naturalmente. El liderazgo que solo habla de inteligencia artificial, pero no la práctica, enfrenta una resistencia silenciosa.
Lección 3: ¿Cómo mantener la gobernanza al escalar la inteligencia artificial para negocios?
Mantener la gobernanza al escalar la inteligencia artificial para negocios exige crear estructuras de control antes de ampliar el alcance. La gobernanza no es burocracia; es lo que diferencia un piloto funcional de una implementación sostenible.
Cuando se expande el uso de la inteligencia artificial a múltiples áreas, surgen riesgos que en entornos controlados permanecen invisibles, como sesgos en los modelos, uso inadecuado de datos sensibles o decisiones automatizadas sin trazabilidad.
En proyectos de análisis predictivo para crédito o RR. HH., por ejemplo, los modelos que funcionan bien en un entorno de prueba pueden presentar un sesgo sistemático en producción. Sin un proceso de revisión periódica, esto podría pasar meses sin ser identificado.
Cuatro pilares de gobernanza que Stefanini Group estructura en su trayectoria:
- Trazabilidad: registro de decisiones tomadas por la inteligencia artificial, con auditoría disponible en cualquier momento.
- Privacidad de datos: cumplimiento de la normativa de protección de datos aplicable en cada jurisdicción, como la LGPD en Brasil o el GDPR cuando corresponda, así como de las políticas internas sobre el uso de datos personales y sensibles.
- Control de acceso: definición de quién puede configurar, entrenar y alterar los modelos en producción.
- Revisión periódica: evaluación continua del rendimiento de los modelos para detectar desviaciones y sesgos a lo largo del tiempo.
Lección 4: la inteligencia artificial aislada crea más trabajo
Las soluciones aisladas fallan porque la inteligencia artificial para negocios necesita datos de otros sistemas, automatizaciones que ejecuten sus recomendaciones e interfaces que conecten el resultado al usuario adecuado.
Hemos observado este patrón repetidamente: las empresas que implantan un modelo de inteligencia artificial sin conectarlo al ERP, al CRM o a las plataformas operativas acaban generando una mayor carga operativa.
Una empresa que automatiza la clasificación de leads con inteligencia artificial, pero necesita que alguien copie manualmente los resultados al CRM, no ha ganado eficiencia; simplemente ha desplazado el problema.
Para construir un ecosistema integrado, la secuencia que funciona en la práctica es:
- Mapear los sistemas de origen de los datos que el modelo va a consumir.
- Definir las interfaces de salida: dónde se consumirá el resultado de la inteligencia artificial y por quién.
- Automatizar el flujo entre el modelo y los sistemas adyacentes, eliminando etapas manuales de transferencia.
- Monitorear la calidad de los datos de entrada, ya que su degradación contamina la salida del modelo con el tiempo.
Lección 5: Definir qué es el éxito antes de comenzar
Medir el ROI del uso de la inteligencia artificial comienza por definir, antes del lanzamiento, qué indicadores demostrarán el éxito. Sin una línea de base y sin métricas acordadas, la evaluación se vuelve subjetiva y vulnerable a disputas internas.
El error más común es medir solo la adopción de la herramienta (cuántas personas la usan, cuántas consultas se realizaron) y no el impacto en el negocio. La adopción es una condición necesaria, pero no suficiente.
En proyectos de automatización de procesos financieros, es común que el equipo de tecnología celebre la adopción mientras el área de negocio aún cuestiona el valor.
Esto sucede porque las métricas no fueron acordadas al inicio y cada lado comenzó a mirar indicadores diferentes.
Las métricas
Para demostrar el retorno de la inteligencia artificial se siguen tres dimensiones principales:
1 – Eficiencia operativa: reducción en el tiempo de ejecución de tareas, caída en la tasa de error y disminución del proceso.
2 – Impacto financiero directo: aumento de ingresos en procesos de ventas o retención, y reducción de costos en operaciones automatizadas.
3 – Calidad de decisión: mejora en indicadores como la satisfacción del cliente (NPS/CSAT), precisión de las previsiones y velocidad de respuesta a incidentes.