Hace apenas unos años, en México, y en el resto del mundo, adoptar inteligencia artificial (IA) suponía un esfuerzo considerable. Había que reunir datos, contratar especialistas, desarrollar modelos, preparar infraestructura y justificar una inversión cuyo resultado no siempre era fácil de explicar. Hoy eso ha cambiado.
Una empresa puede tener acceso a la IA pagando una suscripción, hoy en día, prácticamente todos los grandes proveedores de software empresarial están incorporando asistentes, modelos generativos, automatización y agentes dentro de sus productos.
Para muchas organizaciones mexicanas, la inteligencia artificial llegará incluso sin que exista una decisión explícita de “adoptarla”. Simplemente aparecerá en la siguiente versión del software que ya utilizan.
Pero mientras la barrera de acceso ha caído rápidamente, la barrera de la transformación no. El informe Unblocking Mexico’s AI Potential 2026 muestra claramente esta contradicción: la adopción y el gasto empresarial en inteligencia artificial están creciendo en México, pero la proporción de organizaciones que alcanzan niveles avanzados sigue siendo reducida.
El mismo estudio identifica la falta de habilidades, los problemas técnicos y de datos, las limitaciones de infraestructura y las dificultades para medir resultados. Por lo tanto, la siguiente etapa no consistirá simplemente en comprar más IA; la preparación para la IA no comenzará solamente con el modelo, sino con la propia empresa.
Más del autor: México adopta la IA, pero ¿realmente está generando valor?
Primero el problema, después la IA
Uno de los errores más comunes que vemos cuando surge una nueva ola tecnológica es querer abordarla empezando por la tecnología. En el caso de la inteligencia artificial, muchas organizaciones comienzan por querer definir una estrategia de IA y después buscar dónde aplicarla.
Sin embargo, el enfoque debería ser el inverso: primero hay que identificar el problema empresarial que se quiere resolver; por ejemplo, podría ser un exceso de inventario, paros de producción, pronósticos deficientes, costos elevados de servicio al cliente, procesos financieros lentos, problemas de calidad, dificultades logísticas o baja productividad administrativa. A partir de ahí, hay que analizar el proceso relacionado con ese problema, determinar qué datos están disponibles y, solo entonces, evaluar y decidir si la IA representa una buena solución.
El orden sí importa, porque permite diferenciar la experimentación de una verdadera transformación:
Problema ⟩ Proceso ⟩ Datos ⟩ IA ⟩ Resultado ⟩ Medición
Un chatbot puede ser un excelente piloto para aprender sobre IA generativa, pero eso no significa que resuelva un problema suficientemente importante como para justificar su integración, gobernanza y escalamiento.
Por supuesto, las empresas mexicanas necesitan experimentar, pero experimentar con dirección, y no comprar IA primero y luego hacer una búsqueda desesperada para descubrir dónde colocarla.
La deuda tecnológica que la IA está dejando al descubierto
Durante años hemos hablado de transformación digital, modernización de aplicaciones, plataformas de datos e integración empresarial. En este sentido, muchas organizaciones avanzaron y otras avanzaron a medias.
Ahora llega la IA y se encuentra con sistemas ERP antiguos, bases de datos aisladas, hojas de cálculo utilizadas como sistemas informales, registros duplicados de clientes, información sin propietario definido y aplicaciones que apenas se comunican entre sí.
En cierto sentido, la IA se está convirtiendo en el examen final de años de transformación digital incompleta.
El informe Unblocking Mexico’s AI Potential 2026 identifica de manera precisa los problemas técnicos y relacionados con los datos como los principales obstáculos para avanzar en la adopción de la IA en México. Y esto no debería sorprendernos: un modelo puede ser extraordinariamente sofisticado, pero si recibe información incompleta, contradictoria o fuera de contexto, seguirá produciendo resultados deficientes.
Por supuesto, las empresas tampoco pueden esperar hasta tener “datos perfectos”, ya que probablemente nunca los tendrán. Pero sí necesitan algo más realista: saber qué información poseen, dónde está, qué tan confiable es, quién responde por ella y en qué condiciones puede utilizarse. Y, por supuesto, necesita integración.
Un asistente aislado puede responder preguntas concretas de un nicho de negocio, pero una IA conectada con un sistema CRM, ERP, de gestión de la cadena de suministro, de manufactura o de analítica puede comenzar a “comprender” un proceso empresarial. Esta diferencia en integración será cada vez más importante conforme avancemos hacia agentes capaces de ejecutar acciones y no solo de generar respuestas.
Talento no significa contratar un ejército de científicos de datos
La falta de habilidades aparece repetidamente en los estudios sobre la adopción de la IA en México. Y, sí, es un problema real, pero también cabe la posibilidad de que se trate de una mala interpretación, ya que no todas las empresas necesitan construir un laboratorio de IA.
Es probable que una gran corporación necesite científicos de datos, ingenieros especializados en machine learning y especialistas en modelos, pero para muchas pymes mexicanas, el escenario será diferente: consumirán IA a través de aplicaciones SaaS, plataformas en la nube y software empresarial desarrollado por terceros. Esto no elimina el problema del talento, sino que lo transforma.
Además de especialistas técnicos, una empresa en el mercado mexicano necesita arquitectos, ingenieros de datos, expertos en ciberseguridad, analistas de procesos, responsables jurídicos y, sobre todo, personas que conozcan profundamente el negocio.
También se necesita alfabetización en IA. Es evidente que un gerente no tiene por qué saber entrenar un modelo fundacional o de frontera, pero sí debería entender que un modelo generativo puede inventar información (alucinar). Un empleado no necesita convertirse en científico de datos, pero debe saber qué información puede introducir en una herramienta pública y cuál no. Un responsable de compras debe aprender a evaluar las afirmaciones de un proveedor que ahora asegura que todo su software está “impulsado por IA”.
El talento necesario para adoptar la IA de manea eficiente es mucho más amplio que el talento necesario para desarrollarla.
Gobernar para poder utilizar
Otro elemento fundamental para prepararse para la nueva era de la IA en las empresas es la gobernanza digital y de IA. Es decir, elaborar el conjunto de políticas, responsabilidades, procesos y controles que determinan cómo una organización utiliza y supervisa las tecnologías digitales y los sistemas de IA de forma segura, ética, transparente y alineada con sus objetivos de negocio.
En este sentido, la gobernanza digital en México sigue avanzando de manera fragmentada, con marcos, capacidades y niveles de madurez muy distintos entre instituciones y empresas. Con la IA, reducir esa brecha se vuelve más urgente, ya que la innovación está avanzando más rápidamente que la capacidad para gobernarla.
En este sentido, es probable que las empresas se sientan tentadas a esperar. Esperar una legislación mexicana específica, esperar estándares definitivos, esperar que los proveedores resuelvan el problema. Y, mientras tanto, los empleados ya están utilizando IA.
Las empresas deben establecer sus propias reglas para garantizar el cumplimiento de normas internas y externas. Es decir, ¿qué herramientas están autorizadas?, ¿qué datos pueden utilizarse?, ¿cuándo debe intervenir una persona?, ¿quién aprueba un nuevo caso de uso?, ¿cómo se evalúa un proveedor? ¿quién responde si una recomendación automatizada provoca una decisión equivocada?
El informe Artificial Intelligence Index Report 2026 ofrece un marco útil al separar en diferentes dimensiones la IA responsable: privacidad, gobierno de datos, equidad, transparencia y auditabilidad, junto con seguridad, solidez, supervisión humana y rendición de cuentas.
No todos los casos requieren el mismo nivel de control, precisamente porque no todos implican el mismo riesgo. Un asistente para resumir documentos internos no debería gobernarse igual que un algoritmo que participa en procesos de contratación o toma de decisiones financieras.
Gobernar la IA no significa impedir que la gente la utilice, sino crear condiciones para utilizarla sin perder el control.
Eso será aún más importante cuando las empresas pasen de copilotos que recomiendan a agentes que ejecutan.
La prueba final: demostrar valor
Así llegamos probablemente al punto más importante: ¿En nuestra organización está funcionando la IA?
El informe Unblocking Mexico’s AI Potential 2026 pone al descubierto una contradicción interesante: las empresas mexicanas que utilizan IA reportan beneficios en productividad y crecimiento, pero una proporción mucho menor confía en su capacidad para medir con precisión el retorno de sus inversiones. Esto no es un detalle menor.
Por un lado, una organización puede desplegar veinte pilotos y terminar con una colección impresionante de demostraciones sin saber cuáles debería convertir en procesos permanentes. No todo proyecto necesita demostrar inmediatamente un ROI financiero tradicional. Pero sí necesita lograr el resultado esperado.
Por ejemplo, en el servicio de atención al cliente puede medirse el tiempo de resolución y el costo por interacción. En manufactura, el tiempo de inactividad, los defectos o el rendimiento. En las cadenas de suministro, los inventarios y la precisión del pronóstico. En ventas, la conversión y duración del ciclo. En productividad administrativa, el tiempo ahorrado y la calidad del resultado. La métrica dependerá del caso.
Pero, por otro lado, un piloto exitoso no necesariamente merece escalarse, puede funcionar técnicamente y seguir siendo demasiado costoso, puede generar productividad y crear un riesgo inaceptable, o puede automatizar una tarea sin mejorar realmente el proceso completo. La decisión de escalar debería depender del valor, el riesgo, el costo de integración y la capacidad organizacional, no del entusiasmo que produjo la demo.
Prepararse para la IA es una cuestión empresarial
Al final, los modelos seguirán mejorando, el software empresarial incorporará más IA y muchas capacidades que hoy parecen avanzadas terminarán convirtiéndose en funciones estándar. Eso significa que el acceso a la IA será cada vez menos un factor diferenciador.
Dos empresas podrán comprar exactamente el mismo Copilot, utilizar el mismo modelo o contratar la misma plataforma empresarial y obtener resultados completamente diferentes. La diferencia estará en sus datos, en la integración de sus sistemas, en sus procesos, en el conocimiento de sus empleados.
México no necesita que todas sus empresas se conviertan en compañías de inteligencia artificial, sino en empresas capaces de utilizarla inteligentemente.
La próxima ventaja competitiva quizá no provenga de quién tenga acceso a la mejor IA, ya que muchas organizaciones tendrán acceso a modelos similares. La diferencia estará en quién haya construido la empresa capaz de utilizar la IA de la mejor manera, en su gobierno y en su capacidad para medir resultados y cambiar cuando algo no funcione.
