Inteligencia artificial en las empresas latinoamericanas: entre la adopción y los resultados

La inteligencia artificial (IA) ya forma parte del trabajo diario de muchos empleados latinoamericanos, pero todavía no de los procesos de la mayoría de las empresas. El Índice Latinoamericano de Inteligencia Artificial (ILIA) 2026, presentado el 20 de octubre en Santiago por la Comisión Económica para América Latina y el Caribe (CEPAL) y el Centro Nacional de Inteligencia Artificial de Chile (CENIA), estima que la usan el 27,6 % de las grandes empresas de la región, el 12,8 % de las medianas y el 6,8 % de las pequeñas. La pregunta para los negocios ya no es solo cómo acceder a la tecnología, sino qué necesitan para integrarla y comprobar que funciona.

De usar inteligencia artificial a integrarla en la operación

El promedio regional es de 9,1 % de empresas con IA, según el mismo índice, frente al 16,1 % de las personas de entre 15 y 64 años que utilizan activamente herramientas de IA generativa. Al resumir el informe, Mobile Time interpreta esa diferencia como una brecha entre el uso individual y la integración en los procesos productivos. Otro documento de la CEPAL, difundido el 7 de octubre, reporta la misma cifra y la compara con el 20,2 % de la OCDE. Perú figura séptimo entre 20 países, con 52,7 puntos.

Un estudio de EY en cinco países (Brasil, México, Colombia, Argentina y Chile), señaló que el 93 % de los trabajadores usa herramientas de IA y reporta ahorrar nueve horas semanales, pero que solo el 28 % de las organizaciones estaría preparada para convertir ese uso en resultados sostenibles.

En una entrevista para esta nota, Irwin Mera, especialista en inteligencia artificial en el área de redes de Entel, explicó que esta tecnología puede contribuir a automatizar tareas rutinarias y predecir eventos, lo que permitiría reducir tiempos y costos, así como mejorar la experiencia del cliente. Asimismo, señaló que, por motivos de seguridad y confidencialidad, no podía compartir datos específicos de la empresa sobre estos procesos.

Presupuesto, datos y seguridad: las barreras que frenan la adopción

Mera sostiene que los obstáculos dependen del tamaño de la empresa. En las grandes, dice, la “burocracia tecnológica” alarga los proyectos, porque cada requerimiento debe revisarse frente al entorno tecnológico, la regulación y las normas de ciberseguridad y seguridad de la información. A eso suma el costo: no todas las empresas cuentan con el presupuesto ideal para la arquitectura que exige un proyecto, y por eso recomienda avanzar paso a paso.

El ILIA documenta restricciones de fondo. Las habilidades en IA alcanzan en promedio al 0,27 % de los trabajadores registrados en LinkedIn y la cobertura 5G llega al 28 %, según Mobile Time; además, los cinco países de comparación del índice disponen de cerca de 29 veces más GPU por millón de habitantes que la región.

“la calidad de los datos es el corazón del proyecto en sí”

-Irwin Mera, especialista en IA en el área de redes de Entel

Los datos son el punto crítico para Mera: un proyecto sin calidad de datos, o con datos mal estructurados, “ya está destinado al fracaso”. También advierte que exponer datos personales puede vulnerar políticas internas, afectar a los usuarios y dañar la imagen de la empresa. En el Perú, el reglamento de la ley de IA, publicado en septiembre de 2025, exige supervisión humana, validar la calidad y representatividad de los datos y cumplir la norma de protección de datos personales durante todo el ciclo del sistema. El estudio de EY añade otro riesgo: entre el 27 % y el 56 % de los trabajadores consultados usa herramientas de IA no autorizadas por su organización.

Medir antes de escalar: cómo saber si la IA genera valor

Mera propone priorizar los proyectos según su impacto y su esfuerzo y, antes de implementarlos, definir el problema, los indicadores que se quieren mejorar, los datos disponibles y los escenarios. Para ordenar esas preguntas menciona un marco llamado AI Canvas, una especie de plantilla de planificación. El retorno de la inversión, agrega, no tiene por qué expresarse solo en dinero: también puede medirse en tiempo ahorrado o en mejoras operativas.

Para quienes empiezan, recomienda proyectos pequeños, incluso “artesanales” en Colab, una plataforma de Google para programar en la nube, aunque reconoce que exponen los datos a riesgos de ciberseguridad. Los de mayor escala exigen un data lake o lakehouse, es decir, un gran almacén donde la empresa concentra sus datos para procesarlos, y más presupuesto. Advierte que “el proyecto no acaba cuando se finaliza su desarrollo”: hay que mantenerlo y reentrenarlo, o sea, actualizarlo con datos nuevos para que siga funcionando bien, con prácticas como MLOps o LLMOps, que sirven para operar y mantener modelos de IA en el día a día. El ILIA apunta en la misma dirección: para ampliar la adopción, las empresas deben saber identificar casos de uso, supervisar los sistemas y evaluar sus resultados.

Latam-GPT: un caso de desarrollo tecnológico regional

La adopción de inteligencia artificial en América Latina también plantea el desafío de desarrollar tecnologías que respondan a las particularidades lingüísticas, culturales y productivas de la región. En ese contexto aparece Latam-GPT, un modelo de lenguaje abierto presentado por el CENIA el 10 de febrero de 2026. Omar Florez, peruano y líder técnico del proyecto en el CENIA según Andina, explicó en la entrevista que el objetivo es recrear esta tecnología en la región en lugar de importarla, y que lo distintivo son los datos: tesis universitarias, bibliotecas nacionales y debates parlamentarios que no se obtienen rastreando internet. En teoría, dijo, eso permite captar mejor hechos, costumbres y modismos como los peruanismos o chilenismos. Florez describe el modelo como una apuesta por hacerlo “más exacto y más barato de adaptar” a casos de uso latinoamericanos, incluidos los empresariales. Es una apuesta declarada: la documentación revisada no muestra casos empresariales con resultados medidos.

Latam-GPT es un esfuerzo para generar esta tecnología desde acá

-Omar Florez, líder técnico de Latam-GPT en el CENIA.

Según su ficha técnica en Hugging Face, Latam-GPT 1.0 adapta el modelo Llama 3.1 de 70.000 millones de parámetros con unos 297.000 millones de tokens de datos de 20 países y un ajuste supervisado en español, portugués e inglés. Está pensado para investigación, desarrollo de aplicaciones y uso comercial, pero la ficha advierte que no debe emplearse sin controles adicionales en ámbitos de alto impacto, como salud, finanzas o justicia, y recomienda evaluarlo en el dominio concreto de uso. Se distribuye bajo la licencia comunitaria de Llama 3.1.

El desarrollo de modelos propios también enfrenta obstáculos regulatorios. El ILIA advierte que la falta de certeza jurídica sobre la minería de textos y datos limita el entrenamiento de modelos de IA en la región. Este punto resulta relevante al interpretar el informe, ya que el CENIA participa en su elaboración y, al mismo tiempo, lidera el desarrollo de Latam-GPT.

Qué necesitan las empresas para avanzar

Las recomendaciones de Mera y la evidencia disponible dibujan una secuencia: elegir un problema acotado, fijar indicadores antes de empezar, cuidar los datos y planificar el mantenimiento. La capacitación es otra pieza: según EY, la inversión en formación explicaría hasta el 49 % de los ahorros de tiempo reportados, aunque se trata de una encuesta autorreportada.

La CEPAL advirtió que, sin una intervención deliberada, la región puede quedar atrapada en baja adopción de IA y escaso crecimiento. Para una empresa, la lección es menos vistosa que la promesa tecnológica: el valor depende de medir, mantener y gobernar lo que se implementa, y esa tarea pesa más sobre las pequeñas.