EN LOS ÚLTIMOS AÑOS, POCAS TECNOLOGÍAS HAN OCUPADO TANTO ESPACIO EN LAS CONVERSACIONES EMPRESARIALES COMO LA INTELIGENCIA ARTIFICIAL. LAS EMPRESAS PROBARON COPILOTOS, INCORPORARON HERRAMIENTAS GENERATIVAS Y COMENZARON A EXPLORAR NUEVAS APLICACIONES PARA SUS NEGOCIOS. AHORA, EL DESAFÍO ES CONVERTIR ESAS EXPERIENCIAS EN RESULTADOS A ESCALA. PARA LOGRARLO, ES NECESARIO PRESTAR ATENCIÓN A LA INFRAESTRUCTURA TECNOLÓGICA: LOS SISTEMAS, LOS DATOS Y LOS PROCESOS QUE PERMITIRÁN QUE LA IA FUNCIONE EN LA OPERACIÓN DIARIA.
La distancia entre la adopción y la implementación a escala se refleja en las cifras. Según una encuesta global de McKinsey publicada en noviembre de 2025, el 88 % de los encuestados afirma que sus organizaciones utilizan IA regularmente en al menos una función de negocio. Sin embargo, cerca de un tercio señala que sus empresas han comenzado a implementar sus programas de inteligencia artificial a escala. Por lo tanto, tener aplicaciones en uso todavía está lejos de significar una transformación extendida a toda la organización.
En mercados como México y Colombia, las expectativas son particularmente altas. Un estudio de SAP publicado en 2025, realizado con 1.200 responsables de la toma de decisiones de grandes empresas y pequeñas y medianas organizaciones en cinco países latinoamericanos, mostró que el 72 % de las empresas mexicanas y el 69 % de las colombianas encuestadas esperaban cambios significativos en sus industrias impulsados por la IA, frente al 63 % registrado para el conjunto de la región. Estas cifras expresan una expectativa de transformación que solo podrá concretarse si existen las condiciones para llevarla a la práctica.
El desafío comienza en la conexión entre la aplicación y la operación. Una herramienta para planificar las compras, por ejemplo, necesita acceder a información fiable sobre inventarios, demanda y proveedores. Si esos datos están dispersos o requieren conciliación manual, la utilidad de la solución se ve limitada. El modelo puede ser avanzado, pero su aplicación en el negocio sigue dependiendo de la calidad y la disponibilidad de la información.
En muchas organizaciones, esa base se construyó a lo largo de años, acumulando integraciones y adaptaciones específicas. En los sistemas de gestión empresarial de SAP, que sustentan actividades como las finanzas, la producción y la logística, prepararse para incorporar nuevas funcionalidades implica evaluar esas dependencias. Principios como Clean Core ayudan a orientar este trabajo: permiten mantener el núcleo del sistema lo más cercano posible al estándar y organizar las extensiones que necesita el negocio.
En este contexto, la automatización puede aportar resultados concretos. Al analizar un entorno tecnológico, las herramientas de software pueden identificar patrones en el código personalizado y ayudar a clasificar las adaptaciones: cuáles pueden resolverse automáticamente, cuáles requieren evaluar si siguen siendo necesarias y cuáles necesitan la intervención de especialistas. Esto permite dimensionar mejor el trabajo antes de pasar a la ejecución.
En la siguiente etapa, los ajustes técnicos que responden a reglas conocidas pueden aplicarse a escala. Los especialistas concentran su trabajo en las excepciones, las decisiones de arquitectura y la validación de los resultados. En lugar de repetir el mismo análisis en miles de componentes, el equipo puede dedicar más atención a los puntos que presentan riesgos o requieren un conocimiento específico de la operación.
Los casos que hemos acompañado muestran cómo este enfoque cambia la ejecución. En la modernización del entorno SAP de Coopercitrus, una cooperativa brasileña del sector agropecuario, cerca del 98 % de las correcciones de código se realizaron de forma automatizada y el proyecto concluyó en cuatro meses. El resultado ilustra cómo la automatización puede reducir el esfuerzo técnico, aunque los plazos de cada iniciativa dependen de su alcance y de la complejidad del entorno.
Como COO, considero especialmente relevante el efecto de este modelo sobre la previsibilidad. Conocer mejor el volumen de trabajo, distinguir las excepciones y reducir las tareas repetitivas ayuda a estimar los recursos necesarios y organizar las entregas. Esto ofrece a los líderes una base más sólida para planificar la inversión y entender cuándo las nuevas funcionalidades podrán empezar a generar beneficios.
Esa relación debe estar presente desde el diseño del proyecto. Si una empresa busca utilizar IA para mejorar la planificación de inventarios, la modernización debe contemplar los datos, las integraciones y los procesos necesarios para esa aplicación. El cronograma técnico tiene que estar conectado con la preparación del área que utilizará la solución. De lo contrario, la actualización puede concluir sin que el negocio esté listo para aprovechar lo que se ha implementado.
Para los CFO y los líderes de operaciones, el costo también debe analizarse junto con el momento en que la inversión puede empezar a generar retornos. Retrasar una entrega puede prolongar las tareas manuales y postergar los aumentos de productividad. Por otro lado, acelerar la implementación sin validar los procesos puede generar trabajo adicional. La decisión exige equilibrar plazos, inversión y seguridad operativa, con etapas de validación que permitan seguir el avance.
Esto no significa que la automatización resuelva todos los obstáculos. La definición de prioridades, la calidad de los datos, la seguridad y la capacitación de los equipos siguen requiriendo decisiones humanas. Su papel es reducir el esfuerzo repetitivo y hacer que la ejecución sea más controlable, para que los profesionales puedan concentrarse precisamente en esas cuestiones.
Para las empresas de México y Colombia, convertir las expectativas en torno a la IA en resultados exige acercar la agenda tecnológica a las prioridades operativas. Seleccionar una aplicación relevante, identificar sus dependencias y preparar la base necesaria ofrece un camino más claro que multiplicar iniciativas sin las condiciones para integrarlas en el trabajo cotidiano.
Después de varios años hablando del potencial de la inteligencia artificial, las empresas necesitan demostrar que pueden convertirlo en resultados. El acceso a modelos avanzados, por sí solo, no resuelve los problemas del negocio. La diferencia estará en la capacidad de conectar sistemas, datos y procesos con las aplicaciones de IA, mediante inversiones planificadas y condiciones reales de uso. Sin esa base, la inteligencia artificial corre el riesgo de seguir avanzando en las presentaciones, pero no en la operación.
Por Guilherme Joventino, cofundador y COO de MIGNOW
