El puente aplicado a las pymes

El dueño de una pequeña distribuidora llega a la reunión con una idea que escuchó muchas veces en los últimos meses: quiere inteligencia artificial para anticipar qué clientes van a dejar de comprar. Un proveedor le mostró una demostración convincente; otro le advirtió que quien no adopte pronto va a quedar afuera. Él no quiere perder la oportunidad, pero tampoco puede financiar una exploración sin límite. Cada inversión compite con la mercadería, los vehículos, los salarios y el crédito.

En la conversación aparecen los datos. Las ventas están en el sistema de facturación; los reclamos, en mensajes; las visitas comerciales, en la memoria de cada vendedor. “Cliente activo” no significa lo mismo para administración que para comercial. Algunas sucursales registran una baja cuando el cliente pasa treinta días sin comprar; otras esperan noventa. El modelo que pide podría construirse. La pregunta es qué aprendería.

Muchas pymes están en esa misma posición frente a la IA. Reciben una presión intensa para adoptar y tienen pocos amortiguadores si la adopción sale mal. Una empresa grande puede sostener varios pilotos a la vez, contratar equipos especializados y esperar a que una inversión rinda. En una pyme, un proyecto fallido puede inmovilizar meses de caja y desgastar la confianza del equipo durante años.

Por eso el puente no empieza por la oferta tecnológica, sino por proteger la capacidad de decidir. Antes de preguntar qué modelo usar, pregunta qué problema merece resolverse, qué datos lo describen y qué mejora sería lo bastante valiosa para justificar el riesgo.

Una tecnología que amplifica diferencias

La IA no beneficia por igual a todas las personas ni a todas las organizaciones. Un experimento con 640 emprendedores en Kenia deja una advertencia útil: la asistencia generativa mejoró alrededor de un 15% el desempeño de quienes ya tenían buenos resultados y redujo cerca de un 8% el de quienes partían de un rendimiento menor.¹ Estos últimos tendían a seguir consejos genéricos en tareas donde hacía falta criterio para advertir que no se aplicaban.

El estudio no permite predecir qué va a pasar en una empresa argentina, pero sí ilustra un mecanismo. Cuando la herramienta ofrece una respuesta plausible, la capacidad previa de quien la recibe define cuánto puede aprovecharla y cuándo tiene que descartarla. La IA acerca conocimiento, y también puede darle aplomo a una recomendación mediocre. Sin contexto ni juicio, agranda la brecha que ya existía.

Esa asimetría pesa más sobre la pyme que más necesita ayuda. La organización con datos ordenados, procesos conocidos y personas capaces de revisar saca más valor con menos riesgo. La que trabaja con urgencia, depende de una planilla personal y no tiene cómo verificar una recomendación recibe el mismo consejo de usar la misma tecnología, como si la herramienta aterrizara en un terreno neutro.

Pensar la IA como un multiplicador con signo ayuda a evitar las promesas fáciles. La potencia del modelo multiplica lo que encuentra: orden o confusión, criterio o dependencia, una buena definición o un error repetido. El signo no viene incluido en la licencia; se decide en el diagnóstico, en los datos y en el diseño del uso.

La brecha regional, vista de cerca

La adopción ocurre, además, en medio de una desigualdad regional. CEPAL estimó para 2024 una penetración de IA inferior al 4% en América Latina, frente a más del 20% en Europa. En Brasil, el 41% de las grandes empresas declaraba usar IA; entre las pymes, solo el 11%.² Las cifras no describen cada sector, pero muestran que la distancia entre empresas de un mismo país puede ser tan importante como la que separa a las regiones.

La encuesta del nodo nadIA a 402 pymes argentinas en 2025 agrega un matiz valioso. El 41,6% ya usaba al menos una herramienta de IA, sobre todo para funciones básicas como generar texto o código, pero los indicadores de gobernanza y de capacidad interna eran bajos.³ La imagen deja de ser la de una pyme que desconoce la tecnología: muchas personas ya la probaron y la incorporaron de manera informal. La adopción visible llegó antes que los acuerdos sobre datos, riesgo, aprendizaje y responsabilidad.

El Índice Latinoamericano de Inteligencia Artificial (ILIA), de CEPAL y CENIA, permite ubicar estas experiencias en ecosistemas nacionales más amplios.⁴ Clasifica a diecinueve países en pioneros, adoptantes y exploradores a partir de su infraestructura, talento, investigación y gobernanza. Para una pyme, esas condiciones no son un telón de fondo abstracto. Definen la conectividad, la oferta de profesionales, el financiamiento y la calidad de los apoyos a su alcance.

Hablar de brecha, entonces, no equivale a culpar a la empresa por llegar tarde. La adopción depende de recursos que ninguna pyme produce sola. Aun así, un contexto difícil no le quita margen de decisión; lo vuelve más importante. Con capital escaso, elegir un problema acotado y construir capacidad a su alrededor es más sensato que imitar la estrategia de una firma grande.

El triple cuello de las economías emergentes

En las economías emergentes suelen coincidir tres restricciones. La primera es una infraestructura limitada: conectividad inestable, equipos viejos, poca redundancia y proveedores que no siempre ofrecen el mismo servicio lejos de los grandes centros. La segunda es la escasez de talento, con una o dos personas que concentran sistemas, soporte, datos y seguridad. La tercera es cultural: la dirección dice que quiere innovar, pero la operación no tiene tiempo para experimentar y cada error se castiga.

Shokrollahi Yancheshmeh (2026) y trabajos anteriores sobre transformación digital en economías emergentes ayudan a ver cómo esas restricciones se refuerzan entre sí. Una conexión deficiente hace menos confiable la herramienta; la falta de talento alarga cada incidente; el miedo a equivocarse impide que el equipo avise a tiempo. Lo que parecía la compra de un software termina chocando con una configuración entera.

No todos los cuellos se resuelven dentro del mismo proyecto, y por eso mismo hay que identificarlos. Si la conectividad impide una operación en línea permanente, la arquitectura tiene que tolerar cortes. Si una sola persona conoce todas las integraciones, la prioridad puede ser formar un relevo y documentar. Si la cultura castiga la prueba, un piloto chico y reversible necesita un acuerdo explícito sobre qué se va a aprender de los errores. Estas restricciones son condiciones de diseño: hay que mostrárselas al proveedor, no esconderlas como un dato vergonzoso.

La oportunidad que existe en la escasez

Muchas pymes llegan a esta conversación con la sensación de no tener casi nada. Trabajan con planillas, con aplicaciones que no se conectan entre sí y con decisiones que salen de una charla. Esa escasez es un riesgo, pero también encierra una oportunidad: hay menos arquitectura heredada que desarmar.

Una organización grande puede tener equipos de datos y, al mismo tiempo, cargar con veinte sistemas que definen al cliente de maneras incompatibles. La pyme, en cambio, puede empezar con herramientas modestas y construir una definición común desde el principio. Su ventaja es poder esquivar parte de la fragmentación acumulada.

Tampoco hay que romantizar esa situación. Partir de poca digitalización concentra el trabajo, porque obliga a construir la base técnica y el hábito humano al mismo tiempo: ordenar una fuente, acordar quién la mantiene, integrar el flujo y aprender a decidir con el dato nuevo. La falta de sistemas no elimina la complejidad; solo la hace menos visible.

Por eso el camino hacia la IA suele empezar lejos de la IA. Primero se conectan las islas que ya existen. Después se estabilizan las definiciones y los responsables. Recién cuando el dato es lo bastante confiable se evalúa qué predicción o automatización agrega valor. Saltearse esos pasos no acelera nada: acumula una deuda que aparece cuando el modelo llega a producción.

La secuencia, sin embargo, no es una escalera rígida. Las pymes avanzan de forma recursiva y episódica: ordenan un proceso, retroceden cuando se va una persona clave y retoman desde otro punto. Amanollahnejad y sus colaboradores observaron esa dinámica en 27 pymes del Reino Unido y la describieron con una lente sociotécnica.⁵ El contexto es otro, pero el mecanismo se reconoce: la adopción depende de patrocinio, capacidad, datos y continuidad, y puede deshacerse.

Medir la madurez sigue siendo útil si se la entiende como una fotografía que orienta, sin garantía de un progreso irreversible. El IMIA muestra dónde hay un desbalance; la higiene sociotécnica permite observar si la capacidad adquirida se sostiene en el tiempo.

Escuchar el pedido sin obedecerlo al pie de la letra

La pyme suele llegar con la solución ya puesta en la frase: “necesito un chatbot”, “quiero predecir ventas”, “hay que automatizar administración”. Tomar ese pedido en serio no significa ejecutarlo tal como vino formulado. Significa descubrir qué experiencia lo produjo.

“Necesito un tablero” puede querer decir que el dueño recibe tres versiones de la venta y ya no confía en ninguna. “Quiero IA para responder clientes” puede esconder una demanda que crece y un catálogo que cambia sin que la información llegue a quienes atienden. “Necesito automatizar facturas” puede venir de una persona que pasa dos tardes por semana copiando datos de un sistema a otro.

Cada frase abre un problema distinto. En el primer caso, la prioridad es semántica y de gobierno del dato. En el segundo, quizá haga falta memoria institucional antes que un modelo conversacional. En el tercero, una integración convencional tal vez resuelva más que una solución de IA, con menos costo y menos riesgo.

El diagnóstico admite tres respuestas. Hay lugares donde la tecnología paga ahora; otros donde la respuesta es todavía no, porque antes hay que ordenar una condición previa; y casos donde destruye valor. El “todavía no” no rechaza la innovación: evita que el presupuesto disponible se consuma en un proyecto cuya premisa no se sostiene.

Elegir un primer movimiento

La escala del primer proyecto importa. Tiene que ser lo bastante chico para limitar el daño y lo bastante real para mostrar cómo trabaja la organización. Una demostración aislada, con datos preparados, prueba poco. Un flujo cotidiano, acotado y reversible permite observar la adopción, las excepciones y el mantenimiento.

Liberar tiempo repetitivo suele ser una buena entrada, siempre que se mida el ciclo completo. Si una automatización ahorra carga pero agrega revisión, conciliación o corrección, el beneficio puede ser menor de lo esperado. La línea de base tiene que incluir tanto el esfuerzo anterior como el nuevo.

Otra entrada fértil es mejorar una decisión recurrente. Unificar la información que usa un supervisor para priorizar reclamos puede dar valor antes de cualquier predicción. Cuando el equipo confía en esa vista descriptiva y aprende a registrar sus razones, se crea el contexto para una ayuda más avanzada.

El primer resultado tiene que entrar en el idioma de la empresa: horas recuperadas, errores evitados, respuestas más rápidas, menos discusiones sobre cuál es el número verdadero. “Modelo desplegado” no paga una cuota ni mejora una jornada. El artefacto es el medio; el resultado es el cambio que se observa.

Desde el inicio también hay que acordar qué obligaría a frenar. Si aumenta el reproceso, si el equipo vuelve a la planilla o si aparecen datos sensibles en una herramienta no autorizada, el piloto necesita revisión. Que un proyecto sea chico no da permiso para gobernarlo después.

El bricolaje que mantiene todo andando

Las pymes sobreviven a fuerza de inventiva. Exportan datos, corrigen una columna, vuelven a cargar, llaman a alguien que se acuerda de una excepción. Este bricolaje sociotécnico suele describirse como desorden, pero muchas veces es una respuesta inteligente a herramientas que no encajan.

Antes de reemplazar esos movimientos, el diagnóstico los inventaría. Una exportación manual puede ser puro desperdicio o el único momento en que alguien detecta una inconsistencia. Si se automatiza sin mirar, se elimina también ese control. El rediseño tiene que separar la tarea repetitiva del criterio que llevaba escondido.

La “economía del café” es parte de la misma realidad. Hay decisiones importantes que se toman en relación, en una conversación breve entre personas que se conocen. Esa informalidad puede excluir y no dejar rastro, pero también transmite contexto con enorme eficiencia. Estandarizarla del todo puede empobrecer la decisión. El objetivo es conservar la razón y hacerla accesible, sin obligar a que toda interacción humana tome la forma de un formulario.

La duplicación es otra señal. Durante una transición, las personas completan el sistema nuevo y siguen usando el viejo, porque no confían o porque nadie definió cuándo dejarlo. Si esa etapa no tiene fecha, responsables ni criterio de salida, el proyecto suma trabajo en nombre de la eficiencia. Afinar el modelo no lo arregla. Lo arreglan roles claros y la decisión de cerrar el flujo viejo cuando el nuevo demuestra que puede sostenerla.

El campeón y el día después

Muchas transformaciones arrancan gracias a una persona persistente. Puede ser el dueño, una administrativa curiosa o alguien de sistemas que conecta áreas y consigue tiempo. Ese campeón es valioso y, a la vez, una señal de fragilidad.

Si todas las decisiones, los permisos y la memoria pasan por esa persona, una ausencia alcanza para frenar el proyecto. Amanollahnejad y sus colaboradores hablan de liderazgo episódico: la adopción avanza mientras hay impulso y retrocede cuando la atención cambia de foco o la persona se va.

Por eso el método pregunta temprano quién puede tomar el relevo. Se trata de evitar que la capacidad de la organización se confunda con un individuo, sin diluir por eso la responsabilidad. Las decisiones centrales tienen que dejar memoria, al menos otra persona necesita entender el flujo y las rutinas de revisión deben entrar en la agenda ordinaria.

La transferencia, además, tiene que ajustarse a la rotación. Una capacitación extensa dictada una sola vez puede fracasar en una empresa con empleo estacional. Ahí sirven más los recorridos breves, la ayuda dentro del flujo y las prácticas que las personas puedan enseñarse entre sí sin deformar el criterio.

Distribuidora Norte vuelve a intentarlo

Un año después de las alertas de clientes en riesgo, Distribuidora Norte volvió con otro problema. Los repartos se atrasaban, los reclamos no coincidían con el tablero de rutas y los choferes llevaban planillas que el sistema oficial no reflejaba. El dueño veía una oportunidad de optimizar las ventanas de entrega con IA.

La primera conversación técnica podría haber empezado por los algoritmos de ruteo, pero el diagnóstico encontró antes una cicatriz. La empresa ya había probado una solución parecida; ese piloto se había presentado como un fracaso de los usuarios, y nadie lo mencionó en la reunión inicial. Los choferes recordaban otra historia: el sistema no contemplaba accesos, horarios informales ni acuerdos con clientes que ellos resolvían durante el recorrido.

Las planillas paralelas guardaban parte de ese conocimiento. Tenían algo de resistencia, pero también eran un intento de sostener la operación cuando el tablero oficial mostraba una versión incompleta. Automatizar sobre esos datos habría repetido el fracaso con una herramienta más potente.

La intervención empezó por unificar reclamos y reparto. Supervisores y choferes participaron en la definición de “entrega a tiempo”, que variaba según la zona y el tipo de cliente. Se codesarrolló una vista que permitía registrar excepciones sin obligar a nadie a escribir una historia completa en cada parada. Solo después se incorporó predicción, en los puntos donde el equipo podía evaluar si servía.

Lo importante no fue un porcentaje aislado de precisión, sino la secuencia: entender la cicatriz, recuperar el conocimiento de los rodeos, acordar el dato, construir confianza y recién entonces automatizar. Una misma persona, o un mismo equipo con memoria, acompañó todo el recorrido para que la hipótesis no se perdiera en un traspaso.

El IMIA puede registrar el cambio de configuración: mejor calidad de datos, más integración, más gobernanza. Las métricas de valor, en cambio, tienen que seguir lo que les pasa al supervisor y al chofer: si deciden antes, si baja el reproceso y si la herramienta los ayuda o los vigila. Hacen falta las dos lecturas, porque una pyme puede mejorar su arquitectura sin haber recuperado todavía la confianza, o entusiasmarse con un piloto sin haber construido la capacidad para sostenerlo.

Crecer sin copiar

Una pyme no es una empresa grande en miniatura. Sus relaciones, sus tiempos de decisión y sus dependencias son otros. Una práctica pensada para una corporación puede sumarle comités, licencias y roles que no puede sostener. A la inversa, la cercanía entre quienes deciden y quienes trabajan permite ajustes rápidos y conversaciones que en una estructura más grande serían lentas.

El diseño tiene que aprovechar esa cercanía sin convertirla en informalidad permanente. Un gobierno mínimo puede consistir en pocas reglas claras, responsables identificados y una revisión mensual. Una arquitectura modular puede crecer sin exigir una plataforma total desde el comienzo. Un proveedor puede aportar capacidad sin quedarse con la única copia de los datos ni con el conocimiento necesario para operar.

Cada pyme que construye esa capacidad cierra una parte de la brecha productiva regional. El valor va más allá de la ganancia individual: más empresas capaces de usar datos y tecnología con criterio forman un tejido menos dependiente de soluciones importadas y de promesas que no contemplan su escala.

Aun así, la responsabilidad empieza en el caso concreto. Quien arriesga sus ahorros no necesita que lo convenzan de subirse a la ola de turno. Necesita saber si esta intervención le devuelve algo que su organización pueda sostener. El puente aplicado a la pyme no promete poner IA en cada proceso. Promete algo más difícil: reconocer dónde sirve, construir desde lo que ya existe y tener la disciplina de decir “todavía no” cuando el modelo multiplicaría el lado equivocado.

Ver también: El puente aplicado al sector público · IMIA — el instrumento de madurez · Los cuatro eslabones · Autores y corrientes · Bibliografía