El puente aplicado a las pymes

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

Durante la conversación aparecen los datos. Las ventas están en el sistema de facturación, los reclamos en mensajes y 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 dejan de comprar durante treinta días; otras esperan noventa. El modelo pedido podría construirse. La pregunta es qué aprendería.

Esta escena resume la posición de muchas pymes frente a la inteligencia artificial. Reciben una presión intensa para adoptar y disponen de pocos amortiguadores para hacerlo mal. Una empresa grande puede sostener varios pilotos, contratar equipos especializados y absorber una inversión que tarda en rendir. En una pyme, un proyecto fallido puede inmovilizar meses de caja y desgastar la confianza del equipo durante años.

Por eso el puente no comienza con la oferta tecnológica. Comienza protegiendo la capacidad de decidir. Antes de preguntar qué modelo conviene, pregunta qué problema merece resolverse, qué datos lo describen y cuál sería una mejora suficientemente valiosa como para justificar el riesgo.

Una tecnología que amplifica diferencias

La inteligencia artificial no beneficia por igual a todas las personas ni organizaciones. Un experimento con 640 emprendedores en Kenia ofrece una advertencia útil. La asistencia generativa mejoró alrededor de un 15% el desempeño de quienes ya tenían resultados altos 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 necesitaban criterio para reconocer que no correspondían.

El estudio no permite predecir qué ocurrirá en una empresa argentina. Sí muestra un mecanismo: cuando la herramienta ofrece una respuesta plausible, la capacidad previa determina cuánto puede aprovecharse y cuándo debe descartarse. La IA puede acercar conocimiento, pero también puede dar seguridad a una recomendación mediocre. Sin contexto y juicio, amplía una brecha existente.

Esa asimetría es especialmente importante para la pyme que más necesita ayuda. La organización con datos ordenados, procesos conocidos y personas capaces de revisar obtiene más valor con menos riesgo. La que trabaja bajo urgencia, depende de una planilla personal y no puede verificar una recomendación recibe el consejo de usar la misma tecnología, como si la herramienta llegara a un terreno neutro.

La imagen del multiplicador con signo ayuda a evitar 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 incorporado en la licencia. Se decide en el diagnóstico, los datos y el diseño del uso.

La brecha regional, vista de cerca

La adopción ocurre además dentro 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 y solo el 11% de las pymes.² Las cifras no describen cada sector, pero muestran que la distancia entre empresas dentro de un mismo país puede ser tan importante como la distancia internacional.

La encuesta de nodo nadIA a 402 pymes argentinas en 2025 aporta 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 capacidad interna eran bajos.³ La imagen ya no es la de una pyme que desconoce la tecnología. Muchas personas la probaron e incorporaron de manera informal. La adopción visible llegó antes que los acuerdos sobre datos, riesgo, aprendizaje y responsabilidad.

El Índice Latinoamericano de Inteligencia Artificial de CEPAL y CENIA permite ubicar estas experiencias dentro de ecosistemas nacionales más amplios.⁴ Su clasificación de diecinueve países en pioneros, adoptantes y exploradores observa infraestructura, talento, investigación y gobernanza. Para una pyme, esas condiciones no son telón de fondo abstracto. Determinan conectividad, oferta de profesionales, financiamiento y calidad de los apoyos disponibles.

Hablar de brecha, entonces, no equivale a culpar a la empresa por llegar tarde. La adopción depende de recursos que ninguna pyme produce sola. A la vez, el contexto difícil no elimina su margen de decisión. Lo vuelve más importante. Cuando el capital es escaso, elegir un problema acotado y construir capacidad alrededor de él 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 infraestructura limitada: conectividad inestable, equipos antiguos, poca redundancia y proveedores que no siempre ofrecen el mismo nivel de servicio fuera de los grandes centros. La segunda es escasez de talento: una o dos personas concentran sistemas, soporte, datos y seguridad. La tercera es cultural: la dirección declara que quiere innovar, pero la operación no tiene tiempo para experimentar y cada error recibe castigo.

Shokrollahi Yancheshmeh (2026) y trabajos anteriores sobre transformación digital en economías emergentes ayudan a entender cómo esas restricciones se refuerzan. Una conexión deficiente vuelve menos confiable la herramienta; la falta de talento alarga el incidente; el temor a equivocarse impide que el equipo reporte temprano. Lo que parecía una compra de software termina chocando con una configuración completa.

No todos los cuellos se resuelven dentro del mismo proyecto. Esa es una razón más para identificarlos. Si la conectividad vuelve imposible una operación en línea permanente, la arquitectura debe tolerar interrupciones. Si una sola persona conoce todas las integraciones, la prioridad puede ser crear un relevo y documentación. Si la cultura castiga la prueba, un piloto pequeño y reversible necesita un acuerdo explícito sobre qué se aprenderá de los errores.

La restricción no es un dato vergonzoso que convenga ocultar al proveedor. Es una condición de diseño.

La oportunidad que existe en la escasez

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

Una organización grande puede disponer de equipos de datos y, al mismo tiempo, cargar con veinte sistemas que definen al cliente de maneras incompatibles. La pyme puede empezar con herramientas modestas y construir una definición común desde el comienzo. La ventaja no está en la falta de tecnología, sino en la posibilidad de evitar parte de la fragmentación acumulada.

Conviene no romantizar esa situación. Partir de poca digitalización concentra trabajo. Hay que 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 nuevo dato. La ausencia de sistemas no elimina la complejidad; la vuelve menos visible.

Por eso el camino hacia IA suele comenzar lejos de la IA. Primero se conectan las islas que ya existen. Después se estabilizan definiciones y responsables. Recién cuando el dato es suficientemente confiable se evalúa qué predicción o automatización agrega valor. Saltarse esos pasos no acelera el proceso: acumula deuda que aparecerá cuando el modelo alcance producción.

Esta secuencia no debe leerse como una escalera rígida. Las pymes avanzan de forma recursiva y episódica. Pueden ordenar un proceso, retroceder cuando se va una persona clave y retomar desde otro punto. Amanollahnejad y sus colaboradores observaron esa dinámica en 27 pymes del Reino Unido y la describieron mediante una lente sociotécnica.⁵ El contexto difiere, pero el mecanismo resulta reconocible: la adopción depende de patrocinio, capacidad, datos y continuidad, y puede deshacerse.

Medir madurez sigue siendo útil si se entiende como fotografía y orientación, no como garantía de progreso irreversible. IMIA muestra dónde existe un desbalance. La higiene sociotécnica permite observar si la capacidad adquirida se sostiene.

Escuchar el pedido sin obedecerlo literalmente

La pyme suele llegar con una solución en la frase: “necesito un chatbot”, “quiero predecir ventas”, “hay que automatizar administración”. Tomar ese pedido en serio no significa ejecutarlo tal como fue 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 creciente y un catálogo que cambia sin que la información llegue a quienes atienden. “Necesito automatizar facturas” puede surgir porque una persona pasa dos tardes por semana copiando datos entre sistemas.

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

El diagnóstico produce tres respuestas posibles. Hay lugares donde la tecnología paga ahora; otros donde puede pagar después de ordenar una condición previa; y casos donde destruiría valor. El “todavía no” no rechaza la innovación. Evita que el presupuesto disponible se consuma en un proyecto cuya premisa no puede sostenerse.

Elegir un primer movimiento

La escala del primer proyecto importa. Debe ser suficientemente pequeño para limitar el daño y suficientemente real para revelar cómo trabaja la organización. Una demostración aislada con datos preparados prueba poco. Un flujo cotidiano, acotado y reversible permite observar adopción, excepciones y mantenimiento.

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

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

El primer resultado debe caber en el lenguaje de la empresa. Horas recuperadas, errores evitados, respuesta más rápida, menos discusiones sobre cuál número es verdadero. “Modelo desplegado” no paga una cuota ni mejora una jornada. El artefacto es el medio; el cambio observado es el resultado.

También conviene acordar desde el inicio qué obligaría a detenerse. Si aumenta el reproceso, si el equipo vuelve a una planilla o si aparecen datos sensibles en una herramienta no autorizada, el piloto necesita revisión. Un proyecto pequeño no es una licencia para gobernar después.

El bricolaje que mantiene todo andando

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

El diagnóstico inventariaría esos movimientos antes de reemplazarlos. Una exportación manual puede ser puro desperdicio o el único momento en que alguien revisa una inconsistencia. Si se automatiza sin observar, se elimina también el control. El rediseño debe separar la tarea repetitiva del criterio que llevaba escondido.

La “economía del café” pertenece a la misma realidad. Decisiones importantes se toman en relación, en una conversación breve entre personas que se conocen. Esa informalidad puede excluir y dejar sin trazabilidad; también puede transmitir contexto con gran eficiencia. Estandarizarla por completo puede empobrecer la decisión. El objetivo es conservar la razón y volverla accesible, no obligar a que toda interacción humana adopte la forma de un formulario.

Otra señal es la duplicación. Durante una transición, las personas completan el nuevo sistema y continúan usando el anterior porque no confían o porque nadie definió cuándo dejarlo. Si esa etapa no tiene fecha, responsables y criterio de salida, el proyecto aumenta trabajo en nombre de la eficiencia. El problema no se resuelve afinando el modelo. Se resuelve aclarando roles y cerrando el flujo viejo cuando el nuevo demuestra que puede sostenerlo.

El campeón y el día después

Muchas transformaciones comienzan 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, al mismo tiempo, una señal de fragilidad.

Si toda decisión, permiso y memoria pasa por él, una ausencia detiene el proyecto. Amanollahnejad y sus colaboradores hablan de liderazgo episódico: la adopción avanza mientras existe impulso y retrocede cuando cambia la atención o la persona se va.

El método pregunta temprano quién puede tomar el relevo. No para diluir responsabilidad, sino para evitar que la capacidad quede confundida con un individuo. Las decisiones centrales deben dejar memoria; al menos otra persona necesita comprender el flujo; las rutinas de revisión tienen que entrar en la agenda ordinaria.

La transferencia también debe ajustarse a la rotación. Una capacitación extensa impartida una vez puede fracasar en una empresa con empleo estacional. Allí sirven recorridos breves, ayuda dentro del flujo y prácticas que las personas puedan enseñar entre sí sin deformar el criterio.

Distribuidora Norte vuelve a intentarlo

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

La primera conversación técnica podía comenzar por algoritmos de ruteo. El diagnóstico encontró antes una cicatriz. La empresa ya había probado una solución similar. El piloto se había presentado como fracaso de los usuarios y nadie lo mencionaba 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 conservaban parte de ese conocimiento. No eran solo resistencia. También eran un intento de mantener la operación cuando el tablero oficial mostraba una versión incompleta. Si el nuevo proyecto automatizaba sobre esos datos, habría repetido el fracaso con una herramienta más potente.

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

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

IMIA puede representar el cambio de configuración: mejor calidad de datos, integración y gobernanza. Las métricas de valor deben seguir lo que les ocurre al supervisor y al chofer: si deciden antes, si disminuye el reproceso y si la herramienta ayuda o vigila. Las dos lecturas son necesarias porque una pyme puede mejorar su arquitectura sin haber recuperado todavía la confianza, o puede entusiasmarse con un piloto sin haber construido la capacidad para sostenerlo.

Crecer sin copiar

La escala no convierte a una pyme en una empresa grande en miniatura. Sus relaciones, tiempos de decisión y dependencias son diferentes. Una práctica diseñada para una corporación puede agregar comités, licencias y roles que la pyme no puede sostener. A la inversa, la cercanía entre quienes deciden y quienes trabajan puede permitir ajustes rápidos y conversaciones que una estructura mayor volvería lentas.

El diseño debe aprovechar esa proximidad sin convertirla en informalidad eterna. 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 para operar.

Cada pyme que construye esa capacidad cierra una parte de la brecha productiva regional. El valor no se limita a 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.

La responsabilidad empieza, de todos modos, en el caso concreto. La persona que arriesga sus ahorros no necesita que la convenzan de participar en una revolución. Necesita saber si esta intervención devuelve algo que su organización pueda sostener. El puente aplicado a la pyme no promete poner inteligencia artificial en cada proceso. Promete algo más difícil: reconocer dónde conviene, 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