Casi todas las empresas ya prueban herramientas de inteligencia artificial, pero pocas convierten esas pruebas en ahorro o en ventas. La diferencia rara vez está en la herramienta: está en cómo se elige, se gobierna y se mide.
Puntos clave
- Usar IA no es lo mismo que obtener valor: según McKinsey, menos de la mitad de las organizaciones dice estar escalándola en toda la empresa.
- Elige casos de uso por valor, datos disponibles y riesgo, no por moda.
- Marcos como el NIST AI RMF y los Principios de IA de la OCDE ayudan a gestionar riesgos.
- Mide contra una línea base y cuenta todos los costos, incluido el tiempo de tu equipo.
Por qué muchas iniciativas no pasan de piloto
Muchos proyectos de IA se estancan porque se añaden a procesos intactos, sin datos preparados ni forma de medir su impacto. El uso está muy extendido; el retorno, mucho menos.
La encuesta The state of AI in 2026 de McKinsey, realizada en línea entre mayo y junio de 2026 a 1.719 participantes de 97 países, muestra la brecha:
- Casi nueve de cada diez encuestados dicen usar IA de forma habitual en al menos una función del negocio.
- El 44 % afirma que la IA ya está escalando en toda la empresa, frente al 38 % del año anterior.
- El 37 % reporta que la IA ha contribuido positivamente a su resultado operativo (EBIT), casi igual que en 2025.
- Solo un 6 % son «alto rendimiento»: atribuyen a la IA un impacto de al menos el 5 % de su EBIT.
Lo que distingue a ese grupo no son las herramientas: casi tres cuartas partes rediseñaron a fondo sus flujos de trabajo a raíz de la IA, frente a una cuarta parte del resto, y duplican la probabilidad de tener líderes comprometidos y procesos definidos para medir el impacto.
Los datos son el otro cuello de botella: Gartner, en un comunicado de febrero de 2025, predijo que hasta 2026 las organizaciones abandonarían el 60 % de los proyectos de IA que no cuenten con datos preparados para IA, y señaló que el 63 % de las organizaciones no tiene, o no sabe si tiene, prácticas de gestión de datos adecuadas para la IA.
Cómo elegir casos de uso
Elige casos de uso que resuelvan un problema que ya te cuesta dinero o tiempo, que tengan datos disponibles y cuyo error no sea grave. Empieza por dos o tres, no por diez.
Puntúa cada idea en tres ejes: valor (cuánto ahorra o genera), viabilidad (si hay datos y la integración es razonable) y riesgo (qué pasa si la IA se equivoca). Los mejores primeros candidatos son tareas repetitivas, de alto volumen y con una persona que revisa el resultado.
| Caso de uso | Área | Datos necesarios | Indicador de éxito |
|---|---|---|---|
| Asistente que responde preguntas frecuentes de clientes | Atención al cliente | Preguntas y respuestas actualizadas, políticas, historial de conversaciones | Consultas resueltas sin escalar y satisfacción |
| Clasificación y enrutamiento de correos o tickets | Operaciones | Histórico de tickets etiquetados | Tiempo a la primera respuesta y reasignaciones |
| Calificación de prospectos | Ventas | Registros del CRM con el resultado de cada oportunidad | Tasa de cierre de prospectos priorizados frente al resto |
| Borradores de contenidos y anuncios | Marketing | Guía de marca, ejemplos aprobados, datos de producto | Horas de producción por pieza y tasa de correcciones |
| Extracción de datos de facturas y documentos | Finanzas y administración | Documentos digitalizados y campos a extraer | Errores frente a la captura manual y tiempo por documento |
| Previsión de demanda | Inventario y compras | Ventas históricas por producto, promociones, temporadas | Error de pronóstico y quiebres de inventario |
Si la IA va a ejecutar tareas por su cuenta, como responder a clientes o actualizar sistemas, hablas de agentes de inteligencia artificial, y los controles pesan aún más.
Datos y gobierno
Gobernar la IA significa decidir quién aprueba cada uso, con qué datos trabaja y quién responde por los resultados. Antes del primer piloto, resuelve cuatro puntos:
- Inventario de datos: dónde están, quién es su dueño y qué calidad tienen.
- Política de uso: qué herramientas están autorizadas y qué información nunca debe introducirse en ellas.
- Revisión humana: en qué tareas una persona valida la salida antes de que llegue a un cliente o a un sistema.
- Responsable: alguien con autoridad para aprobar, pausar o retirar cada caso.
Si tu caso usa datos personales, en Panamá aplica la Ley 81 de 2019 sobre protección de datos personales. La ley establece el consentimiento informado del titular como una de las condiciones que hacen lícito el tratamiento, exige consentimiento previo, informado e inequívoco para transferir datos salvo excepciones legales, y encarga su supervisión a la ANTAI (texto de la Ley 81, artículos 6, 7 y 25). Enviar datos de clientes a un proveedor de IA externo debe revisarlo tu asesor legal.
Riesgos y marcos de referencia
No necesitas inventar tu método de gestión de riesgos: hay marcos públicos y gratuitos que puedes adaptar al tamaño de tu empresa, como el de NIST y los principios de la OCDE.
NIST AI Risk Management Framework
El Instituto Nacional de Estándares y Tecnología de Estados Unidos (NIST) publicó el AI RMF 1.0 el 26 de enero de 2023 como guía de uso voluntario para organizaciones de cualquier sector y tamaño (NIST). Se organiza en cuatro funciones (AI RMF Core):
- Gobernar: función transversal a toda la gestión del riesgo.
- Mapear: establece el contexto de los riesgos de cada sistema.
- Medir: analiza esos riesgos con métodos cuantitativos, cualitativos o mixtos.
- Gestionar: asigna recursos de forma periódica a los riesgos mapeados y medidos.
Para IA generativa, NIST publicó en julio de 2024 un perfil complementario, el NIST AI 600-1, que enumera riesgos como la confabulación (respuestas falsas presentadas como ciertas), la privacidad de datos, la propiedad intelectual y el sesgo dañino. Sobre este último tienes una guía específica en riesgos de sesgo en IA.
Principios de IA de la OCDE
Adoptados en mayo de 2019 y actualizados en mayo de 2024, los Principios de IA de la OCDE fijan cinco valores: crecimiento inclusivo, desarrollo sostenible y bienestar; respeto al Estado de derecho, los derechos humanos y los valores democráticos, incluida la equidad y la privacidad; transparencia y explicabilidad; robustez, seguridad y protección; y rendición de cuentas. La Recomendación del Consejo de la OCDE pide que los actores de IA respondan por el correcto funcionamiento de sus sistemas. Úsalos como lista de verificación interna.
Hoja de ruta de 90 días
En 90 días puedes pasar de la idea a una decisión informada sobre uno o dos casos de uso. El objetivo no es transformar la empresa, sino obtener evidencia.
- Días 1 a 15: objetivo y patrocinador. Define el problema de negocio, quién lo patrocina desde la dirección y cómo se ve el éxito en números.
- Días 16 a 30: procesos y datos. Mapea cómo se hace hoy la tarea, mide la línea base (tiempo, costo, errores) y comprueba que los datos existen y se pueden usar legalmente.
- Días 31 a 45: reglas y diseño. Aprueba la política de uso, define la revisión humana, elige la herramienta y rediseña el flujo en lugar de solo añadirle IA.
- Días 46 a 75: piloto controlado. Prueba con pocos usuarios y casos reales, registra incidencias y compara con la línea base.
- Días 76 a 90: decisión. Calcula el retorno con costos completos y decide si escalas, ajustas o descartas. Documenta lo aprendido.
Cómo medir el retorno
El retorno de la IA se mide comparando el resultado del piloto con la línea base del proceso anterior, restando todos los costos. Sin línea base no hay retorno demostrable. Incluye en el cálculo:
- Beneficios: horas ahorradas a su costo real, menos errores, más ventas o retención atribuibles al caso.
- Costos: licencias o consumo, integración, horas de tu equipo, revisión humana y mantenimiento.
- Adopción: qué parte del equipo usa realmente la solución. Un ahorro que nadie usa no existe.
La fórmula básica es: retorno = (beneficio − costo total) ÷ costo total. Mide ambos lados en el mismo periodo y repite el cálculo meses después, porque los costos de mantenimiento aparecen tras el piloto.
Cuándo pedir apoyo externo
Pide apoyo externo cuando nadie en tu equipo puede priorizar casos, evaluar proveedores o diseñar controles, o cuando tus pilotos no llegan a producción. Ese apoyo debe dejar capacidad instalada, no dependencia.
Señales claras: varias áreas compran herramientas por separado o nadie sabe qué datos se comparten con proveedores. Una consultoría en inteligencia artificial seria empieza por el diagnóstico de procesos y datos, no por vender una herramienta. Si quieres revisar tu caso, puedes escribirnos desde contacto.
Preguntas frecuentes
¿Por dónde empezar con IA en una empresa?
Empieza por un problema de negocio que ya te cueste tiempo o dinero, no por la herramienta. Elige dos o tres casos de uso con datos disponibles y riesgo bajo, mide cómo se hace hoy la tarea, define reglas de uso y prueba en un piloto corto con un responsable claro.
¿Qué dice la ley panameña si mi proyecto de IA usa datos de clientes?
Si tu sistema de IA trata datos personales, aplica la Ley 81 de 2019 sobre protección de datos personales, que establece el consentimiento informado como una de las condiciones de licitud del tratamiento, exige consentimiento para transferir datos salvo excepciones y encarga la supervisión a la ANTAI. Consulta con tu asesor legal antes de enviar datos a proveedores externos.
¿Cuánto tarda en verse el retorno de un proyecto de IA?
Depende del caso, de la calidad de los datos y de cuánto haya que rediseñar el proceso. Un piloto bien planteado de unos 90 días debería darte evidencia suficiente para decidir si escalar, ajustar o descartar, siempre que hayas medido la línea base antes de empezar.
¿Necesito un equipo de datos propio para usar IA?
No para empezar. Muchos primeros casos funcionan con herramientas existentes y datos que ya tienes. Sí necesitas un responsable interno que conozca el proceso, decida sobre los datos y revise los resultados. Al escalar, conviene sumar capacidades de datos propias o apoyo externo.
Fuentes
- McKinsey & Company — The state of AI in 2026: On the road to ROI.
- Gartner — Lack of AI-Ready Data Puts AI Projects at Risk.
- NIST — NIST Risk Management Framework Aims to Improve Trustworthiness of Artificial Intelligence.
- NIST AI Resource Center — AI RMF Core.
- NIST — AI 600-1: Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile.
- OECD.AI — OECD AI Principles.
- OCDE — Recommendation of the Council on Artificial Intelligence.
- Gaceta Oficial de Panamá — Gaceta N.º 28743-A (Ley 81 de 26 de marzo de 2019).
- Gobierno de Panamá (SINAPROC) — Texto de la Ley 81 de 26 de marzo de 2019, sobre protección de datos personales.