Las empresas que han adoptado la inteligencia artificial en sus operaciones ha crecido hasta el 48%, según el informe Desbloqueando el potencial de la IA en México 2026, elaborado por Strand Partners para Amazon Web Services (AWS).
Aquí se contempla tanto las pymes, con un 57% de adopción, muy cerca de las grandes empresas, que registraron un 49%, detrás de las startups, que alcanzan un 52%.
Es un panorama positivo para todos los estilos de empresa. Las pymes obtuvieron un 57% de adopción, las grandes empresas un 49% y las startups un 52%. El punto clave de estos hallazgos es descubrir qué tanto porcentaje de estas empresas logra pasar de la etapa de descubrimiento. Allí es donde está fracasando la adopción de IA.
Según explica un blog reciente de EPAM, la fase de descubrimiento es el momento estratégico donde se debe entender cómo funciona el negocio, dónde existe fricción y qué cambios generarán un valor medible. En muchas empresas, esta fase continúa dependiendo exclusivamente de talleres y mapas de procesos creados manualmente.
“Estas metodologías tradicionales tienen un valor histórico, pero ya son insuficientes frente a la velocidad y complejidad de las infraestructuras corporativas modernas”, advierte Jaime Aldana, Country Head de México & Head of Cloud Business de EPAM para America Latina. “Se están construyendo casos de negocio sobre suposiciones y no sobre datos reales. Las prioridades se están fijando sin visibilidad completa. Los equipos de desarrollo están heredando brechas operativas que debieron resolverse antes de iniciar la ejecución. Todo eso trae pérdidas”.
Sectores como el asegurador o financiero, por ejemplo, que están mediados por tantas regulaciones, tienen una brecha entre la percepción ejecutiva y la realidad de los procesos. Los directivos pueden estimar que un procesamiento de reclamos toma entre tres y cuatro días, pero los datos reales de ejecución pueden revelar bucles de re-trabajo ocultos que multiplican esos tiempos iniciales.
“Hacer este tipo de hallazgos reorienta por completo la hoja de ruta de inversión que tenga una empresa”, señala Aldana. “Ahí es donde se debe reenfocar los recursos para resolver los problemas reales, en lugar de quedarse modernizando interfaces que, aunque atractivas para el cliente final, no representan realmente una ventaja financiera”.
Para evitar la trampa de adoptar herramientas en tendencia que no resuelven problemas de fondo, la industria tecnológica está migrando de un descubrimiento guiado por talleres a un modelo fundamentado en evidencia, donde los datos operativos se combinan con la precisión de la IA.
Existe la la Minería de procesos (Process Mining), que reconstruye los flujos de trabajo a partir de los registros de eventos de los sistemas, haciendo visibles las rutas reales, variaciones y cuellos de botella; la Minería de tareas (Task Mining), que revela el trabajo manual no medido que ocurre entre aplicaciones (hojas de cálculo, correos y validaciones); el Procesamiento de Lenguaje Natural (NLP): Extrae información valiosa de fuentes no estructuradas como políticas corporativas, tickets de soporte y procedimientos; o el Modelado de conocimiento (Knowledge Graphs), que conecta procesos, sistemas, roles y datos para dar un contexto empresarial unificado.
“Es necesario que las empresas del país construyan sobre datos operativos reales para poder analizar causas de raíz y simular escenarios antes de escribir la primera línea de código; así es como se reduce drásticamente el riesgo de invertir en la solución equivocada”, recomienda el experto.
Asimismo, desde EPAM advierten que la tecnología por sí sola no garantiza el éxito si el modelo operativo no acompaña la transformación. Los líderes deben dejar de preguntarse únicamente qué herramienta comprar y comenzar a evaluar cómo construir una representación fiel de la realidad de su empresa.
