El crecimiento del uso de IA en México es innegable. De acuerdo con el reporte “La era de la IA en México, Panorama, Tendencias y Datos 2024”, elaborado por Banco Santander y Endeavor, el número de compañías de IA en el país aumentó 965% en los últimos 6 años, alcanzando 362 empresas activas y más de 11,000 empleos especializados. Este boom ha atraído más de 500 millones de dólares en inversión, posicionando a México como un referente regional.
Pero cuando hablamos de impacto, las cifras cambian de tono. Según el estudio Unlocking AI’s Potential in Mexico de AWS: 72% de las empresas mexicanas que han adoptado IA se mantienen en un uso básico, enfocado en eficientar procesos o en tareas rutinarias con chatbots públicos, sin llegar a innovar productos o servicios. 16% han avanzado a un nivel intermedio, integrando IA de manera más transversal y mejorando la experiencia del cliente. Pero solo 7% han alcanzado la etapa más transformadora, creando sistemas de IA a la medida para tareas complejas que redefinen sus operaciones.
En otras palabras: la mayoría de los esfuerzos actuales de IA en México no están diseñados para reinventar modelos de negocio, sino para hacer ajustes marginales a lo que ya existe.
Como consultora en innovación he detectado tres obstáculos recurrentes que impiden que la IA pase de ser una promesa de cambio a un motor real de transformación:
1. Visión fragmentada
La IA suele entrar como un proyecto aislado, muchas veces impulsado por un área de TI o por un directivo que quiere “innovar” sin una estrategia transversal. El resultado: soluciones desconectadas que no dialogan con otros procesos clave.
2. Déficit de talento y formación
La falta de especialistas es evidente, pero el problema más profundo es la ausencia de capacitación práctica para los equipos que van a operar estas herramientas. Se asume que la tecnología “habla por sí sola”, cuando en realidad exige nuevos marcos de trabajo, métricas y habilidades.
3. Desconfianza en los datos
La IA es tan buena como la calidad de los datos que la alimentan. Muchas empresas en nuestro país todavía dependen de procesos manuales o sistemas fragmentados que generan información incompleta o poco confiable. Esto provoca que los proyectos se frenen o que los resultados sean cuestionados.
En los últimos dos años he visto empresas mexicanas invertir sumas significativas en herramientas de IA para atención al cliente, solo para abandonarlas meses después porque los modelos no entendían bien las solicitudes o porque la integración con sus sistemas internos nunca se completó.
En otros casos, compañías del sector financiero lanzan pilotos para análisis predictivo de riesgo, pero los cancelan al descubrir que la base de datos histórica tiene demasiados vacíos como para entrenar un modelo confiable.
Estos fracasos no siempre se publicitan, pero ocurren con frecuencia y generan un efecto colateral: el escepticismo interno hacia la IA, que hace que futuros proyectos enfrenten más resistencia para recibir presupuesto o apoyo.
Un reto más cultural que técnico
Es fácil pensar que el problema es solo de presupuesto o falta de expertos, pero la realidad es más profunda: el verdadero desafío es cultural.
En muchas organizaciones mexicanas, la IA sigue viéndose como un experimento o una “herramienta que hay que tener” para no quedarse atrás, en lugar de un cambio estructural que exige rediseñar procesos, roles y formas de medir el éxito.
En términos de IA se habla de dos etapas: Deploy (implementar para productividad) y Reshape (rediseñar el trabajo de raíz). México, en su mayoría, sigue en la primera etapa, con excepciones destacadas en sectores como fintech, logística y manufactura avanzada.
Si de verdad queremos que el uso de IA en México pase de un titular optimista a un motor de competitividad, hay pasos urgentes: Es indispensable formar a todos los niveles, no solo a líderes. La adopción será más lenta si la mitad de la organización no entiende cómo usar la herramienta o la percibe como una amenaza. Además hay que integrar la IA en la estrategia central del negocio, no como un proyecto paralelo. Todo sin olvidar establecer métricas claras de impacto, más allá de cuántos usuarios interactúan con la herramienta. Y finalmente, asegurar la calidad de los datos, invirtiendo en limpieza, integración y gobernanza.
