La incorporación de inteligencia artificial a las empresas está avanzando con rapidez, pero convertir esa tecnología en resultados concretos exige resolver desafíos que van más allá de la elección de una herramienta. La experiencia de Stefanini Group identifica cinco aprendizajes relacionados con la estrategia, la cultura, la gobernanza, la integración tecnológica y la medición del impacto.
La presión por avanzar se intensificó desde el lanzamiento de ChatGPT en noviembre de 2022, cuando las corporaciones globales aceleraron iniciativas que anteriormente podían tomar años. En Brasil, este proceso también está respaldado por la Estrategia Brasileña de Inteligencia Artificial (EBIA), vigente desde 2021 para orientar la adopción responsable y productiva de la tecnología en los sectores privado y público.
El uso de inteligencia artificial entre las empresas industriales brasileñas pasó del 16,9% en 2022 al 41,9% en 2024, según datos del IBGE correspondientes a Pintec Semestral 2025. El incremento fue de 25 puntos porcentuales en dos años.
Sin embargo, el aumento de la adopción no significa necesariamente madurez. El informe Superagency in the Workplace de McKinsey, publicado en enero de 2025, señala que el 92% de las empresas globales planea incrementar sus inversiones en inteligencia artificial durante los siguientes tres años, mientras apenas el 1% se considera madura en su implementación, es decir, con la tecnología integrada en los flujos de trabajo y generando resultados tangibles.
El primer aprendizaje consiste en definir el problema antes de seleccionar la herramienta. Identificar el caso de uso permite evitar implementaciones motivadas únicamente por la disponibilidad de una tecnología y concentrar los esfuerzos en necesidades concretas.
Para determinar qué procesos pueden ofrecer mayor retorno, Stefanini Group plantea revisar tres variables: el volumen y la frecuencia de las actividades, la criticidad y el riesgo asociados a posibles errores, y la disponibilidad de datos de calidad. Los procesos diarios con grandes cantidades de información pueden ofrecer un ROI más rápido; las áreas donde un error humano implica un costo financiero o reputacional elevado pueden tener mayor prioridad; y sin un historial de datos adecuado, ningún modelo de inteligencia artificial puede funcionar correctamente.
Un ejemplo es el de un equipo de operaciones que dedica varias horas cada semana a consolidar informes provenientes de distintos sistemas para construir un único panel de control. Antes de decidir qué modelo utilizar, el proceso debe ser analizado en términos de volumen, frecuencia, puntos de error y costo. Esa definición permite establecer con mayor claridad qué problema se busca resolver.
El segundo aprendizaje está relacionado con la cultura organizacional. La inteligencia artificial modifica procesos y comportamientos, pero el ritmo de transformación de las personas puede ser menor que el de los proyectos tecnológicos.
Uno de los cambios observados se relaciona con la manera en que los equipos enfrentan el error y toman decisiones. Quienes trabajan con inteligencia artificial desarrollan una mayor tolerancia a la iteración rápida y al ajuste del rumbo. En proyectos de automatización de atención al cliente, esta transformación puede estar acompañada inicialmente por resistencia entre quienes anteriormente realizaban las tareas de forma manual.
La incorporación de los datos generados por la inteligencia artificial a las reuniones de resultados puede contribuir a modificar esa dinámica. También son relevantes tres prácticas: explicar con claridad qué hace la tecnología, qué decisiones toma y en cuáles el control permanece en manos humanas; ofrecer capacitación continua vinculada con el contexto del negocio; y hacer que los líderes incorporen la inteligencia artificial en sus propias rutinas.
El 48% de los colaboradores considera que la capacitación es el factor más importante para adoptar inteligencia artificial, aunque casi la mitad afirma haber recibido una formación mínima o no haberla recibido, según McKinsey. La experiencia también señala que cuando los gerentes utilizan estas herramientas y comparten los resultados con sus equipos, ese comportamiento puede extenderse dentro de la organización.
La gobernanza adquiere mayor importancia cuando la inteligencia artificial deja de estar restringida a entornos controlados. Al ampliar su uso entre diferentes áreas pueden aparecer sesgos, utilización inadecuada de información sensible y decisiones automatizadas sin trazabilidad.
Un modelo utilizado para análisis predictivo de crédito o recursos humanos puede funcionar adecuadamente durante las pruebas y presentar un sesgo sistemático una vez que llega a producción. Sin revisiones periódicas, esa desviación podría permanecer sin ser detectada durante meses.
Para responder a estos riesgos, la estructura de gobernanza planteada por Stefanini Group se apoya en cuatro elementos. La trazabilidad permite registrar las decisiones tomadas por la inteligencia artificial y mantenerlas disponibles para auditoría. La privacidad exige cumplir las normas aplicables en cada jurisdicción, como la LGPD en Brasil o el GDPR cuando corresponda, además de las políticas internas relacionadas con datos personales y sensibles.
El control de acceso establece quién está autorizado para configurar, entrenar o modificar modelos en producción. A esto se suma la revisión periódica del desempeño, necesaria para identificar desviaciones y sesgos a lo largo del tiempo.
La integración tecnológica constituye el cuarto aprendizaje. Una inteligencia artificial aislada puede terminar aumentando el trabajo si no tiene acceso a los datos necesarios, si sus recomendaciones no activan automatizaciones o si sus resultados no llegan mediante una interfaz al usuario correspondiente.
El problema puede aparecer, por ejemplo, cuando una empresa utiliza inteligencia artificial para clasificar leads, pero obliga a un empleado a copiar manualmente esa información en el CRM. En ese escenario, la tarea no desaparece: simplemente cambia de lugar.
El diseño de un ecosistema integrado parte de identificar los sistemas de origen de los datos que utilizará el modelo. Después deben definirse las interfaces de salida, establecer quién utilizará los resultados y automatizar el intercambio con los sistemas relacionados. También es necesario vigilar la calidad de los datos de entrada, porque su deterioro puede afectar progresivamente las respuestas del modelo.
El quinto punto consiste en determinar cómo se medirá el éxito antes de poner en marcha una iniciativa. El cálculo del ROI requiere una línea de base y métricas acordadas previamente; de lo contrario, cada área puede evaluar los resultados desde una perspectiva diferente.
Limitar la medición a la cantidad de personas que utilizan una herramienta o al número de consultas realizadas es uno de los errores señalados por Stefanini Group. Esos indicadores muestran adopción, pero no necesariamente impacto empresarial.
En proyectos de automatización financiera puede ocurrir que el área de tecnología considere exitoso un proyecto por su nivel de adopción mientras el área de negocio continúe cuestionando su valor. La diferencia surge cuando las métricas no fueron establecidas desde el comienzo.
Tres dimensiones permiten evaluar el retorno. La primera es la eficiencia operativa, mediante variables como el tiempo necesario para ejecutar tareas, la tasa de errores y la disminución del proceso. La segunda corresponde al impacto financiero directo, que puede observarse en el incremento de ingresos en procesos de ventas o retención y en la reducción de costos asociados con operaciones automatizadas. La tercera es la calidad de las decisiones, que incluye indicadores como satisfacción del cliente mediante NPS o CSAT, precisión de las previsiones y velocidad de respuesta ante incidentes.
Stefanini Group es una consultora tech global que utiliza inteligencia artificial y desarrolla soluciones a medida para acompañar a sus clientes en su transformación digital. La compañía está presente en 46 países, cuenta con 23 delivery centers en cinco continentes y tiene más de 35 mil colaboradores en todo el mundo.
Su operación está organizada en siete unidades de negocio: Technology, Cyber, Data & Analytics, Financial Tech, Operations, Marketing y Manufacturing. La compañía también cuenta con diversas plataformas propietarias de inteligencia artificial, agrupadas principalmente en la suite SAI (Stefanini Artificial Intelligence), con la que combina datos, automatización e IA para impulsar procesos de transformación de punta a punta.
Stefanini Group también es referente académico a partir del caso “Creando una estrategia de ecosistema en la era de la IA”, desarrollado por INSEAD y estudiado en escuelas de negocios a nivel global.
