Existe una paradoja interesante en el panorama de la inteligencia artificial en América Latina. La región tiene interés, tiene demografía a su favor, tiene casos de uso claros y tiene — en muchos sectores — una necesidad urgente de mejorar productividad. Y sin embargo, la adopción real de IA en procesos de negocio críticos avanza con más lentitud de la que justifican esas condiciones.
¿Por qué? Esa es la pregunta que vale la pena responder con honestidad.
La tasa de adopción de IA en empresas latinoamericanas es del 37%, frente al 42% del promedio global. La diferencia no es dramática en términos porcentuales, pero lo que no captura ese número es la calidad de la adopción.
El ILIA 2025 lo resume bien: los niveles de alfabetización en IA en la región casi duplican a los de formación profesional, y cuadruplican al talento especializado de frontera. Hay mucha gente que sabe usar herramientas de IA para tareas cotidianas. Hay poca que tenga la capacidad técnica para integrarlas en sistemas de producción o diseñar arquitecturas de datos adecuadas. Esa diferencia — entre uso casual y capacidad de integración — es la brecha más importante, y la que menos se menciona.
La inversión: América Latina recibe el 1.12% de la inversión global en IA, cuando representa el 6.6% del PIB mundial (CEPAL, 2025). Esa subinversión tiene consecuencias directas: menos infraestructura de cómputo disponible localmente, menos capital para proyectos de IA y un ecosistema de proveedores que todavía no tiene la escala del Norte Global.
El talento: Desde 2022, la brecha de talento especializado en IA entre América Latina y el promedio mundial ha ido creciendo, no disminuyendo (ILIA 2025). Los profesionales más formados tienen opciones laborales globales que la región frecuentemente no puede igualar. La OIT y el Banco Mundial estiman que 17 millones de empleos en LATAM con potencial de mejora por IA están frenados precisamente por estas brechas de infraestructura y talento.
La infraestructura de datos: La mayoría de las empresas medianas no tiene una arquitectura de datos que soporte iniciativas de IA a escala. Los datos están fragmentados en sistemas distintos, sin catalogación y sin procesos de calidad establecidos. Antes de hablar de machine learning hay que hablar de data governance, y esa conversación es mucho menos glamorosa pero igual de necesaria.
Gartner tiene un nombre para el problema más frecuente en empresas que sí tienen recursos: el AI Pilot Purgatory. Proyectos que demuestran valor en un entorno controlado pero que nunca escalan, porque la organización no tiene la infraestructura interna — técnica, de datos, cultural y de gobierno — para sostenerlos en producción.
Entre el 70% y el 85% de las iniciativas de IA no alcanzan los resultados esperados (Gartner). Y en la región, donde esa infraestructura de soporte es menos madura, el porcentaje es probablemente más alto. Las razones más comunes: proyectos sin KPIs de negocio definidos, datos de peor calidad de la asumida, sistemas existentes que no están preparados para integrarse con soluciones de IA, y cambio cultural que toma más tiempo del estimado.
La brecha tecnológica en IA en América Latina tiene dos dimensiones que frecuentemente se confunden. La primera es la brecha entre la región y los mercados más avanzados — real en términos de inversión, talento e infraestructura, y que requiere decisiones de política pública y tiempo para cerrar.
La segunda es la brecha dentro de la propia región — entre las empresas líderes que ya están integrando IA efectivamente y el resto en modo exploración. Esta segunda brecha es la que más directamente afecta la competitividad individual, y también la que más pueden hacer por cerrar con las decisiones correctas. Las empresas del lado correcto no necesariamente tienen más recursos. Tienen más claridad estratégica, mejores fundamentos de datos y una cultura organizacional que trata a la IA como una capacidad de negocio, no como un experimento de tecnología.
Inventario honesto de datos: Antes de pensar en herramientas, vale la pena entender qué datos tiene la organización, dónde están, qué calidad tienen. Ese diagnóstico revela más sobre la preparación real que cualquier evaluación de herramientas.
Foco en dos o tres casos de uso concretos: No intentar cubrir todo al mismo tiempo. La dispersión es uno de los factores más comunes en proyectos que no logran escalar.
Medir desde el inicio: Definir qué métricas de negocio se van a usar para evaluar el impacto. Sin eso, es imposible saber si el proyecto está generando valor o simplemente generando actividad.
La brecha existe. También existe la posibilidad de reducirla. La diferencia entre las organizaciones que la cierran y las que no suele estar más en las decisiones que toman que en los recursos que tienen.
Fuentes: CEPAL / CENIA (ILIA 2025), Gartner, OIT / Banco Mundial 2024, Microsoft LATAM, McKinsey Global Institute, IDC.
—
Andrés Lozada
Executive Director, SUMāTO Group · Cloud · Infrastructure · Cybersecurity · Digital Transformation
linkedin.com/in/andreslozada/