Cinco aprendizajes para liderar IA en empresas

La adopción de la inteligencia artificial (IA) es hoy una prioridad operativa en las organizaciones. Sin embargo, al estructurar sus estrategias, la mayoría descubrió que los verdaderos desafíos no son técnicos, sino organizativos, culturales y estratégicos.

Adicionalmente, la IA dejó de ser una fase de pruebas aisladas para convertirse en un motor de ingresos, eficiencia y experiencia del cliente. Esto ocurre cuando se integra directamente en los procesos críticos del negocio.

Según el informe Superagency in the Workplace de McKinsey (2025), el 92% de las empresas globales aumentará su inversión en IA en los próximos tres años. Sin embargo, solo el 1% ha alcanzado un nivel de madurez que genera resultados tangibles e integrados.

Desde el lanzamiento de ChatGPT en 2022, las corporaciones globales aceleraron iniciativas que antes tomaban años. Por ejemplo, en Brasil, impulsado por la Estrategia Brasileña de Inteligencia Artificial (EBIA), el uso de IA en la industria saltó del 16,9% en 2022 al 41,9% en 2024 (IBGE).

Ante este panorama, desde Stefanini Group compartimos cinco aprendizajes clave de nuestra propia transformación:

Lección 1: Comenzar por el problema, no por la herramienta

Para aplicar inteligencia artificial con éxito en una empresa, el punto de partida debe ser siempre un problema operativo o una oportunidad estratégica concreta, y no la tecnología en sí. Definir con claridad el caso de uso antes de elegir la herramienta evita adopciones impulsivas y garantiza que la solución sea internamente defendible y alineada con los objetivos del negocio.

Mapear detalladamente el proceso a mejorar —evaluando su volumen, costos, frecuencia y errores— permite a los equipos obtener resultados medibles con mayor rapidez. En lugar de experimentar con herramientas al azar, entender el flujo de trabajo real es lo que determina qué tipo de IA se necesita y cómo aportará un valor tangible.

Para estructurar este diagnóstico inicial, tres criterios ayudan a priorizar los casos de uso con mayor potencial de retorno:

1 – Volumen y frecuencia: los procesos que ocurren diariamente e involucran una gran cantidad de datos tienen un ROI más rápido.

2 – Criticidad y riesgo: las áreas donde el error humano tiene un alto costo financiero o reputacional ganan prioridad.

3 – Disponibilidad de datos: sin un historial de calidad, ningún modelo de inteligencia artificial funciona bien; es importante verificar este aspecto antes de comenzar.

Lección 2: La cultura cambia más lento de lo que avanza el proyecto

La inteligencia artificial en el día a día corporativo transforma procesos y comportamientos. El mayor impacto cultural que observamos fue el cambio en la relación de las personas con el error y con la velocidad de decisión, donde los equipos que trabajan con inteligencia artificial desarrollan una mayor tolerancia para iterar rápido y ajustar el curso.

En proyectos de automatización de atención al cliente, por ejemplo, es común que los primeros meses generen resistencia en los equipos que operaban el proceso manualmente.

El cambio ocurre cuando el liderazgo comienza a usar los datos generados por la inteligencia artificial en las reuniones de resultados como una herramienta de decisión compartida.

Tres movimientos ayudan a construir una cultura organizacional compatible con la inteligencia artificial para negocios:

1 – Transparencia sobre el papel de la inteligencia artificial: comunicar claramente qué hace la inteligencia artificial, dónde decide ella y dónde el humano permanece al mando reduce la resistencia y aumenta la confianza. La ambigüedad genera miedo; la claridad genera compromiso.

2 – Capacitación continua y contextualizada: el 48% de los colaboradores indica que la capacitación es el factor más importante para la adopción de la inteligencia artificial, pero casi la mitad afirma haber recibido una capacitación mínima o nula, según McKinsey. Invertir en programas aplicados al contexto del negocio marca la diferencia.

3 – El liderazgo como modelo de uso: cuando los gerentes usan la inteligencia artificial en sus propias rutinas y comparten los resultados con el equipo, el comportamiento se propaga naturalmente. El liderazgo que solo habla de inteligencia artificial, pero no la práctica, enfrenta una resistencia silenciosa.

Lección 3: ¿Cómo mantener la gobernanza al escalar la inteligencia artificial para negocios?

Mantener la gobernanza al escalar la inteligencia artificial para negocios exige crear estructuras de control antes de ampliar el alcance. La gobernanza no es burocracia; es lo que diferencia un piloto funcional de una implementación sostenible.

Cuando se expande el uso de la inteligencia artificial a múltiples áreas, surgen riesgos que en entornos controlados permanecen invisibles, como sesgos en los modelos, uso inadecuado de datos sensibles o decisiones automatizadas sin trazabilidad.

En proyectos de análisis predictivo para crédito o RR. HH., por ejemplo, los modelos que funcionan bien en un entorno de prueba pueden presentar un sesgo sistemático en producción. Sin un proceso de revisión periódica, esto podría pasar meses sin ser identificado.

Cuatro pilares de gobernanza que Stefanini Group estructura en su trayectoria:

Trazabilidad: registro de decisiones tomadas por la inteligencia artificial, con auditoría disponible en cualquier momento.

Privacidad de datos: cumplimiento de la normativa de protección de datos aplicable en cada jurisdicción, como la LGPD en Brasil o el GDPR cuando corresponda, así como de las políticas internas sobre el uso de datos personales y sensibles.

Control de acceso: definición de quién puede configurar, entrenar y alterar los modelos en producción.

Revisión periódica: evaluación continua del rendimiento de los modelos para detectar desviaciones y sesgos a lo largo del tiempo.

Lección 4: la inteligencia artificial aislada crea más trabajo

Las soluciones de inteligencia artificial aisladas fracasan porque necesitan integrarse con los datos y sistemas clave de la empresa (como el ERP o el CRM), además de contar con automatizaciones e interfaces adecuadas. Implementar un modelo sin estas conexiones genera mayor carga operativa en lugar de eficiencia, desplazando el problema en vez de resolverlo.

Un ejemplo de esto ocurre cuando una empresa automatiza la clasificación de prospectos, pero requiere que una persona copie manualmente la información al CRM. Para que la IA aporte un valor real, debe estar conectada directamente a los flujos de trabajo de los usuarios, logrando que los resultados se ejecuten sin fricción.

Para construir un ecosistema integrado, la secuencia que funciona en la práctica es:

1 – Mapear los sistemas de origen de los datos que el modelo va a consumir.

2 – Definir las interfaces de salida: dónde se consumirá el resultado de la inteligencia artificial y por quién.

3 – Automatizar el flujo entre el modelo y los sistemas adyacentes, eliminando etapas manuales de transferencia.

4 – Monitorear la calidad de los datos de entrada, ya que su degradación contamina la salida del modelo con el tiempo.

Lección 5: Definir qué es el éxito antes de comenzar

Medir el ROI del uso de la inteligencia artificial comienza por definir, antes del lanzamiento, qué indicadores demostrarán el éxito. Sin una línea de base y sin métricas acordadas, la evaluación se vuelve subjetiva y vulnerable a disputas internas.

El error más común es medir solo la adopción de la herramienta (cuántas personas la usan, cuántas consultas se realizaron) y no el impacto en el negocio. La adopción es una condición necesaria, pero no suficiente.

En proyectos de automatización de procesos financieros, es común que el equipo de tecnología celebre la adopción mientras el área de negocio aún cuestiona el valor.

Esto sucede porque las métricas no fueron acordadas al inicio y cada lado comenzó a mirar indicadores diferentes.

Las métricas que efectivamente demuestran el retorno de la inteligencia artificial siguen tres dimensiones principales:

1 – Eficiencia operativa: reducción en el tiempo de ejecución de tareas, caída en la tasa de error y disminución del proceso.

2 – Impacto financiero directo: aumento de ingresos en procesos de ventas o retención, y reducción de costos en operaciones automatizadas.

3 –Calidad de decisión: mejora en indicadores como la satisfacción del cliente (NPS/CSAT), precisión de las previsiones y velocidad de respuesta a incidentes.