En América Latina, millones de personas ya usan IA generativa, pero pocas empresas la han incorporado a sus procesos. Las estadísticas oficiales y la literatura académica coinciden en una explicación: el cuello de botella no está en el acceso a la herramienta, sino en la falta de datos, procesos y habilidades que permitan aprovecharla.
Palabras clave: inteligencia artificial; adopción tecnológica; pymes; América Latina; capacidad de absorción; productividad.
Personas sí, empresas todavía no
Según el Microsoft AI Economy Institute (2026), un informe comercial basado en telemetría propia, en el primer trimestre de 2026 usaba IA el 24,5 % de la población en edad de trabajar en Colombia, el 20,1 % en México y el 19,1 % en Brasil. Las empresas van más despacio:
| Fuente | Dato | Población medida |
|---|---|---|
| ILIA 2026 (región) | 6,8 % de pequeñas, 12,8 % de medianas y 27,6 % de grandes empresas usan IA | Agregado regional |
| ILIA 2026 (comparación) | 24 %, 41 % y 66 % | Alemania, España, Estonia, Portugal, Singapur |
| Brasil, TIC Empresas | 17 % en 2025 (13 % en 2024) | Empresas con más de 10 ocupados |
| Colombia, BID | 6,1 % de las manufactureras (2019-2020) | Manufactura con 10 o más empleados |
Fuentes: CENIA y CEPAL (2026); NIC.br (2026); Herrera Giraldo et al. (2024).
Estas cifras no se pueden ordenar en un ranking: cambian el tamaño de empresa, el sector, la pregunta y el año. Aun así, muestran dos patrones. La adopción crece con el tamaño en todas las fuentes, y la distancia entre pequeñas y grandes es mayor en la región (cuatro veces) que en los países de comparación (menos de tres). Además, en Brasil el 80 % de las empresas que usan IA recurre a soluciones listas para usar (NIC.br, 2026): la adopción es sobre todo de herramientas estándar, no de desarrollos propios.
Por qué la herramienta no basta
La teoría de la capacidad de absorción (Cohen & Levinthal, 1990) explica que una empresa solo aprovecha un conocimiento externo si ya tiene una base previa. Aplicado a la IA, una herramienta disponible para todos genera valor desigual según lo que cada empresa sabe hacer con sus datos.
La evidencia regional lo confirma. En Colombia, la adopción se asocia al tamaño, la proporción de profesionales universitarios, la calidad de la gestión y la presencia digital (Herrera Giraldo et al., 2024). En Brasil, pesan la infraestructura digital previa y la digitalización del entorno (Katz & Jung, 2026).
Las condiciones de partida tampoco ayudan. La OIT y el Banco Mundial estiman que cerca de la mitad del empleo latinoamericano que podría beneficiarse de la IA generativa, unos 17 millones de puestos, carece del acceso digital necesario (Gmyrek et al., 2024). Y la región recibe solo el 1,12 % de la inversión global en IA, aunque genera el 6,6 % del PIB mundial (Soto et al., 2026).
El beneficio individual no llega solo a la empresa
Los experimentos muestran ganancias rápidas para el trabajador: ChatGPT redujo un 40 % el tiempo de las tareas de escritura (Noy & Zhang, 2023), y un asistente de IA aumentó un 14 % la productividad de agentes de atención al cliente, hasta un 34 % entre los menos experimentados (Brynjolfsson et al., 2025). Pero cuando la IA entra por iniciativa individual, la mejora se queda en tareas sueltas.
La curva J de la productividad (Brynjolfsson et al., 2021) añade otra pieza: la IA exige inversiones complementarias en procesos, datos y formación, y los resultados tardan en aparecer. Es coherente con que, en la manufactura colombiana, la adopción de IA no mostrara todavía un efecto significativo en las ventas (Herrera Giraldo et al., 2024).
Aplicaciones para pymes
- Digitalizar antes de automatizar: CRM, catálogo y canales conversacionales integrados son la base de cualquier agente de IA.
- Convertir el uso individual en proceso: documentar las tareas donde el equipo ya usa IA y estandarizar herramientas y criterios.
- Empezar por soluciones estándar bien configuradas, antes que desarrollos propios.
- Medir indicadores intermedios (tiempo de respuesta, errores, calidad de datos) y no solo ventas en los primeros meses.
Para RCKT, la implicación es que el diagnóstico de madurez digital debe ir antes de cualquier propuesta de IA.
Caso simulado (no representa a ninguna empresa real): una distribuidora de Bogotá con 25 empleados quiere un agente que responda pedidos por WhatsApp, pero sus precios están en una hoja que actualiza una sola persona. Primero centraliza catálogo, precios y clientes; después estandariza plantillas de cotización con IA; y solo entonces activa un asistente con escalamiento a una persona.
Limitaciones
Las cifras del ILIA 2026, publicado el 20 de octubre, se verificaron en el comunicado oficial y en la web del índice, no en el informe completo. El dato colombiano es anterior a la IA generativa. Comparar el uso de personas con la adopción de empresas es un indicio, no una medida exacta de la brecha.
Conclusión
La adopción de IA en la empresa latinoamericana está frenada por una distancia concreta entre la intención y la capacidad: millones de personas ya usan estas herramientas, pero la mayoría de las pymes de la región carece de la base de datos, procesos y habilidades que convierte ese uso individual en resultados de negocio. La estrategia más rentable no es perseguir la IA más avanzada, sino construir primero esa base digital que permite aprovecharla.
Referencias
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942.
Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372.
Centro Nacional de Inteligencia Artificial & CEPAL. (2026). Índice Latinoamericano de Inteligencia Artificial (ILIA) 2026 (4.ª ed.).
Cohen, W. M., & Levinthal, D. A. (1990). Absorptive capacity: A new perspective on learning and innovation. Administrative Science Quarterly, 35(1), 128–152.
Gmyrek, P., Winkler, H., & Garganta, S. (2024). Buffer or bottleneck? Employment exposure to generative AI and the digital divide in Latin America (ILO Working Paper 121). OIT y Banco Mundial.
Herrera Giraldo, M. F., Gallego, J. M., Gutiérrez, L. H., Vargas, F., & Pereira, M. (2024). La difusión de la inteligencia artificial en una economía emergente: evidencia a nivel de la empresa en Colombia (IDB-TN-03067). BID.
Katz, R., & Jung, J. (2026). What drives artificial intelligence adoption and use among firms? Empirical evidence from Brazilian companies. Digital Policy, Regulation and Governance, 28(5), 506–525.
Microsoft AI Economy Institute. (2026). Global AI diffusion Q1 2026: Trends and insights.
Núcleo de Informação e Coordenação do Ponto BR. (2026). TIC Empresas 2025: resumo executivo. CGI.br.
Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.
Soto, Á., Durán, R., Moreno, A., Adasme, S., Rovira, S., Jordán, V., & Poveda, L. (Coords.). (2026). ILIA 2025. Hallazgos principales, IA aplicada y talento humano (LC/TS.2026/1). CEPAL y CENIA.
