¿La Inteligencia Artificial te está costando más de lo que aporta? La brecha del 75% que frena a las PYMES (y cómo cerrarla)

Parte 1: El Paradojo de la IA: Altas Expectativas, Duras Realidades en Centroamérica

Introducción: La Promesa vs. El Dolor

Para un líder de negocio, el escenario es alarmantemente familiar. Se realiza una inversión significativa en una nueva y brillante herramienta de inteligencia artificial (IA), se presenta al equipo con grandes expectativas, pero meses después, los resultados no llegan. La herramienta acumula polvo digital, el equipo vuelve a sus viejos métodos y la inversión se convierte en una costosa lección sobre la diferencia entre la promesa tecnológica y la realidad operativa. Este no es un fracaso aislado; es una epidemia silenciosa en el mundo empresarial.

El problema fundamental no reside en la tecnología de IA en sí misma, cuyo potencial es innegable. La falla se encuentra en la estrategia de implementación, o más precisamente, en la ausencia de ella. Existe una brecha abismal entre el potencial de la IA para generar valor y el retorno de inversión (ROI) que las empresas realmente obtienen. Esta brecha es el desafío más crítico que enfrentan los líderes empresariales en la actualidad, y cerrarla es el imperativo estratégico de esta década.

Cuantificando la Gran Desconexión: La Brecha de Valor del 75%

La desconexión entre la ambición y la ejecución en el campo de la IA es vasta y está respaldada por datos contundentes de las principales firmas de consultoría global. Mientras que un abrumador 85% de los ejecutivos cree que la IA permitirá a sus empresas obtener o mantener una ventaja competitiva, la cruda realidad es que la mayoría no logra materializar esta creencia en resultados financieros (Buhr et al., 2017).

Un informe de referencia de Boston Consulting Group (BCG) revela una estadística aleccionadora: el 74% de las empresas lucha por ver retornos tangibles de sus inversiones en inteligencia artificial, a pesar de los significativos desembolsos y los numerosos programas piloto. Solo un 26% ha desarrollado las capacidades necesarias para moverse más allá de las etapas experimentales y comenzar a extraer valor real (Collins et al., 2021). Esto crea una "brecha de valor" masiva, donde tres de cada cuatro dólares invertidos en IA se evaporan sin generar un impacto medible.

Esta situación se ve agravada por lo que McKinsey & Company denomina el "paradojo de la IA generativa". Su investigación muestra que, aunque casi el 80% de las empresas ha implementado alguna forma de IA generativa, un porcentaje similar no reporta ningún impacto material en sus ganancias (McKinsey & Company, 2024). El problema, por lo tanto, no es la falta de adopción. Las empresas están probando, experimentando e invirtiendo. El fracaso radica en la incapacidad de convertir esa actividad en valor económico tangible.

Este análisis cambia fundamentalmente la pregunta que los líderes deben hacerse. La cuestión ya no es "¿Deberíamos usar IA?", sino "¿Cómo extraemos valor de la IA que ya estamos usando o planeamos usar?". El desafío ha evolucionado de ser puramente tecnológico a ser profundamente estratégico. El mercado está inundado de "soluciones de IA", pero está desesperadamente hambriento de "estrategia de IA". Los líderes están comprando herramientas, pero no están construyendo las capacidades organizacionales necesarias para que esas herramientas prosperen.

El Campo de Batalla Centroamericano: Altos Riesgos y una Oportunidad Única

Para las Pequeñas y Medianas Empresas (PYMES) en Centroamérica, este panorama global se manifiesta en un contexto de desafíos y oportunidades únicos. La región enfrenta obstáculos estructurales bien documentados, que incluyen brechas de infraestructura, desigualdad económica y un déficit de inversión significativo. En 2024, mientras la inversión global en IA alcanzaba los $190 mil millones (Marr, 2024), América Latina en su conjunto solo capturó $8.2 mil millones (Statista, 2024). Además, la conectividad sigue siendo un problema; el Banco Mundial señala que casi 17 millones de empleos en la región que podrían beneficiarse de la IA enfrentan barreras debido a la falta de infraestructura tecnológica adecuada (Raimondi et al., 2024).

Sin embargo, yuxtapuesto a estos desafíos, el potencial de recompensa es monumental. Un análisis de McKinsey proyecta que la IA generativa podría añadir entre $20 mil millones y $30 mil millones anuales a la economía de Centroamérica para el año 2030 (Cornejo et al., 2024). El Banco Mundial estima que en un país como El Salvador, el 13% de los empleos ya podría estar beneficiándose de aumentos de productividad gracias a esta tecnología (Raimondi et al., 2024).

Esta oportunidad no es teórica. Ya existen ejemplos tangibles de éxito en la región. Autofácil, la división de créditos automotrices del Grupo Poma en El Salvador, ha implementado un chatbot con IA para gestionar consultas iniciales y precalificar prospectos, permitiendo que sus agentes humanos se concentren únicamente en negociaciones con alta probabilidad de cierre (Revista E&N, 2023). En Panamá, la aerolínea Copa Airlines colabora con Microsoft para aplicar IA en la optimización de sus operaciones, un factor clave para mantener la eficiencia y la puntualidad en un negocio de márgenes estrechos (Microsoft, 2023). Estos casos demuestran que la IA no es un lujo para las multinacionales, sino una herramienta práctica que los pares regionales están utilizando para obtener una ventaja competitiva hoy.

Aquí emerge una perspectiva crucial para los líderes centroamericanos. La tasa de adopción de IA en América Latina, que se sitúa en un 40%, está por detrás de otras regiones como India (59%) o Singapur (53%) (Leal, 2024). A primera vista, esto podría parecer una desventaja. Sin embargo, este aparente "retraso en la adopción" puede ser, de hecho, una ventaja estratégica formidable. Significa que las PYMES de la región no tienen que repetir los costosos errores cometidos por los primeros adoptantes en mercados más maduros. Pueden aprender de la brecha de valor del 75% que afectó a otros y saltarse la fase de "experimentación en los márgenes" que, según BCG, caracteriza a la mayoría de las empresas que fracasan (Collins et al., 2021).

El mensaje para un líder en Centroamérica es poderoso: la cautela ha sido una estrategia sabia. Ahora, armado con los marcos correctos, puede invertir de manera más inteligente, evitar los escollos comunes y lograr un ROI positivo más rápidamente que aquellos que se apresuraron a adoptar la tecnología sin una estrategia clara. Esto posiciona a las academias como AprendoConIngenio no solo como educadores, sino como guías estratégicos para capitalizar una ventaja de "segundo movimiento" bien informada.

Parte 2: Deconstruyendo el Fracaso: Los Tres Errores Fundamentales en la Implementación de IA

La brecha de valor del 75% no es producto del azar. Es el resultado directo de un conjunto de errores estratégicos predecibles y repetibles. Al comprender estos tres errores fundamentales, los líderes pueden pasar de ser víctimas de la estadística a arquitectos del éxito.

Error 1: Estrategia al Final, Tecnología al Principio (El Síndrome del "Objeto Brillante")

El error más común y costoso en la implementación de IA es el "síndrome del objeto brillante". Ocurre cuando los líderes se enamoran de una tecnología específica —un CRM con IA de última generación, una plataforma de IA generativa de moda, un sistema de análisis predictivo— sin haber definido primero un problema de negocio crítico y medible que dicha tecnología resolverá. Se compra la solución antes de entender completamente el problema.

La cura para este síndrome proviene de uno de los visionarios más respetados del mundo de la IA, Andrew Ng, fundador de Coursera y DeepLearning.AI. Su regla de oro es simple pero profunda: "Si quieres construir una organización impulsada por la IA, no empieces con la IA. Empieza con el problema de negocio" (citado en Rebelo, 2023). Este principio obliga a anclar cada inversión tecnológica en un resultado empresarial tangible.

La investigación de BCG proporciona evidencia empírica contundente que respalda la filosofía de Ng. Su análisis muestra que las empresas líderes en IA, aquellas que sí obtienen beneficios significativos, son notablemente más enfocadas. Los líderes persiguen, en promedio, solo la mitad de oportunidades de IA (3.5 casos de uso) en comparación con sus pares menos avanzados (6.1 casos de uso) (Collins et al., 2021). No están haciendo más; están haciendo menos, pero de manera más estratégica y profunda.

Además, este enfoque se refleja en la asignación de capital. Los líderes destinan más del 80% de sus inversiones en IA a remodelar funciones clave y a inventar nuevas ofertas, en lugar de dispersar recursos en pequeñas mejoras de productividad. Se concentran en los procesos de negocio centrales, donde reside el 62% del valor potencial de la IA (Collins et al., 2021).

La implicación de estos datos es clara: el costo de la dilución es inmenso. Existe una correlación inversa directa entre el número de proyectos de IA que una empresa intenta abordar simultáneamente y el ROI que finalmente logra. Intentar hacer demasiado a la vez diluye el capital, el enfoque de la gestión y la atención del liderazgo. Esto conduce a una cartera de proyectos piloto subfinanciados y sin apoyo que nunca alcanzan la escala necesaria, un fenómeno que McKinsey ha denominado "el purgatorio de los pilotos" (Bughin et al., 2019). Para una PYME, cuyos recursos ya son limitados por definición, esta lección es vital. El camino hacia el éxito no es un enfoque amplio y superficial, sino uno estrecho y profundo. La primera y más importante decisión estratégica no es qué hacer, sino qué no hacer.

Para aplicar este pensamiento de manera práctica, los líderes pueden utilizar una herramienta sencilla pero poderosa para guiar a sus equipos.

Esta matriz combate directamente el síndrome del objeto brillante al forzar un enfoque de "problema primero", como lo defiende Andrew Ng. Operacionaliza los hallazgos de BCG al proporcionar un mecanismo para centrarse en unas pocas iniciativas de alto impacto. Y, fundamentalmente, sienta las bases para evitar el Error 3 al definir KPIs claros desde el principio, asegurando que el ROI no sea una ocurrencia tardía, sino el objetivo central del proyecto.

Error 2: Ignorar el Factor Humano (Implementar en el Vacío)

El segundo error capital ocurre cuando se implementa una herramienta de IA tecnológicamente impecable, pero se ignora por completo a las personas que deben usarla. Meses después de un lanzamiento exitoso desde el punto de vista técnico, el equipo ha vuelto a sus hojas de cálculo y procesos manuales. La tecnología es perfecta, pero la adopción es nula. El proyecto fracasa no por un fallo del código, sino por un fallo en la gestión del cambio.

Los líderes a menudo caen en un punto ciego común: subestiman la disposición de su equipo para el cambio, asumiendo una resistencia innata y un miedo generalizado a la IA. Sin embargo, los datos pintan un cuadro muy diferente y mucho más optimista. La encuesta global "Hopes and Fears" de PwC de 2024, que consultó a más de 56,000 trabajadores, revela que, si bien los empleados están estresados por el ritmo del cambio, una abrumadora mayoría se siente preparada para adaptarse a nuevas formas de trabajar y está ansiosa por aprender nuevas habilidades (PwC, 2024).

Específicamente en relación con la IA, el 65% de los empleados cree que la IA generativa aumentará su eficiencia, y un 76% cree que mejorará la calidad de su trabajo. No son adversarios de la tecnología; son potenciales aliados esperando ser activados (PwC, 2024).

Entonces, ¿dónde reside la desconexión? El mismo estudio de PwC revela el problema central: el 44% de los trabajadores "no entiende por qué las cosas tienen que cambiar" (PwC, 2024). Esto no es terquedad, sino un déficit de comunicación por parte del liderazgo. La resistencia no es a la IA en sí misma, sino al cambio mal gestionado y sin un propósito claro. Cuando la razón detrás de la implementación de una nueva herramienta es opaca, el cambio se percibe como arbitrario, disruptivo y amenazante. Por el contrario, cuando el propósito es transparente y centrado en el empleado —por ejemplo, "esta herramienta eliminará las tres horas de trabajo manual y repetitivo que odias hacer cada viernes"—, el entusiasmo reemplaza al miedo.

El éxito de un proyecto de IA, por lo tanto, depende menos del cronograma del director de proyecto y más de la capacidad del líder para articular una narrativa convincente sobre cómo esta tecnología mejora el trabajo para las personas que lo realizan.

La solución es una estrategia de adopción centrada en las personas:

• Involucrar al equipo desde el día cero: En lugar de imponer una solución, se debe co-crear. La pregunta más poderosa que un líder puede hacer es: "¿Qué tareas repetitivas y frustrantes te impiden hacer un trabajo de mayor valor?". Esto no solo identifica los mejores casos de uso, sino que también genera un sentido de propiedad desde el principio.

• Enfocar la capacitación en el "porqué": La capacitación no debe limitarse a enseñar "dónde hacer clic". La investigación de BCG muestra que el uso regular de la IA es significativamente mayor entre los empleados que reciben al menos cinco horas de formación, especialmente con entrenamiento presencial y coaching (Athes, 2024). Esta formación debe centrarse en el "porqué": cómo la herramienta facilita el trabajo, mejora los resultados y hace que sus habilidades sean más valiosas en el mercado.

• Aprovechar el motor de adopción más potente: el apoyo del liderazgo. El mismo estudio de BCG encontró que cuando los líderes demuestran un fuerte apoyo a la IA, la percepción positiva de los empleados hacia la tecnología se dispara del 15% al 55% (Athes, 2024). Los líderes deben ser los primeros y más entusiastas usuarios, integrando la herramienta en su propio flujo de trabajo diario de manera visible.

Para una PYME, que no puede permitirse un departamento de gestión del cambio a gran escala, la solución es adaptar los modelos de las grandes corporaciones a su realidad. Mientras las grandes empresas construyen enormes Centros de Excelencia (CoE) de IA, una PYME puede implementar un "Micro Centro de Excelencia", una estructura ágil y de bajo costo para gestionar el factor humano.

Este marco se compone de:

• Patrocinador Ejecutivo: Un líder de nivel C que defiende la visión de la IA, asegura los recursos y elimina los obstáculos organizacionales.

• Campeones de IA: Se identifican 2 o 3 empleados entusiastas de diferentes departamentos. No necesitan ser los más técnicos, sino los más abiertos al cambio y respetados por sus pares. Se convierten en los evangelizadores, el primer nivel de soporte y la voz del usuario final.

• Equipo Multifuncional: Un pequeño equipo virtual que incluye a los campeones, un representante de TI y el propietario del proceso de negocio que se está transformando.

• Mandato Claro: Este grupo es responsable de identificar y validar los casos de uso (conectando con la solución al Error 1), recopilar retroalimentación continua del equipo, comunicar las historias de éxito y organizar sesiones de formación prácticas y breves.

Este modelo de Micro CoE proporciona una forma estructurada y económica para que una PYME gestione eficazmente el 70% del desafío de la IA, que corresponde a las personas y los procesos, según la regla 10-20-70 de BCG (Athes, 2024). Crea un bucle de retroalimentación vital, asegurando que la estrategia de IA no se implemente en un vacío, sino que se nutra constantemente de las experiencias de quienes utilizan las herramientas.

Error 3: Esperar Magia, no Métricas (El Mito del ROI Instantáneo)

El tercer error fatal es tratar la IA como un interruptor de luz: se enciende y se espera que ilumine instantáneamente toda la organización con resultados transformadores. Cuando la magia no ocurre en el primer mes, la decepción se instala, el patrocinador ejecutivo pierde la fe y el proyecto se declara un fracaso, a menudo justo cuando estaba a punto de empezar a generar valor.

Esta expectativa se basa en un malentendido fundamental de lo que es la IA. Como destaca la MIT Sloan Management Review, la verdadera IA es inherentemente iterativa. No es un algoritmo estático que produce el mismo resultado cada vez. Es un motor de aprendizaje que se vuelve "mejor y más preciso a medida que recopila y analiza más datos" (Ransbotham et al., 2022). Su rendimiento no es un punto fijo, sino una curva ascendente.

Esto significa que la implementación de la IA no es un evento único, sino un ciclo continuo de Medir -> Ajustar -> Repetir. El resultado inicial de un modelo de IA no es el producto final; es la línea de base desde la cual comienza el verdadero trabajo de optimización.

La incapacidad para comprender esta naturaleza iterativa conduce directamente a una brecha de medición masiva. La investigación de BCG es alarmante: la mayoría de las empresas no rastrea los indicadores clave de rendimiento (KPIs) financieros de sus iniciativas de IA (Collins et al., 2021). Están invirtiendo a ciegas, sin la capacidad de demostrar valor, justificar la inversión continua o aprender de sus resultados.

Este es un diferenciador clave entre el éxito y el fracaso. Las empresas de alto rendimiento logran un ROI promedio del 13% en sus proyectos de IA, más del doble del promedio general del 5.9% (Collins et al., 2021). La razón principal de esta brecha de rendimiento es su enfoque metódico y disciplinado para rastrear y gestionar sus inversiones.

Aquí se revela un poderoso principio: para obtener un ROI, primero hay que medirlo. Las empresas que no miden el ROI, no lo obtienen. Sin métricas, no pueden identificar qué está funcionando para escalarlo y qué no está funcionando para corregirlo. No pueden "entrenar" al modelo de IA con retroalimentación para mejorar su precisión. No pueden construir un caso de negocio basado en datos para escalar un piloto exitoso a toda la organización. El acto de medir no es una función pasiva de reporte; es un ingrediente activo y esencial en el proceso de creación de valor.

Los líderes deben cambiar su mentalidad de "Esperemos a ver si obtenemos un ROI" a "Construyamos un sistema para impulsar un ROI". El enfoque se desplaza de la esperanza a la disciplina. Para ello, las PYMES necesitan una herramienta práctica que traduzca esta disciplina en acción.

Este cuadro de mando proporciona un marco concreto para evitar el error de "esperar magia", anclando el proyecto en resultados medibles como lo sugiere la investigación del MIT. Aborda directamente la "brecha de medición" identificada por BCG al proporcionar KPIs específicos y relevantes. Equilibra los beneficios tangibles (ROI Duro) con los intangibles (ROI Blando), ofreciendo una visión holística del impacto de la IA, una práctica recomendada en el cálculo del ROI. Y, lo más importante, es lo suficientemente simple como para que una PYME lo implemente en una hoja de cálculo, haciendo que la práctica de la medición metódica sea accesible y no solo una teoría para las grandes corporaciones.

Parte 3: El Manual del Líder: Un Marco para Convertir la Inversión en IA en Ventaja Competitiva

Superar los errores comunes es solo el primer paso. La verdadera maestría radica en pasar de una postura defensiva —evitar el fracaso— a una ofensiva: arquitectar el éxito de manera sistemática. Esta sección final sintetiza las soluciones presentadas en un marco de trabajo cohesivo y proactivo. No se trata solo de esquivar balas; se trata de construir una máquina de creación de valor. Este es el manual práctico que posiciona a los líderes y a sus organizaciones para ganar.

El Marco de los 3 Pilares para la Realización de Valor con IA

El éxito sostenible con la inteligencia artificial se basa en tres pilares interconectados que deben ser construidos y reforzados simultáneamente por el equipo de liderazgo.

Pilar 1: Estrategia Impulsada por el Propósito (El "Porqué")

Este pilar asegura que cada iniciativa de IA esté directamente vinculada a un problema de negocio crítico y medible. Es el antídoto contra la tecnología por la tecnología.

• Pasos Accionables:

  • Convocar al Equipo de Liderazgo: La estrategia de IA no puede ser delegada al departamento de TI. Debe ser propiedad del C-suite, ya que redefine procesos de negocio fundamentales.

  • Mapear la Cadena de Valor Central: Identificar los 3 a 5 procesos más críticos que impulsan los ingresos, la rentabilidad o la satisfacción del cliente.

  • Identificar la Fricción: ¿Dónde se está perdiendo la mayor cantidad de tiempo, dinero o buena voluntad del cliente? Utilizar la Matriz de Priorización (Tabla 1) para cuantificar y clasificar estos puntos de dolor de manera objetiva.

  • Definir un Único Proyecto Piloto de Alto Impacto: Comenzar con un problema claro donde el éxito sea medible y significativo. Esto se alinea con el principio de "enfoque sobre la dispersión" de BCG, que ha demostrado ser un rasgo distintivo de los líderes en IA (Collins et al., 2021).

Pilar 2: Adopción Centrada en las Personas (El "Quién")

Este pilar se enfoca en el aspecto humano del cambio, reconociendo que la mejor tecnología del mundo es inútil si nadie la usa. Se trata de convertir al equipo de un obstáculo potencial en el mayor activo del proyecto.

• Pasos Accionables:

  • Establecer el "Micro CoE": Nombrar al Patrocinador Ejecutivo e identificar a los Campeones de IA desde el primer día. Esto crea una estructura de propiedad y apoyo desde el inicio.

  • Comunicar el "WIIFM" (What's In It For Me? / ¿Qué gano yo con esto?): Enmarcar el proyecto de IA en torno a cómo empodera a los empleados, reduce el trabajo tedioso y construye nuevas habilidades valiosas. Esto aprovecha la visión clave de los datos de PwC: los empleados están listos para el cambio si entienden el propósito (PwC, 2024).

  • Invertir en Formación Real: Ir más allá de una simple demostración de software. Dedicar tiempo a sesiones prácticas y guiadas, enfocadas en la aplicación real, un método cuya eficacia ha sido probada por BCG (Athes, 2024).

  • Liderar con el Ejemplo: El equipo ejecutivo debe ser el usuario más activo y visible de las nuevas herramientas de IA. Su adopción envía un mensaje más poderoso que cualquier comunicado interno.

Pilar 3: Medición Enfocada en el Rendimiento (El "Cómo")

Este pilar establece la disciplina de la medición como el motor del ciclo de mejora continua. Transforma la esperanza de un buen ROI en un proceso gestionado para lograrlo.

• Pasos Accionables:

  • Construir el Cuadro de Mando de ROI (Tabla 2) Antes de Empezar: Definir las métricas de línea de base y los KPIs de éxito como parte integral del plan del proyecto, no como una evaluación posterior.

  • Implementar un Bucle de Retroalimentación: Programar reuniones de seguimiento semanales o quincenales con el Micro CoE y los grupos de usuarios para revisar el cuadro de mando.

  • Abrazar el Ciclo Iterativo: Utilizar los datos del cuadro de mando para tomar decisiones y realizar ajustes. ¿El modelo de IA comete errores? Reentrenarlo con mejores datos. ¿La adopción es baja? Revisar la comunicación y la formación. Esto pone en práctica el principio iterativo del MIT (Ransbotham et al., 2022).

  • Celebrar y Escalar: Una vez que el proyecto piloto demuestre un ROI claro y positivo en el cuadro de mando, usar estos datos para celebrar la victoria con toda la empresa. Este éxito tangible y cuantificado se convierte en el caso de negocio irrefutable para escalar la solución o para abordar la siguiente prioridad en la lista de la Matriz de Priorización.

Conclusión y Llamado a la Acción

La reflexión final del podcast original sigue siendo la verdad central: "La tecnología por sí sola no sustituye la estrategia. Pero una buena estrategia, potenciada con la inteligencia artificial correcta, puede transformar su empresa desde hoy". La diferencia entre el 74% de las empresas que fracasan en su intento de obtener valor de la IA y el 26% que tiene éxito no es la calidad de su tecnología, sino la claridad de su liderazgo y la solidez de su estrategia (Collins et al., 2021).

Para los líderes de Centroamérica, la región se encuentra en un momento crucial. La oportunidad de dar un salto cuántico en productividad y competitividad es real y alcanzable. Aquellos líderes que dominen este nuevo paradigma de transformación empresarial impulsada por la IA no solo sobrevivirán a la próxima década de disrupción; la dominarán.

El primer paso es la introspección estratégica. Se invita a los líderes a reflexionar sobre su propia organización: ¿Cuál es el principal proceso en su organización que, si se optimizara con IA, tendría el mayor impacto en su rentabilidad o satisfacción del cliente? Comparta su perspectiva en los comentarios.

Dominar este nuevo paradigma no es una opción; es el imperativo del liderazgo moderno. En AprendoConIngenio, equipamos a los líderes visionarios con los marcos estratégicos y las capacidades de gestión del cambio necesarias para cerrar la brecha de valor de la IA. Contáctenos para descubrir cómo nuestro programa de Educación Ejecutiva en Estrategia de IA puede convertir su inversión en su mayor ventaja competitiva.

Referencias

Athes, G. (2024, 25 de abril). How to make gen AI a people-first transformation. BCG. https://www.bcg.com/publications/2024/how-to-make-generative-ai-people-first-transformation

Bughin, J., Catlin, T., Hirt, M., & Willmott, P. (2019, 29 de octubre). A new look at the staying power of digital disruption. McKinsey & Company. https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/a-new-look-at-the-staying-power-of-digital-disruption

Buhr, D., Faltesek, D., Gerbert, P., Hecker, D., & Ransbotham, S. (2017). Reshaping business with artificial intelligence. MIT Sloan Management Review & Boston Consulting Group. https://sloanreview.mit.edu/projects/reshaping-business-with-artificial-intelligence/

Collins, C., D’Emidio, T., Jablonski, H., & Rahn, A. (2021, 21 de octubre). The new AI challenge: From the margins to the core. BCG. https://www.bcg.com/publications/2021/why-ai-is-stuck-in-the-margins

Cornejo, A., Gabilondo, L., Guerra, A., & Paternina, V. (2024, 5 de junio). Transforming Central America’s workforce and productivity with gen AI. McKinsey & Company. https://www.mckinsey.com/mgi/our-research/transforming-central-americas-workforce-and-productivity-with-gen-ai

Leal. (2024, 5 de enero). Artificial Intelligence in Latin American businesses: A comprehensive overview. Leal. https://www.leal.co/en-us/blog/artificial-intelligence-in-latin-american-businesses

Marr, B. (2024, 19 de febrero). The 10 biggest AI and tech trends that will transform 2024. Forbes. https://www.forbes.com/sites/bernardmarr/2024/02/19/the-10-biggest-ai-and-tech-trends-that-will-transform-2024/

McKinsey & Company. (2024, 2 de mayo). How generative AI can help—and hurt—your growth strategy. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/how-generative-ai-can-help-and-hurt-your-growth-strategy

Microsoft. (2023, 19 de julio). Copa Airlines amplía su alianza con Microsoft para potenciar sus operaciones con IA y una estrategia de datos. Microsoft News Center Latinoamérica. https://news.microsoft.com/es-xl/copa-airlines-amplia-su-alianza-con-microsoft-para-potenciar-sus-operaciones-con-ia-y-una-estrategia-de-datos/

PwC. (2024). 2024 Hopes and Fears Global Workforce Survey. https://www.pwc.com/gx/en/issues/workforce/hopes-and-fears.html

Raimondi, G., Santos, I., & Zárate, H. M. (2024, 4 de marzo). Can we work with generative artificial intelligence? Labor and skills in Latin America and the Caribbean. World Bank Blogs. https://blogs.worldbank.org/en/latinamerica/can-we-work-generative-artificial-intelligence-labor-and-skills-latin-america-and

Ransbotham, S., Kiron, D., & Candelon, F. (2022, 28 de junio). How intelligent is your AI? MIT Sloan Management Review. https://sloanreview.mit.edu/article/how-intelligent-is-your-ai/

Rebelo, P. (2023, 20 de septiembre). How to successfully implement AI in your company, according to Andrew Ng. The Official Microsoft Blog. https://blogs.microsoft.com/blog/2023/09/20/how-to-successfully-implement-ai-in-your-company-according-to-andrew-ng/

Revista E&N. (2023, 21 de septiembre). El CEO de Autofácil detalla los planes de la multilatina en la región. Estrategia y Negocios. https://www.estrategiaynegocios.net/empresas/el-ceo-de-autofacil-detalla-los-planes-de-la-multilatina-en-la-region-AD16488737

Statista. (2024). Venture capital investment in artificial intelligence (AI) in Latin America from 2016 to 2024. https://www.statista.com/statistics/1337035/ai-vc-investment-latin-america/