La inteligencia artificial ya dejó de ser una conversación exclusiva de grandes tecnológicas. En Chile, muchas organizaciones la están probando en tareas cotidianas, desde redactar contenidos hasta resumir reuniones, atender consultas o analizar información comercial. Sin embargo, adoptar una herramienta no equivale a transformar un proceso: el desafío real es convertir experimentos aislados en resultados repetibles, medibles y seguros.
El salto pendiente: de probar a integrar
El estudio ConvergencIA 2026 de Deloitte, difundido el 28 de octubre, muestra una brecha clara. Aunque el 91% de las organizaciones consultadas declara utilizar IA en algún grado, apenas el 8% ha logrado escalarla de forma transversal. Además, un 52% permanece en pruebas informales o pilotos que todavía no generan impactos relevantes en productividad.
La cifra es especialmente relevante para equipos comerciales, de marketing y atención al cliente. Es fácil abrir una cuenta, probar un asistente o automatizar una respuesta puntual. Lo difícil es conectar esa capacidad con los datos correctos, definir quién toma las decisiones, mantener una experiencia coherente para el cliente y demostrar que el esfuerzo mejora un indicador de negocio.
Por eso, el primer paso no debería ser preguntar qué herramienta de IA implementar, sino qué cuello de botella vale la pena resolver. Una empresa puede comenzar, por ejemplo, reduciendo el tiempo de respuesta a prospectos, mejorando la clasificación de contactos, acelerando la preparación de propuestas o recuperando oportunidades que quedaron sin seguimiento.
Elegir casos de uso con impacto comercial
Un caso de uso escalable tiene tres características: ocurre con frecuencia, consume tiempo del equipo y puede evaluarse con una métrica concreta. En ventas, eso puede significar asignar automáticamente los leads según origen, industria o intención; preparar un resumen de cada oportunidad antes de una reunión; o alertar cuando una conversación relevante lleva demasiados días sin actividad.
En marketing, la IA puede ayudar a ordenar segmentos, proponer variantes de mensajes y detectar audiencias que muestran señales de interés. En servicio, puede asistir a los ejecutivos con contexto previo del cliente, sugerir respuestas basadas en información autorizada y derivar los casos que necesitan intervención humana.
La clave es no automatizar por automatizar. Si una acción no mejora la velocidad, la calidad, la conversión, la retención o la visibilidad del proceso, probablemente no sea una prioridad. Una automatización útil debe responder a una pregunta de negocio concreta: ¿qué estamos demorando?, ¿qué oportunidades estamos perdiendo?, ¿qué actividad manual podemos reducir sin deteriorar la relación con el cliente?
Medir antes de escalar
Uno de los principales riesgos de los pilotos es que generan entusiasmo, pero no evidencia. Antes de desplegar una iniciativa a toda la organización, conviene establecer una línea base. Si se busca mejorar la gestión de leads, se pueden medir el tiempo hasta el primer contacto, la tasa de respuesta, el porcentaje de reuniones agendadas y la conversión a oportunidad.
Si el objetivo es apoyar a ejecutivos de cuenta, las métricas pueden incluir horas administrativas por semana, cumplimiento de tareas de seguimiento, velocidad de actualización de registros y duración del ciclo comercial. Para atención al cliente, importan variables como el tiempo de primera respuesta, la resolución en el primer contacto, las derivaciones y la satisfacción posterior.
Medir también permite detectar un problema habitual: la IA puede acelerar una tarea que no aporta suficiente valor. El foco debe estar en el resultado final, no solo en la cantidad de textos generados, resúmenes creados o acciones ejecutadas.
Datos, permisos y supervisión no son detalles técnicos
El estudio también advierte brechas de gobernanza. Solo el 38% de las organizaciones declara contar con datos, seguridad y gobernanza adecuados para escalar sus proyectos de IA. En el caso de los agentes capaces de ejecutar tareas de manera autónoma, el desafío es aún mayor: pueden consultar información, activar flujos y afectar comunicaciones con clientes.
Antes de entregarles acceso a procesos comerciales, una empresa debería definir con precisión qué datos pueden usar, qué acciones pueden realizar, qué operaciones requieren aprobación humana y cómo se registrarán sus decisiones. Un agente puede preparar un borrador de correo o recomendar la siguiente acción; enviar una comunicación masiva, modificar condiciones comerciales o borrar información debería requerir controles mucho más estrictos.
La trazabilidad es esencial. Cada automatización debe dejar registro de la información utilizada, la acción propuesta o ejecutada y la persona responsable de supervisarla. Esto no frena la innovación: crea las condiciones para usarla con confianza y corregir errores antes de que se multipliquen.
Una hoja de ruta práctica para avanzar
Para pasar de pilotos a capacidades escalables, conviene empezar con un proceso prioritario, un equipo dueño y un indicador claro. Luego, se prueba en un grupo acotado, se compara el resultado con la línea base y se documentan aprendizajes. Si el caso funciona, se estandarizan datos, permisos, instrucciones y criterios de excepción antes de extenderlo a otras áreas.
La oportunidad no está en incorporar IA en todas partes al mismo tiempo. Está en diseñar procesos comerciales más consistentes, liberar tiempo para conversaciones de mayor valor y tomar decisiones con mejor información. Las empresas que consigan conectar tecnología, métricas y gobernanza estarán en mejor posición para que la adopción se traduzca en crecimiento real.
