Al analizar el reporte MIT NANDA (Project NANDA: Architecting the Internet of AI Agents) sobre el estado de la inteligencia artificial en empresas, aparece un dato que corta cualquier exceso de entusiasmo: el 95 % de los proyectos de IA corporativa no genera retorno.
Pero el hallazgo más relevante está del otro lado: el 5% que sí logra cruzar esa brecha obtiene retornos extraordinarios. Equipos ejecutando tareas de alto valor, eficiencias operativas exponenciales y transformaciones profundas sin necesidad de grandes reestructuraciones. El mensaje es claro: sí se puede, pero requiere un enfoque completamente distinto.
Este análisis está fuertemente alineado con lo que observamos —y también aprendemos— al construir agentes de IA para contabilidad, tesorería y back-office en empresas de toda Latinoamérica. La conclusión es recurrente: construir IA corporativa no es únicamente un desafío tecnológico; es un desafío de diseño organizacional, foco y realidad operativa.
Tabla de contenidos
1. Discovery y definición: la piedra fundamental del éxito
El reporte lo resume perfecto: la mayoría de los pilotos fallan por falta de aprendizaje contextual y entendimiento de los procesos. En Payana, lo vemos desde el día uno.
Muchos proyectos nacen mal definidos. Se habla de “automatizar facturas” o “reducir tareas” sin bajar los flujos a detalle ni incluir a quienes realmente los ejecutan. Un ejemplo real de una caso de la ultima semana: Un analista administrativo define una etapa como»Ingreso de insumo a almacén»
¿Es lo mismo si el ingreso de materiales lo hace alguien sacando una foto con su tablet o si lo hace firmando una copia en papel sobre el duplicado de la factura que le entrego el proveedor?
No. Pero si en el discovery no hay nadie del almacén, vamos a diseñar una automatización sobre un proceso que no refleja la realidad.El resultado son proyectos que se quedan a mitad de camino:
- Tecnología sin adopción funcional.
- Procesos funcionales sin base tecnológica sólida.
- Equipos que “hacen IA” sin resolver nada.
En Payana aprendimos que el impacto real aparece cuando la IA y el negocio se diseñan juntos. Cuando desde el día uno participan quienes conocen el proceso, quienes lo ejecutan y quienes lo pueden escalar. Esa coordinación es la que convierte la automatización en transformación.
2. Ir de menos a más
Otra conclusión de MIT NANDA: “Los startups que cruzan la GenAI Divide logran pequeñas victorias visibles en flujos acotados, y luego expanden.»
Eso, que suena anti-comercial, es exactamente lo que proponemos en Payana. Muchos corporativos quieren resolver todo en un solo proyecto: todos los flujos, todos los procesos, todo el impacto. Pero eso impide el aprendizaje. En cambio, empezar por un flujo concreto, donde el agente pueda aprender, ajustar y demostrar valor rápido, permite escalar con datos y confianza.
Los sistemas que triunfan —según MIT— son los que aprenden del feedback, retienen contexto y se adaptan al flujo real. Y en Latam eso es clave: la diversidad operativa entre países, normativas fiscales y bancos obliga a construir IA con memoria local, no con plantillas globales.
3. Permitir que la tecnología demuestre su ROI
Otra trampa común es querer justificar la inversión en IA con modelos de Excel antes de ver resultados.
En Payana preferimos hacer lo opuesto: definir métricas mínimas, fáciles y rápidas de medir, lanzar un piloto y tomar decisiones con datos reales.
Una de mis frases favoritas y que me veo repitiendo seguido: “Se escribió más ficción en Excel que en Word.” La mejor forma de medir impacto es dejar que la tecnología lo demuestre en la práctica.
4. El back-office: el terreno más fértil para ver impacto
El estudio de MIT NANDA muestra que, aunque el 50 % del presupuesto de IA se destina a ventas y marketing, los retornos más grandes aparecen en el back-office.
Procesos como cuentas por pagar, conciliaciones o gestión de proveedores entregan paybacks más rápidos y medibles. Y eso tiene sentido: en el back-office los datos ya están adentro, los flujos son internos y las decisiones son operativas.
En Payana lo vemos todos los días: los agentes de IA pueden registrar, conciliar y validar documentos con precisión del 96 %, eliminando errores y acelerando cierres contables hasta 10 veces más rápido. Es el lugar ideal para que una empresa empiece su primer caso de éxito en IA.
5. Desarrollar internamente vs. comprar
MIT NANDA muestra un dato contundente: Los proyectos construidos junto a socios externos tienen el doble de éxito que los desarrollos internos. En nuestra experiencia, eso también es real.
Los corporativos que intentan desarrollar agentes desde cero suelen chocar con problemas de mantenimiento, falta de aprendizaje o simple lentitud frente a cómo evoluciona la tecnología. En cambio, cuando se trabaja con un partner que ya domina el flujo, el foco está en personalizar y aprender rápido, no en reinventar la rueda.
Conclusión
En Payana aprendimos que la IA transforma cuando el negocio y la tecnología se diseñan juntos. Los agentes hacen el trabajo operativo —registran, concilian, validan—; las personas aportan criterio, análisis y dirección. Esa sinergia es la que convierte automatización en transformación. Y en América Latina, donde no hay diez intentos para aprender sino uno o dos, diseñar bien desde el inicio no es opcional: es la única forma de cruzar la GenAI Divide.
Soy Licenciado en Periodismo y me dedico a la redacción de contenido digital. Disfruto creando textos que informen, entretengan y aporten valor a los lectores.
