Roadmap: cómo empezar con IA en tu empresa (etapas, matriz de impacto y plan de 30 días)

Roadmap: cómo empezar con IA en tu empresa (etapas, matriz de impacto y plan de 30 días)

Todos hablan de IA y nadie dice por dónde arrancar. Este es el camino que recomendamos después de más de una década implementando datos, automatización e inteligencia artificial en empresas de la región.

Puntos clave

• La brecha entre usar IA y capturar valor es organizacional, no tecnológica: faltan marcos de uso, seguridad, plan e indicadores.
• La IA genera impacto en tres frentes: modelo de negocio, procesos y producto. El mayor potencial está en las áreas core, no solo en el backoffice.
• Los datos y los procesos propios son lo único que ninguna herramienta puede aportar, y donde más se traban los proyectos.
• Para elegir por dónde empezar sirve una matriz de dos ejes, impacto y costo, con una hipótesis medible por iniciativa.
• Un primer caso medido en 30 días vale más que un plan de transformación sin evidencia.

Índice

1. ¿Por qué usar IA no se traduce en valor para la empresa?
2. ¿En qué áreas genera más impacto la IA?
3. ¿Cómo se ve la IA aplicada? Tres casos
4. ¿Qué hay que ordenar antes de automatizar con IA?
5. ¿Cuáles son las etapas de adopción de IA?
6. ¿Cómo elegir por dónde empezar? La matriz de impacto y costo
7. ¿Qué debe incluir un manual de uso de IA?
8. ¿Qué se puede hacer en los primeros 30 días?
9. ¿Cómo asegurar seguridad y control?
10. Preguntas que nos hicieron en el webinar

En muchas empresas, alguien del equipo ya usa IA cada día: arma propuestas, resume reuniones, ordena datos. Casi siempre lo hace con una cuenta personal, sin que nadie más lo sepa y sin que el directorio pueda ver qué cambió en los resultados. Esa escena, que repetimos en la mayoría de las organizaciones que acompañamos, explica un dato incómodo: se usa cada vez más IA y se ve cada vez menos valor.

Esta guía ordena cómo salir de esa situación. Reúne lo que compartimos en nuestro webinar "Todos hablan de IA y nadie te dice por dónde arrancar" y suma las herramientas que usamos con clientes: una matriz de priorización, un checklist de manual de uso y un plan de 30 días.

¿Por qué usar IA no se traduce en valor para la empresa?

Porque la brecha es organizacional, no tecnológica. Las personas ya usan IA, pero faltan marcos de uso, normas de seguridad, espacios de experimentación y un plan de adopción que conecte esas pruebas con indicadores de negocio. Sin eso, el uso individual no escala y el directorio no ve resultados medibles.

Hay cuatro señales típicas:

1. Uso personal y sin control. Se trabaja con cuentas propias de ChatGPT, Claude o Gemini y pocos tienen una cuenta de empresa, con los riesgos de seguridad que eso implica. Suele resolverse con un cambio de plan, pero exige una decisión de gestión.
2. Licencias que nadie usa. Con frecuencia el área de sistemas informa que todos tienen licencia y los empleados ni saben que la tienen. Otras veces hay un desalineamiento entre la herramienta elegida por la empresa y la que la gente prefiere, sobre todo entre el entorno Microsoft y el resto.
3. Pilotos sueltos. Una prueba de concepto impulsada por el entusiasmo de una persona funciona, pero no llega al resto de la organización y cuesta justificar por qué se eligió.
4. Un directorio que no ve impacto. Nadie puede mostrar un número que vincule la IA con el negocio.

Los estudios lo confirman. En una encuesta reciente de McKinsey, el 70% de los encuestados dijo sentirse personalmente preparado para usar IA, pero solo el 27% de los líderes cree que su organización está lista para los cambios que exige la etapa agéntica. Las personas avanzan más rápido que las instituciones en las que trabajan.

El estudio de BCG con más de 1.250 ejecutivos muestra las consecuencias: solo el 5% de las empresas genera valor de IA a escala, el 35% está escalando y el 60% reporta ganancias mínimas. Las que sí capturan valor crecen en ingresos 1,7 veces más que sus pares.

En América Latina el escenario está en movimiento. Según el informe de Microsoft del segundo trimestre de 2026, el uso de IA generativa entre la población de 15 a 64 años es de 25,9% en Colombia, 24,0% en Chile, 23,4% en Argentina y 21,4% en México, frente a un promedio mundial de 18,8%. La región está en plena adopción, y por eso definir un rumbo hoy no es llegar tarde.

Tampoco es un tema exclusivo de las grandes empresas. En las pymes que aplican estas iniciativas con éxito se ven retornos incluso más marcados, sobre todo por eficiencia de procesos, porque tienen menos burocracia para probar, decidir y escalar.

¿En qué áreas genera más impacto la IA?

En tres frentes: redefinir el modelo de negocio, optimizar procesos y mejorar el producto o servicio que ve el cliente. La mayoría empieza por optimizar áreas de soporte, lo cual es razonable. El mayor potencial, sin embargo, está en las áreas core, y conviene llegar a ellas antes de lo que parece.

1. Redefinir el modelo de negocio. La IA permite atender demanda que antes no se podía atender por falta de capacidad. Un e-commerce que solo responde en horario laboral puede sumar un asistente que contesta sobre productos y stock a cualquier hora y captura a quien compra de noche. Una empresa que no se presentaba a licitaciones porque no tenía gente para analizar todas las convocatorias puede procesarlas todas y elegir en cuáles intervenir. La pregunta que ordena este frente: ¿qué demanda no se está atendiendo hoy por falta de tiempo, gente o presupuesto?

2. Optimizar lo que ya se hace. Automatizar tareas repetitivas, aumentar a las personas con asistentes y rediseñar flujos completos. Es donde casi todos arrancan, con buenas razones: se conocen los procesos y los dolores. El backoffice y las tareas administrativas son candidatos fuertes para los primeros resultados. La pregunta: ¿qué tarea repetitiva consume más horas de personas valiosas?

3. Mejorar el producto o servicio. Asistentes, personalización, servicios predictivos. Excel no es un producto nuevo, pero un asistente que arma la fórmula necesaria bajó la barrera de entrada para muchísima gente: hoy importa más qué se necesita lograr que saber cómo se escribe la fórmula. Cada punto de contacto con el cliente admite una mejora así, incluso el tiempo de respuesta a una consulta. La pregunta: ¿en qué momento de la experiencia del cliente hay fricción que la IA podría quitar?

Un matiz sobre el core. Las áreas de soporte son cómodas para empezar: hay menos riesgo y los ahorros se ven rápido. El error es quedarse ahí. Según BCG, cerca del 70% del valor potencial de la IA se concentra en funciones core del negocio. Las que mueven la empresa y la diferencian de la competencia son las que más rinden.

¿Cómo se ve la IA aplicada? Tres casos

En los tres casos que siguen, el foco está en un proceso concreto y no en la herramienta. En cada uno, la IA hace la lectura, la clasificación o el análisis, y una persona valida lo que importa. Son patrones replicables, con lo que aprendimos de cada uno.

Caso 1: procesamiento de facturas

• Contexto. Una empresa procesaba miles de facturas por mes con un equipo administrativo dedicado en buena parte a esa tarea. Según el manual de procesos, no todas las facturas debían controlarse igual. En la práctica, todos revisaban todo.
• Solución. Un flujo automatizado en n8n, una herramienta de código abierto que puede alojarse en servidor propio o en la nube. El flujo lee cada documento, extrae los datos clave y asigna un puntaje de confianza a la lectura, porque un PDF generado por ARCA llega limpio y una foto borrosa de un escaneo, no. La validación final quedó en manos de una persona, con una pequeña plataforma para aprobar, rechazar o corregir cada dato extraído. Después se sumó la integración con el sistema de gestión.
• Resultado. Los tiempos se aceleraron enormemente y el trabajo manual se redujo a una fracción. Las personas que dejaron de cargar y controlar facturas no fueron desvinculadas: se reasignaron a atención de grandes cuentas y a otros procesos.
• Aprendizaje. El puntaje de confianza evita revisar todo y también evita confiar en todo. El mismo patrón sirve para contratos, licitaciones y mails. Además, un proceso así obliga a reorganizar el equipo: aparecen tareas nuevas y hay que rediseñar roles.

Caso 2: simulador de escenarios

• Contexto. Propuestas comerciales y decisiones operativas que se armaban a partir de prototipos conocidos y casos comparables.
• Solución. Un simulador que permite personalizar cada oferta, proyectar cambios con más variables y asignar un puntaje a las propuestas que llegan, para decidir en cuáles intervenir.
• Resultado. Menos horas de personas dedicadas a prospección y pronósticos, y mejor uso del foco: el criterio humano se concentra en los casos que importan y el resto puede delegarse en otra parte del equipo.
• Aprendizaje. Resolver un caso es simple. El desafío es construir una herramienta que funcione para muchos casos distintos. Conviene empezar por uno concreto y generalizar después.

Caso 3: asistente sobre documentos propios

• Contexto. Durante la certificación ISO 9001 de Greencode había que mantener documentos, pendientes y comentarios de auditoría en constante cambio.
• Solución. Un asistente conectado a Slack que responde con los documentos de la empresa y se actualiza a medida que se suma material. Usa una arquitectura llamada RAG (generación aumentada por recuperación): la IA responde con el contenido de los documentos propios, no solo con conocimiento general.
• Resultado. El equipo conversaba con su propia información en lugar de esperar la próxima reunión con el consultor para saber qué hacer, y el asistente ayudó a mantener el estándar.
• Aprendizaje. Es un patrón simple, con desafíos propios, útil en cualquier área con documentación viva: calidad, legales, RRHH, soporte técnico.

¿Qué hay que ordenar antes de automatizar con IA?

Los datos y los procesos. Los modelos están disponibles para todos; lo que diferencia a una empresa son sus datos y su forma de trabajar, y la IA no los genera. La mayoría de los proyectos se traba por datos sucios, procesos sin dueño o falta de indicadores, no por límites de la tecnología.

Los bloqueos más frecuentes:

• Datos duplicados, incorrectos o dispersos en sistemas que no se concilian.
• Procesos que cada persona hace a su manera: no se puede automatizar "el proceso" si existen siete versiones.
• Procesos sin dueño: nadie decide ni asume el resultado.
• Falta de indicadores, y por lo tanto de forma de saber si la eficiencia mejoró.
• Indicaciones de la dirección del tipo "usen IA" sin objetivo. ¿Más eficientes para qué, medido contra qué?

Un equipo muy proactivo puede compensar todo esto, pero no conviene depender de la buena voluntad. Se necesita un plan, indicadores, iniciativa y comunicación.

Cinco pasos para ordenar los datos

1. Identificar. ¿Qué datos necesita realmente el negocio? ¿Cuáles ya existen y cuáles faltan?
2. Capturar y ordenar. ¿Dónde se guardan? ¿Son sensibles y requieren cifrado? ¿Se actualizan y sincronizan solos o a mano?
3. Analizar. ¿Quién ve qué tablero? ¿Hay una única fuente de verdad o cada área tiene su número?
4. Llevar los insights a quien decide. Aquí la IA se luce. Un tablero da una foto; la IA ayuda a interpretarla y a monitorear variables que cambian seguido. Pero de nada sirve un tablero que solo miran los directores si el comercial que define un descuento no sabe si hay quiebre de stock o sobrante. Los datos tienen que llegar a la operación. Los agentes funcionan muy bien acá, siempre que los datos sean buenos.
5. Gobernanza, desde el primer minuto. ¿Quién es dueño de cada dato? ¿Quién accede, con qué calidad y por cuánto tiempo? No es un paso final: atraviesa todos los demás, y es un tema de dirección, no solo técnico.

Señales de que un proceso todavía no está listo para automatizarse

• Dos personas del mismo equipo lo describen distinto.
• No se puede nombrar a quien responde por el resultado.
• No existe un indicador que muestre si funciona bien.
• Los datos que consume viven en planillas personales.

Si hay alguna, el primer proyecto es ordenar el proceso, no automatizarlo.

El trabajo cambia: de escribir a verificar

Cuando la IA entra en un proceso, cambia el trabajo de las personas. Quien arma propuestas comerciales con IA pasa de escribir a verificar, y verificar bien es una habilidad que hay que desarrollar. Si se automatiza la búsqueda de proyectos, el cuello de botella deja de ser encontrarlos y pasa a ser analizarlos. Por eso no alcanza con dar herramientas: rediseñar el flujo de trabajo es lo que permite capturar valor. Sin ese rediseño ocurre algo predecible: se paga al equipo actual más la automatización.

¿Cuáles son las etapas de adopción de IA?

Habilitar, automatizar y reinventar. Primero se dan herramientas y capacitación; después se automatizan procesos y se incorporan agentes a decisiones; por último se rediseña el modelo operativo. Cada etapa exige más solidez de datos y procesos que la anterior, y pocas organizaciones llegan a la tercera.

Es una lectura similar a los "tres horizontes" que describe McKinsey, y sirve para ubicarse.

Etapa 1: Habilitar

• Qué se hace: dar herramientas y capacitar; ordenar el uso individual.
• Qué se necesita: un manual de uso y capacitación por nivel.
• Riesgo típico: pilotos sueltos y licencias sin uso.
• Señal de avance: todos hablan el mismo lenguaje.

Etapa 2: Automatizar

• Qué se hace: automatizar flujos e incorporar agentes en decisiones.
• Qué se necesita: datos limpios, procesos con dueño e indicadores.
• Riesgo típico: automatizar un proceso mal definido.
• Señal de avance: una parte de las iniciativas muestra valor medible.

Etapa 3: Reinventar

• Qué se hace: nuevos roles y flujos; modelo operativo rediseñado.
• Qué se necesita: datos y procesos sólidos; dirección alineada.
• Riesgo típico: reinventar sin base y sin evidencia.
• Señal de avance: los nuevos roles y flujos ya están en marcha.

Habilitar es el escalón más sólido. Conviene que directores, mandos medios y equipos operativos compartan un lenguaje común; si no, conviven mundos distintos, donde unos dicen que la herramienta ya les queda chica y otros que todavía alucina. Los mandos medios y la dirección necesitan una formación más orientada a estrategia que la del equipo operativo. Lo vivimos en Greencode: al empezar a capacitar formalmente comprendimos que sin eso era muy difícil pasar a automatizar, porque la cultura no estaba lista para transformar los equipos.

Automatizar incluye flujos y agentes que empiezan a intervenir en decisiones. Es donde, en nuestra experiencia, aproximadamente un tercio de las empresas empieza a percibir valor. Reinventar es donde se ve el mayor impacto: en ese horizonte, más de la mitad de las organizaciones reporta crecimiento, aunque son pocas las que llegan.

¿Cuándo pasar de la etapa 1 a la 2? Una señal clara es cuando el área de IA o de tecnología recibe más iniciativas de las que puede atender. Una empresa con la que conversamos nos contó que se le estaba yendo de las manos: cada equipo proponía proyectos y nadie podía revisarlos todos. Ahí el plan estratégico deja de ser opcional.

¿Cómo elegir por dónde empezar? La matriz de impacto y costo

Ubicando cada iniciativa según dos preguntas: cuánto cuesta implementarla, en dinero, tiempo y cambios, y qué impacto medible se espera en el negocio. Las de alto impacto y bajo costo son los quick wins con los que conviene arrancar; las de costo alto e impacto poco claro se reconsideran.

Paso 1: cotizar el costo

Cada equipo estima el costo de su iniciativa, y no solo en dinero. Suma:

• Tiempo de implementación.
• Esfuerzo del equipo que la va a usar.
• Cambios necesarios en procesos y sistemas.
• Costo de pasar del prototipo a algo que use toda la organización.

Este último punto es clave. Probar algo en una computadora es rápido, y hasta hace sentir programador a quien lo hace. Ofrecerlo a toda la organización o a un cliente es un salto enorme, y el área de Finanzas va a pedir ese número. Una iniciativa que no puede cotizarse queda en buena intención.

Paso 2: definir la hipótesis de impacto

Cada iniciativa necesita una hipótesis medible. Una plantilla simple:

"Hoy [proceso] tarda [X] o cuesta [Y]. Se espera que con IA pase a [X'] o [Y'], y se medirá con [indicador]."

Si no se puede completar, se está jugando con la herramienta, y hay demasiadas cosas por hacer como para dedicar tiempo a eso.

Paso 3: ubicar cada iniciativa en su cuadrante

• Alto impacto, bajo costo (quick wins). Por ejemplo, asistentes de facturas o de documentación. Es por donde conviene arrancar.
• Alto impacto, alto costo (apuestas estratégicas). Suelen requerir aprobación del directorio y ocupar la agenda del año siguiente. Se planifican con presupuesto propio.
• Bajo impacto, bajo costo (mejoras incrementales). Resúmenes de reportes, tableros: están a un par de prompts de distancia. Se hacen cuando hay tiempo.
• Alto costo, impacto poco claro. Iniciativas cuyo retorno no se puede medir. Se reconsideran y no se empieza por acá.

Un ejemplo ilustrativo. Una empresa de distribución evalúa tres iniciativas: un asistente que lee facturas de proveedores, un chatbot de atención a clientes y un resumen automático de reuniones comerciales. El asistente de facturas tiene un costo acotado y un impacto medible en horas por mes: quick win. El chatbot cuesta más y toca al cliente, pero puede abrir un canal nuevo: apuesta estratégica. El resumen de reuniones es rápido y útil, pero no mueve el negocio: mejora incremental. Orden natural: facturas primero, chatbot con plan y presupuesto propios, resúmenes cuando haya tiempo.

Una recomendación para el proceso de relevamiento: dejar un espacio de brainstorming libre. Las iniciativas que aparecen primero suelen ser de eficiencia, porque cada área trabaja sobre lo que conoce, y eso está bien, pero no son necesariamente las más interesantes. Sin ese espacio se pierden las innovaciones.

¿Qué debe incluir un manual de uso de IA?

Una página alcanza si responde siete preguntas: qué herramientas están aprobadas, qué información no se carga, qué usos no requieren permiso, cómo se verifica lo producido, dónde se proponen ideas, quién decide ante dudas y cada cuánto se revisa. Su objetivo es que los equipos sepan hasta dónde pueden llegar.

Hay dos errores opuestos: prohibir todo por miedo o aceptar cualquier cosa por imprudencia. Los dos cuestan. Además, hay equipos con muy buenas ideas que ni siquiera las proponen por temor a pasarse de la raya, y la empresa pierde pruebas de concepto que podrían escalar. Las siete preguntas:

1. Herramientas aprobadas, siempre con cuenta corporativa.
2. Información que nunca se carga en una herramienta externa: datos de clientes, contratos, información financiera sensible.
3. Usos permitidos sin pedir permiso y usos que requieren aprobación.
4. Verificación de lo que produce la IA antes de usarlo con un cliente.
5. Canal para proponer ideas nuevas y forma de evaluarlas.
6. Responsable de decidir cuando hay dudas.
7. Frecuencia de revisión, porque el contexto cambia rápido.

Conviene sumar indicadores de adopción desde el inicio. Medir es lo que deja evidencia de qué funciona y qué no, y no existe todavía un manual de oro: hay recomendaciones muy buenas, pero cada organización tiene que probarlas y ajustarlas. Es un proceso de mejora continua.

¿Qué se puede hacer en los primeros 30 días?

Relevar, priorizar, ordenar las reglas y lanzar casos testigo. La meta realista no es transformar la empresa en un mes, sino terminarlo con dos a cuatro iniciativas priorizadas, dueños e indicadores definidos, un manual de uso publicado y una línea de base medida para cada caso.

Semana 1: relevar.

• Cada área lista sus iniciativas. Nosotros lo hacemos con talleres de dos o tres horas por área, con trabajo asincrónico previo para dedicar el taller a priorizar. No hace falta que participe IT.
• Relevar qué herramientas y licencias existen, quién las usa y quién no.

Semana 2: priorizar.

• Cotizar cada iniciativa y completar la hipótesis de impacto.
• Armar la matriz y elegir entre dos y cuatro iniciativas.
• Asignar un dueño y un indicador a cada una.

Semana 3: ordenar las reglas.

• Redactar la primera versión del manual de uso de IA.
• Definir el plan de capacitación, con contenidos distintos para dirección, mandos medios y equipos operativos.

Semana 4: arrancar y medir.

• Lanzar los casos testigo y registrar la línea de base de cada indicador.
• Definir cuándo se revisa el avance y quién lo presenta.

Pocas iniciativas, bien medidas. Generan impulso y cultura, y dan casos de éxito para contar al resto de la empresa.

Errores frecuentes al arrancar

• Comprar licencias antes de definir usos.
• Empezar por lo más vistoso y no por lo más medible.
• Automatizar un proceso que nadie definió.
• Dejar todo en manos de una persona entusiasta: si se va, el piloto se va con ella.
• No medir la línea de base y después no poder demostrar la mejora.
• Quedarse para siempre en el backoffice.
• Postergar el manual de uso hasta que ocurre un incidente.

¿Cómo asegurar seguridad y control?

Con proveedores de cumplimiento verificable y planes corporativos, con IA local cuando la sensibilidad lo exige, y con agentes trazables, con identidad propia y con un botón de apagado. Estos criterios permiten avanzar sin frenar a los equipos y responden a las primeras objeciones de las áreas de IT, legales y compliance.

La seguridad de datos da para un webinar entero, pero hay criterios básicos:

• Proveedores con cumplimiento normativo verificable, planes corporativos e integración con Microsoft 365, Google Workspace o el directorio de usuarios, para controlar quién tiene qué licencia.
• IA local cuando la sensibilidad de los datos lo exige: puede correr en un servidor propio o en la nube de la empresa, y se comporta como una pieza más de software dentro de su infraestructura.
• Agentes trazables y observables, con una identidad propia y distinta a la de la persona que los creó, para saber si una acción la hizo esa persona o el agente que programó. Una solución de terceros que no deje registro de lo que hizo no debería usarse.
• Un botón rojo en todo proceso automático, es decir, una forma de apagarlo. Parece obvio, pero muchos procesos hoy no lo tienen, y es obligatorio.

Preguntas que nos hicieron en el webinar

¿Cómo pasar de usar la IA como consulta a incorporarla de verdad, y cómo elegir en qué procesos invertir?
Con un relevamiento inicial: listar procesos e iniciativas por área, cotizarlas, definir la hipótesis de impacto y ubicarlas en la matriz. Puede hacerse con los propios equipos o con un taller facilitado. Y conviene dejar un espacio para la creatividad, además de la eficiencia.

¿Cómo lograr que todo el equipo trabaje con IA y cómo apoyar a los mandos medios?
Primero, capacitar, para que todos hablen el mismo lenguaje. Después, trabajar con indicadores y dueños de proceso. Por ejemplo, en un área comercial, la pregunta útil no es cómo tienen que vender, sino qué se considera un buen proceso de venta y cómo se sabe que una reunión fue buena. Con esos indicadores, los mandos medios pueden invitar a sus equipos a proponer cómo mejorarlos con IA, y eso da objetividad.

¿Cómo pasar de iniciativas aisladas a un plan integrado con los sistemas y seguro?
Con un plan estratégico, un manual de uso, indicadores de adopción y criterios de seguridad claros, como los de las secciones anteriores. La integración con los sistemas llega después, sobre procesos y datos ordenados.

¿Esto también aplica a las pymes?
Sí, y en muchos casos con más ventaja: menos burocracia para probar y escalar, y un impacto en eficiencia muy visible desde los primeros casos.

Tres ideas para llevarse

1. La brecha es organizacional. Las personas ya usan IA. Lo que falta es que la empresa la integre y la mida.
2. El valor está en rediseñar procesos, no en repartir licencias, y en atacar el core sin quedarse en lo cómodo.
3. Pocas iniciativas, bien medidas. Generan impulso, construyen cultura y dan casos de éxito para el resto de la organización.

Siguiente paso

Para llevar estas ideas a la organización, en Greencode acompañamos desde el relevamiento de iniciativas hasta la implementación. Escribir al equipo de Greencode y coordinar una conversación, sin compromiso.

Quienes prefieran empezar por la etapa de habilitar pueden conocer la AI Masterclass (4 horas, presencial o virtual) y los workshops prácticos por área (2 horas, con 30% de teoría y 70% de práctica guiada), donde cada equipo termina con un proyecto real aplicado a su trabajo.

Sobre el autor. Ezequiel Lamónica es cofundador y director de Greencode Software y profesor de IAE y de la Universidad Austral, siempre en temas de inteligencia artificial y su aplicación en los negocios. Greencode, fundada en 2014, acumula más de 100 proyectos y opera en Argentina, México, Chile, Uruguay, Colombia y Estados Unidos. Ezequiel en LinkedIn

Fuentes. McKinsey, From adoption to impact: Three horizons of AI transformation · BCG, Are You Generating Value from AI? The Widening Gap · Microsoft, AI Diffusion Report, Q2 2026

‍