En muchas compañías industriales, la inteligencia artificial ya dejó de ser una promesa y pasó a formar parte de la agenda de inversión. El desafío no está en seguir probando herramientas, no en convertir esas pruebas en mejoras sostenidas de productividad. En manufactura, los casos de uso son cada vez más comunes: mantenimiento predictivo, optimización […]
En muchas compañías industriales, la inteligencia artificial ya dejó de ser una promesa y pasó a formar parte de la agenda de inversión. El desafío no está en seguir probando herramientas, no en convertir esas pruebas en mejoras sostenidas de productividad.
En manufactura, los casos de uso son cada vez más comunes: mantenimiento predictivo, optimización de procesos, planificación de plantas, gemelos digitales o soporte para la toma de decisiones. Todos apuntan a problemas relevantes del negocio. Pero entre probar un caso de uso y capturar valor a escala existe una brecha que muchas organizaciones aún no logran cerrar.
Leer también Operar y crecer en tiempos de contingencia
Una encuesta global de McKinsey a ejecutivos industriales muestra que el gasto en digital e IA seguirá aumentando hacia 2030. En América Latina la proporción de compañías encuestadas que espera invertir más del 3% de su costo de bienes vendidos crecería del 26% a 57% para el término de la década.
Pero invertir más no necesariamente se traduce en un mayor impacto. El rezago aparece en el nivel de madurez. Solo 13% de las compañías latinoamericanas encuestadas declara haber alcanzado etapas más avanzadas de escalamiento de IA, frente a 34% a nivel global. A la vez, 35% permanece en fases de exploración y testeo. Más que falta de interés, existe una dificultad concreta para pasar de pruebas acotadas a implementaciones replicables en la operación.
La captura de valor confirma esa tensión. Apenas 17% de los ejecutivos latinoamericanos encuestados afirma haber obtenido el valor esperado de sus iniciativas digitales o de IA. No basta con que una solución funcione en una prueba controlada; debe generar resultados consistentes en la operación real.
Parte del problema está en que muchas operaciones fueron diseñadas para otra etapa tecnológica. Procesos heredados, flujos rígidos y sistemas poco integrados que pueden dificultar la adopción de una lógica AI-first. En ese contexto, incluso una buena solución puede quedar limitada a una planta, una línea o un equipo, perdiendo el potencial de captura de valor.
No se trata solo de definir qué casos de uso implementar, sino de preparar a la organización para sostenerlos. Eso implica rediseñar procesos de punta a punta, fortalecer la arquitectura de datos, integrar tecnología y operación, reforzar la ciberseguridad y capacitar a los equipos.
Este cambio exige liderazgo desde operaciones. La IA no puede quedar encapsulada en laboratorios paralelos ni depender exclusivamente del área tecnológica. Debe ser parte del mandato del COO y asociarse a métricas de negocio: productividad, eficiencia, calidad, seguridad y continuidad operacional.
Para América Latina, la oportunidad está en priorizar con disciplina. No se trata de perseguir todas las aplicaciones disponibles, sino de concentrarse en aquellas que resuelven cuellos de botella reales y puedan replicarse con impacto medible.
La próxima etapa de la IA industrial no será lanzar más pilotos. Será convertir los pilotos correctos en desempeño repetible, escalable y sostenible.
Sobre el autor
William Fookes, socio McKinsey&Company Chile.
Las opiniones expresadas son sólo responsabilidad de sus autores y son completamente independientes de la postura y la línea editorial de Forbes Chile.