Pocas tecnologías han generado tanta expectativa en tan poco tiempo como la inteligencia artificial (IA). En reuniones de junta, en salones de clase y en conversaciones con dueños de pequeñas empresas, la pregunta se repite con una mezcla de entusiasmo y ansiedad: ¿esto realmente cambia mi negocio o es otra ola de ruido tecnológico?
La respuesta honesta, y la que sostiene la evidencia académica, es que la IA sí genera valor, pero no lo genera por sí sola. Lo genera cuando una organización rediseña sus procesos alrededor de ella. Esa distinción, aparentemente sutil, explica por qué unas empresas están capturando ventajas competitivas reales mientras otras acumulan pilotos que nunca llegan a producción.
Este artículo propone una lectura equilibrada del fenómeno, apoyada en investigación revisada por pares y en reportes de la industria, con especial atención a lo que significa para las pequeñas y medianas empresas (PyMEs).
Lo que la IA realmente reemplaza no es el empleo, es la tarea
Uno de los aportes conceptuales más útiles de la literatura viene de Huang y Rust (2018), quienes plantean que el reemplazo por IA ocurre fundamentalmente a nivel de tarea y no a nivel de puesto. Su teoría identifica cuatro tipos de inteligencia requeridos en el trabajo de servicio: mecánica, analítica, intuitiva y empática. La IA avanza en ese orden, dominando primero lo repetitivo y estandarizable, luego lo analítico, y solo después lo intuitivo y lo emocional.
La implicación gerencial es directa. Si usted evalúa la IA preguntándose "¿qué empleado sustituyo?", está haciendo la pregunta equivocada. La pregunta correcta es "¿qué tareas dentro de cada rol puedo automatizar o aumentar, y qué capacidad humana quedaría liberada para lo que la máquina todavía no hace bien?".
Huang y Rust (2021) profundizaron esta idea con un marco estratégico para decidir cuándo conviene usar IA mecánica, pensante o emocional según la naturaleza del servicio, la oferta y el proceso. En servicios transaccionales, la sustitución tiene sentido temprano. En servicios relacionales, donde el vínculo con el cliente es el activo, el toque humano sigue siendo un diferenciador difícil de replicar.
La evidencia empírica: sí hay ganancias, pero están distribuidas de forma desigual
El estudio más citado sobre productividad e IA generativa en un entorno laboral real es el de Brynjolfsson, Li y Raymond (2025), publicado en The Quarterly Journal of Economics. Los autores analizaron la introducción escalonada de un asistente conversacional entre más de cinco mil agentes de servicio al cliente. El acceso a la asistencia de IA elevó la productividad, medida en casos resueltos por hora, en aproximadamente 15% en promedio, con una heterogeneidad sustancial entre trabajadores: los agentes con menos experiencia y menor destreza mejoraron tanto en velocidad como en calidad, mientras que los más experimentados y de mayor destreza mostraron ganancias pequeñas en velocidad y ligeras caídas en calidad.
Ese hallazgo es más interesante de lo que parece. La IA no funcionó como un multiplicador uniforme, sino como un mecanismo de difusión: codificó y distribuyó las mejores prácticas de los trabajadores más capaces hacia los que apenas empezaban. El estudio también reportó mejoras en el sentimiento del cliente y en la retención de empleados.
Para una PyME, esto tiene una lectura muy concreta. La IA es especialmente valiosa cuando su equipo es pequeño, rota con frecuencia o no tiene años de curva de aprendizaje acumulada. Es decir, exactamente la situación de la mayoría de las PyMEs.
La brecha entre adoptar y transformar
Aquí conviene bajar el entusiasmo un par de grados. La encuesta global de McKinsey de 2025 encontró que casi nueve de cada diez organizaciones reportan uso regular de IA, pero la mayoría todavía no la ha integrado lo suficientemente profundo en sus flujos de trabajo como para obtener beneficios materiales a nivel empresarial. Alta adopción, baja transformación.
Un reporte de la iniciativa NANDA del MIT Media Lab, The GenAI Divide: State of AI in Business 2025, fue aún más contundente. Basado en 150 entrevistas con líderes, una encuesta a 350 empleados y el análisis de 300 despliegues públicos de IA, concluyó que alrededor del 95% de los pilotos empresariales no logró un impacto medible en el estado de resultados. Los autores atribuyen el fracaso no a la calidad de los modelos sino a una brecha de aprendizaje: las herramientas genéricas no retienen retroalimentación, no se adaptan al contexto ni mejoran con el tiempo dentro del flujo de trabajo.
Es justo señalar que esa cifra del 95% ha sido cuestionada por analistas que advierten sobre las limitaciones metodológicas del reporte, que no es una publicación arbitrada. Pero incluso descontando el titular, el diagnóstico de fondo coincide con la literatura revisada por pares: el cuello de botella no es tecnológico, es organizacional.
Enholm et al. (2022), en una revisión sistemática publicada en Information Systems Frontiers, identifican que el valor de la IA no surge del modelo en sí sino de su combinación con recursos complementarios: calidad de datos, capacidades organizacionales, rediseño de procesos y alineación estratégica. Kitsios y Kamariotou (2021) llegaron a una conclusión convergente al revisar 81 artículos arbitrados: el valor se crea cuando existe alineación explícita entre las herramientas de IA, la infraestructura de TI y la estrategia organizacional.
Islami et al. (2025) añaden una dimensión que suele ignorarse en el discurso de eficiencia: la IA puede sostener una estrategia basada en valor cuando mejora simultáneamente la satisfacción del cliente, del empleado y del suplidor, no solo cuando reduce costos.
Cuatro frentes donde el impacto ya es visible
Mercadeo y experiencia del cliente
Davenport et al. (2020) proponen un marco multidimensional que organiza el impacto de la IA en mercadeo según el nivel de inteligencia, el tipo de tarea y el grado de encarnación física. Su conclusión más citada, y la más útil para el practicante, es que la IA es más efectiva cuando aumenta las capacidades del gerente humano en lugar de reemplazarlo. En la práctica esto se traduce en segmentación más fina, personalización a escala, generación asistida de contenido y modelos predictivos de propensión de compra.
Servicio al cliente
Es el frente con evidencia empírica más sólida, como muestra el estudio de Brynjolfsson et al. (2025). Los asistentes conversacionales atienden consultas rutinarias 24/7 y liberan al personal humano para casos complejos o de alto valor emocional.
Operaciones y decisión
Pronóstico de demanda, optimización de inventario, detección de anomalías y automatización documental. Curiosamente, el reporte del MIT observa que los presupuestos de IA se concentran en ventas y mercadeo, mientras que el retorno tiende a ser mayor en operaciones y finanzas.
Analítica y estrategia
La IA reduce el costo marginal de la predicción. Eso cambia qué decisiones vale la pena analizar y con qué frecuencia revisarlas.
Qué significa esto para las PyMEs, y particularmente en Puerto Rico
La literatura sobre adopción de IA en PyMEs converge en un conjunto de barreras recurrentes, que suelen analizarse desde el marco Tecnología-Organización-Ambiente de Tornatzky y Fleischer (1990) y la teoría de difusión de innovaciones de Rogers (2003): datos escasos o de baja calidad, ausencia de destrezas internas, restricciones de capital, resistencia cultural y gobernanza débil.
Ninguna de esas barreras es tecnológica. Todas son gerenciales. Y todas son abordables sin un presupuesto corporativo.
Para el contexto puertorriqueño, donde el tejido empresarial está dominado por PyMEs con equipos reducidos y márgenes ajustados, hay una oportunidad clara y una trampa igual de clara.
La oportunidad: la IA generativa democratiza capacidades que antes requerían un departamento completo. Una empresa de cinco empleados puede hoy producir contenido, analizar datos de campañas y atender consultas fuera de horario con una calidad que hace cinco años era inalcanzable a ese costo.
La trampa: comprar herramientas sin rediseñar el proceso. Suscribirse a una plataforma no es una estrategia de IA. Es un gasto.
El componente que la mayoría subestima: la percepción del cliente
Cuando una PyME coloca un agente conversacional al frente de su servicio, no solo está automatizando una tarea. Está mediando la relación con su cliente a través de una entidad no humana. La investigación sobre el paradigma Computers Are Social Actors (Nass & Moon, 2000) documenta que las personas aplican inconscientemente reglas sociales y expectativas humanas a las computadoras, aun sabiendo que no son humanas.
Esto importa porque la calidad de servicio percibida se construye sobre dimensiones que son profundamente relacionales. El modelo SERVQUAL de Parasuraman et al. (1988) identifica cinco: tangibilidad, fiabilidad, capacidad de respuesta, seguridad y empatía. Un agente conversacional puede sobresalir en capacidad de respuesta y fallar estrepitosamente en empatía. Y en mercados pequeños y relacionales como el puertorriqueño, donde la reputación se construye boca a boca, esa falla se paga cara.
El diseño antropomórfico del agente, es decir, cuánto lenguaje, personalidad y calidez humana se le atribuye, no es un detalle cosmético. Es una decisión estratégica con consecuencias medibles sobre la percepción de calidad. Y es, precisamente, un espacio de investigación todavía abierto en el contexto de las PyMEs latinoamericanas y caribeñas.
Una ruta práctica de adopción
Si tuviera que reducir la evidencia a una secuencia accionable, sería esta.
Uno: empiece por el dolor, no por la herramienta. Identifique el proceso que más tiempo consume o más errores genera. Ese es su punto de entrada.
Dos: una tarea, un dueño, una métrica. Defina qué va a medir antes de implementar. Si no puede nombrar el indicador, no está listo para el piloto.
Tres: integre, no yuxtaponga. La evidencia del MIT es clara en esto. Las herramientas que viven fuera del flujo de trabajo mueren en el flujo de trabajo.
Cuatro: invierta en el dato antes que en el modelo. Un modelo excelente sobre datos sucios produce decisiones sucias con más confianza.
Cinco: establezca gobernanza desde el día uno. Privacidad, sesgo algorítmico, transparencia y supervisión humana. Davenport et al. (2020) advierten explícitamente sobre estas dimensiones de política. No son un asunto de cumplimiento legal solamente. Son un asunto de confianza del cliente.
Seis: capacite al equipo. El retorno de la IA es una función de la capacidad de su gente para usarla críticamente, no de la suscripción que usted pagó.
Conclusión
La inteligencia artificial no es una varita mágica ni una burbuja. Es una tecnología de propósito general cuyo valor depende, como ocurrió con la electricidad y con el internet, de la reorganización que la acompaña.
La evidencia sugiere que las empresas que están capturando valor real comparten tres rasgos: eligen un problema específico, integran la herramienta profundamente en el flujo de trabajo y miden el resultado con disciplina. Las que no lo hacen acumulan pilotos, no ventajas.
Para las PyMEs puertorriqueñas, la ventana está abierta y no requiere capital corporativo. Requiere claridad estratégica, disciplina de proceso y una disposición honesta a rediseñar la forma en que se trabaja. Eso último, que suena a lo menos tecnológico de todo, es lo que realmente separa al 5% del resto.
Referencias
- Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
- Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48(1), 24–42. https://doi.org/10.1007/s11747-019-00696-0
- Enholm, I. M., Papagiannidis, E., Mikalef, P., & Krogstie, J. (2022). Artificial intelligence and business value: A literature review. Information Systems Frontiers, 24(5), 1709–1734. https://doi.org/10.1007/s10796-021-10186-w
- Huang, M.-H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of Service Research, 21(2), 155–172. https://doi.org/10.1177/1094670517752459
- Huang, M.-H., & Rust, R. T. (2021). Engaged to a robot? The role of AI in service. Journal of Service Research, 24(1), 30–41. https://doi.org/10.1177/1094670520902266
- Islami, X., Mulolli, E., & Mustafa, N. (2025). Artificial intelligence and value-based strategy: A literature review and future research directions. Management Review Quarterly. https://doi.org/10.1007/s11301-025-00549-x
- Kitsios, F., & Kamariotou, M. (2021). Artificial intelligence and business strategy towards digital transformation: A research agenda. Sustainability, 13(4), 2025. https://doi.org/10.3390/su13042025
- McKinsey & Company. (2025). The state of AI in 2025: Agents, innovation, and transformation. QuantumBlack, AI by McKinsey. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- MIT Media Lab, Project NANDA. (2025). The GenAI divide: State of AI in business 2025. Massachusetts Institute of Technology.
- Nass, C., & Moon, Y. (2000). Machines and mindlessness: Social responses to computers. Journal of Social Issues, 56(1), 81–103. https://doi.org/10.1111/0022-4537.00153
- Parasuraman, A., Zeithaml, V. A., & Berry, L. L. (1988). SERVQUAL: A multiple-item scale for measuring consumer perceptions of service quality. Journal of Retailing, 64(1), 12–40.
- Rogers, E. M. (2003). Diffusion of innovations (5th ed.). Free Press.
- Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington Books.