(Por Leandro Di Nardo Co-founder & Director en NUMAN) El error más caro en transformación digital no es elegir la tecnología equivocada. Es empezar sin saber bien qué problema querés resolver.
Lo veo constantemente en mi trabajo con empresas industriales de la región: organizaciones que invierten en plataformas de IA, sensores IoT y dashboards de última generación, y seis meses después nadie los usa. Los datos se acumulan, los reportes se generan solos y las decisiones se siguen tomando como siempre: a criterio del gerente de turno, con la planilla de Excel de toda la vida. ¿Por qué? Porque se empezó por la solución y no por el problema.
El espejismo de la solución perfecta
Cuando una empresa me llama para hablar de IA industrial, la primera pregunta que hago casi nunca es sobre tecnología. Es sobre decisiones: ¿qué decisión concreta querés tomar mejor o más rápido? ¿Quién la toma hoy? ¿Con qué información cuenta, y qué le falta?
La mayoría de las veces, la respuesta tarda en llegar. Y ese silencio es la señal más clara de que el proyecto todavía no está listo para arrancar por la tecnología.
Comprar una plataforma antes de tener esa respuesta es como comprar un microscopio sin saber qué querés observar. El instrumento puede ser excelente. El problema es que nadie sabe para qué mirarlo.
La IA no transforma operaciones. Transforma el cambio en cómo se toman decisiones
Esta distinción parece sutil, pero es la que separa a los proyectos que escalan de los que se quedan dando vueltas en fase de prueba, sin pasar nunca a producción.
Un sensor que mide vibración en una máquina no mejora el mantenimiento por sí solo. Lo mejora cuando alguien (una persona, un equipo, un proceso) actúa distinto a partir de ese dato: adelanta una intervención, ajusta un parámetro, prioriza una orden de trabajo. Si esa persona no existe, o no tiene el criterio, el tiempo ni el mandato para actuar, el sensor es un gasto que factura reportes que nadie lee.
Por eso decimos que el verdadero cuello de botella no es la tecnología. Rara vez lo es. La tecnología de IA aplicada a operaciones industriales (mantenimiento predictivo, optimización de planeamiento, visión artificial para calidad) ya es madura, accesible y probada en la región. Lo que escasea es el talento capaz de traducir esa tecnología en una decisión mejor: gente que entiende la operación de planta tanto como entiende de datos, que sabe interpretar un modelo sin sobre-interpretarlo, y que tiene la autoridad organizacional para actuar sobre lo que ese modelo dice.
Un perfil que todavía no abunda
En NUMAN venimos mapeando este perfil híbrido en procesos de búsqueda en casi toda la región, y el patrón se repite: encontrar candidatos con este perfil no es sencillo. No hablamos solamente de data scientists ni de ingenieros de IA, esos roles, aunque escasos, al menos tienen un mercado de formación relativamente claro. Te invito a conocer más sobre estos perfiles en otro de artículo.
Hablamos de algo más difícil de conseguir: el líder de operaciones, mantenimiento o calidad que además sabe leer un dashboard, cuestionar un modelo y traducir ambas cosas en una decisión de negocio.
Ese perfil no se forma solo en una universidad ni se resuelve solo con una certificación en IA. Se forma en la intersección entre el conocimiento de planta y la alfabetización de datos, y hoy esa intersección es angosta.
Esto tiene una consecuencia directa para quienes lideran transformación digital: contratar o capacitar sin ese cruce en mente es una de las razones principales por las que los proyectos de IA industrial no logran ir más allá de la etapa inicial.
Lo que confirman los números
Esto no es solo una percepción de campo. Un estudio de BID Invest sobre madurez digital en la manufactura de América Latina y el Caribe la ubica en un nivel apenas intermedio, y encontró que en 7 de cada 10 empresas los planes de transformación digital no son conocidos por el resto de la organización. No es un dato menor: el sector representa cerca del 16% del PIB regional y uno de cada cinco empleos.
A nivel global el panorama es similar. Según McKinsey, más de seis de cada diez empresas que dicen usar IA todavía están en fase de experimentación o prueba, y en América Latina la proporción de proyectos que logra escalar es sensiblemente menor que en mercados desarrollados. Otros estudios del sector, como los de Getac, señalan a la cultura organizacional, por delante del presupuesto o la tecnología, como el obstáculo más citado para avanzar.
El patrón se repite en cada estudio: la tecnología rara vez es el límite. Lo es la estructura, el talento y la forma en que la organización decide y ejecuta.
Qué hace que un proyecto sí escale
De los proyectos que acompañamos y que sí lograron salir de la etapa de prueba y consolidarse en la operación real, encontramos tres elementos en común:
- Primero, arrancan por el problema, no por la herramienta. El proyecto tiene un dueño de negocio que puede nombrar, en una frase, qué decisión va a mejorar y cómo se va a medir esa mejora.
- Segundo, tienen un caso de negocio construido antes de la inversión, no después. Eso obliga a pasar por la pregunta incómoda: ¿esto vale la pena?, cuando todavía es barato equivocarse, en lugar de descubrirlo seis meses después con la plataforma ya comprada.
- Tercero, invierten en desarrollar o incorporar el talento que va a operar la herramienta al mismo ritmo que invierten en la herramienta misma. No después. No como una capacitación de último momento antes del go-live.
El desafío para quienes lideran
Si lideras la transformación digital en tu compañía, la primera pregunta que te conviene hacerte no es «¿qué plataforma de IA deberíamos comprar?». Es: «¿tenemos, hoy, al equipo listo y preparado para saber qué hacer con lo que esa plataforma nos va a decir?»
Si la respuesta no es clara, ahí está el verdadero problema a resolver primero. No es un problema de tecnología: es un problema de talento, de estructura y de gestión del cambio. Y ese es exactamente el trabajo que hacemos desde la alianza entre NUMAN, Onward Partners y el Centro de Transformación Digital – Universidad Austral, especialmente en nuestros talleres intensivos: identificar el problema correcto, elegir la herramienta adecuada y construir el caso de negocio para que la iniciativa avance de la prueba inicial a resultados sostenibles.
