La brecha entre expectativa y resultado: cuatro de cada diez PyMEs argentinas usan inteligencia artificial, pero más de la mitad no mide su impacto

En las pequeñas y medianas empresas industriales y de software argentinas, la inteligencia artificial ya no es una hipótesis lejana: es una herramienta cotidiana en oficinas técnicas, talleres y departamentos comerciales. Sin embargo, detrás del auge de asistentes de chat y programación, surge una pregunta central: ¿cuántas organizaciones saben con certeza si esa tecnología genera rentabilidad económica, reduce costos o simplemente insume tiempo en revisiones invisibles?

El debate público suele polarizarse entre el optimismo comercial y el escepticismo. En el centro está la economía real de las PyMEs, donde las decisiones se toman calculando el flujo de caja semana a semana.

Para evaluar la transformación real, Crónicas de IA contrastó dos relevamientos de 2026: la Encuesta Nacional sobre Adopción de IA en PyMEs (de nadIA / CEPE Di Tella, Fundar, BID y Fundación Observatorio PyME) y el Relevamiento Empresarial PyME del IAE Business School.

El cruce de ambos estudios arroja un diagnóstico claro: la experimentación táctica avanza con fuerza, pero las capacidades internas para auditar, gobernar y rentabilizar ese uso permanecen en una fase inicial.

1. Dos relevamientos, dos universos: qué miden el 93% y el 41,6%

Comprender el fenómeno exige no confundir los instrumentos. Según el IAE Business School, el 93% de los directivos consultados afirma estar en el ciclo de la inteligencia artificial y solo un 7% no la considera.

Sin embargo, el examen metodológico precisa el alcance de cada cifra:

• El universo del IAE: Relevó a 221 directivos de su red de programas ejecutivos. Ese 93% consolida tres estadios: 26% de uso regular, 38% en implementación preliminar y 29% en evaluación. Es un indicador de actitud en un segmento profesionalizado. El propio autor aclara que no mide el impacto en la productividad ni en los balances financieros.
• La muestra probabilística de nadIA: Diseñó una muestra probabilística estratificada de 402 firmas industriales y de software con alcance nacional. En este universo, la tasa de adopción ponderada por el diseño muestral se sitúa en el 41,6% (correspondiente a 170 firmas observadas que reportaron uso sobre las 402 encuestadas).

La apertura sectorial de nadIA muestra amplia disparidad: lidera Software y Servicios Informáticos con 85,4%, seguido por Textil (47,4%), Metalmecánica (40,6%), Química y Plástico (34,7%) y Alimentos y Bebidas (29,9%).

Comparar el 93% del panel del IAE con el 41,6% probabilístico sería un error: el primero refleja la agenda directiva en un ámbito de formación ejecutiva; el segundo releva herramientas operativas en la producción real.

2. La naturaleza del uso: herramientas individuales y presupuesto invisible

Verificar que cuatro de cada diez empresas del sector industrial y de software usan IA no explica cómo la aplican. Los datos de nadIA muestran que la adopción dista de sistemas predictivos complejos en planta: se trata, predominantemente, de un uso ofimático y táctico.

• El 77,9% de las firmas usuarias emplea herramientas de generación de texto o código (modelos de lenguaje comerciales como ChatGPT, Claude o asistentes de desarrollo).
• En cantidad de herramientas, el 14,7% del total de firmas usa exactamente una tecnología (35,3% de adoptantes). El 56,3% de las usuarias concentra su uso en una o dos herramientas, y solo el 18,3% del total general (44,0% de usuarias) emplea tres o más, donde asoman disciplinas como procesamiento de lenguaje avanzado o machine learning.
• Apenas el 7,5% de las firmas usuarias cuenta con un presupuesto específico para IA. El 78,3% disuelve las licencias dentro de sus gastos operativos generales sin centro de costos específico.
• La coordinación es atomizada: en el 44,4% la adopción es descentralizada (por empleados), y en un 20,2% no está claro quién coordina. Solo el 26,6% centraliza la gestión.
• En gobernanza, el 72,5% de las adoptantes opera sin directivas y apenas el 3,3% tiene protocolo formal escrito.

Esta informalidad dificulta calcular el retorno de una tecnología cuyos costos no se discriminan y cuyo uso no se supervisa.

3. La brecha entre expectativa y realidad: el 77% frente al 16,8%

El punto neurálgico surge al contrastar las proyecciones futuras con las declaraciones de desempeño actual. Según nadIA, el 77,0% de las PyMEs usuarias espera mejoras de productividad en los próximos cinco años, el 64,4% prevé reducciones de costos y el 46,9% anticipa incrementos en sus ingresos.

Sin embargo, al examinar el presente operativo, la evaluación es significativamente más sobria:

• El 57,4% de las empresas usuarias admite que no mide formalmente los resultados de la IA en su productividad.
• Entre el 40,6% que manifiesta haber intentado alguna evaluación, un 23,6% declara impactos positivos, un 15,4% continúa evaluando y un 1,2% reporta no haber hallado impactos significativos.
• Al consultar qué beneficios concretos ya fueron observados en la práctica, solo el 16,8% de las empresas usuarias declara mejoras de productividad y apenas el 10,4% reporta ahorros de costos.

Advertencia metodológica: el 77% y el 16,8% no son magnitudes comparables aritméticamente: una expresa expectativas a futuro y la otra resultados reportados retrospectivamente. No representan una tasa de fracaso, pero ilustran la brecha entre optimismo y medición incipiente.

Esa brecha responde a la confusión habitual entre la productividad percibida por el colaborador y la eficiencia económica de la organización:

«Un profesional puede experimentar agilidad al redactar una propuesta en diez minutos con un modelo de lenguaje. Pero si ese borrador exige cuarenta minutos adicionales de revisión para corregir inconsistencias factuales, y si el tiempo total de entrega al cliente o el costo operativo no varían, la ganancia de productividad permanece en el plano subjetivo y no impacta en el resultado del negocio.»

Esto coincide con la Curva J de la Productividad (Brynjolfsson): ante tecnologías disruptivas, los costos iniciales de aprendizaje postergan la captura de beneficios. Esta dificultad no es privativa de las PyMEs locales: el estudio global Where’s the Value in AI? de Boston Consulting Group (BCG, octubre de 2024), sobre 1.000 ejecutivos corporativos en 59 países, constató que el 74% de las compañías relevadas en el estudio aún no lograba generar valor tangible más allá del piloto, destacando que el factor crítico reside en rediseñar procesos y capacitar personal más que en el software.

4. Qué y cómo medir: cinco indicadores para la operación real

Para evaluar si la IA aporta valor económico, las PyMEs no requieren consultorías complejas, sino fijar líneas base previas a cada proceso. Ninguna métrica aislada basta; su valor surge del análisis conjunto:

1. Tiempo de ciclo cerrado por proceso (Lead Time): Medir el tiempo transcurrido desde que un requerimiento ingresa (cotización, orden o reclamo) hasta que el entregable definitivo y verificado es despachado, contrastándolo contra la media histórica manual.
2. Tasa de retrabajo y corrección humana (Rework Rate): Registrar qué proporción de las salidas generadas por IA exige correcciones sustanciales o descarte. Si una herramienta asiste en diez tareas pero tres deben ser reescritas por personal experimentado, el costo del retrabajo puede neutralizar el beneficio inicial.
3. Costo Total de Propiedad unitario (Unit TCO): Calcular la suma de licencias o cómputo + tiempo laboral del operador + tiempo del supervisor que audita el resultado. Si el costo unitario no disminuye, debe evaluarse si existen otros beneficios económicos que justifiquen la implementación (como mejoras en la calidad final, mayor velocidad de respuesta al cliente, ampliación de capacidad o mitigación de riesgos operativos).
4. Capacidad productiva liberada y reabsorbida: Distinguir entre horas ahorradas y valor económico realizado. Si una herramienta reduce tres horas semanales en tareas administrativas, la ganancia real solo se materializa si permite atender más clientes, incrementar el volumen de operaciones o redirigir al personal a funciones comerciales antes postergadas.
5. Retorno sobre la Inversión Atribuible (ROI): Distinga entre el beneficio neto y el retorno porcentual. Mientras que el beneficio neto es la diferencia entre ingresos o ahorros atribuibles y costos totales, el ROI mide el rendimiento del capital invertido mediante la fórmula:
   
   ROI = [(Beneficios atribuibles - Costos totales) / Costos totales] × 100
   
   Calcule este indicador contrastando ahorros comprobables o margen incremental frente a los costos totales (licencias, adecuaciones y capacitación), según la maduración de cada proceso.

5. Conclusiones y límites del estado del arte

La adopción de inteligencia artificial en las PyMEs industriales y de software argentinas atraviesa una fase de redefinición. La facilidad de acceso a herramientas conversacionales permitió que cuatro de cada diez empresas exploren sus utilidades, pero el cuello de botella actual se encuentra en la capacidad organizacional de transformar esa exploración en productividad comprobable.

No es un límite tecnológico, sino de gestión. En nadIA, las mayores barreras son la falta de personal calificado (42,2%) y el desconocimiento técnico (39,2%).

Como limitación metodológica, la evidencia disponible se sustenta en declaraciones de empresas ante la falta de auditorías directas sobre balances o plantas. La investigación futura deberá seguir casos longitudinales para constatar qué experiencias se consolidan como activos.

Para el entramado productivo argentino, el desafío ya no consiste en sumarse a la corriente de la adopción declarada, sino en incorporar la disciplina de medir. En la gestión de una PyME, la tecnología que no se mide no es una transformación: es simplemente un costo adicional que espera justificación.