La diferencia entre pagar IA y construir capital intelectual
Carlos Carrasco, Ph.D.
31 de julio de 2026
Crédito: Evolvis AI
Eran las 6:40 de la mañana cuando Daniela, directora general de un grupo industrial con operaciones en tres países, revisaba la propuesta de renovación de su proveedor de IA antes de la reunión de consejo. El contrato había crecido 35% respecto al año anterior. Los reportes de uso mostraban miles de consultas procesadas, dashboards impecables, adopción interna sólida. Todo apuntaba a una inversión exitosa.
Entonces se hizo la pregunta que ningún reporte de uso contesta: «si cancelamos mañana, ¿qué nos queda?». Silencio. Ni un modelo propio, ni una base de conocimiento exportable, ni un solo activo que apareciera en el balance. Tres años de inversión habían generado eficiencia operativa, sí, pero ningún capital que la empresa pudiera llamar suyo.
Esta escena se repite en consejos directivos de toda Latinoamérica, y revela una confusión que casi ninguna empresa aborda directamente: no toda inversión en IA construye lo mismo. Una parte se acumula, compone valor y aparece en el balance como capital intelectual. La otra se consume, se renueva cada año, y desaparece en cuanto deja de pagarse. Ambas se ven idénticas en el estado de resultados. Solo una de las dos es realmente tuya.
Activo o gasto: la pregunta que debería hacer todo consejo
La mayoría de las implementaciones de IA en empresas medianas y grandes siguen el mismo patrón: se contrata una plataforma externa, se conecta a los sistemas internos, se entrena al equipo, y los resultados llegan. El problema no es la tecnología ni la ejecución, sino que al final del contrato la empresa se queda exactamente donde empezó, salvo por la factura acumulada de varios años. Gartner estima que el gasto empresarial global en modelos y plataformas de IA crecerá 63% en 2026, hasta los 64 mil millones de dólares, y al mismo tiempo proyecta que una parte significativa de los proyectos de IA generativa se abandonará antes de llegar a producción —sobre todo aquellos que carecen de datos «listos para IA» propios—. El denominador común de esos fracasos no es la falta de tecnología disponible: es la falta de un activo propio que sobreviva al proyecto que lo originó.
La pregunta que debería hacerse cada consejo no es cuánto gastamos en IA este año, sino cuánto vale hoy la IA que construimos el año pasado.
Ese es el problema del alquiler perpetuo: cada mes se paga por acceso, no se construye propiedad. Mientras la empresa financia la infraestructura de un tercero, ese tercero acumula exactamente lo que a la empresa le falta —datos de uso agregados de cientos de clientes, patrones de decisión de industrias enteras, un modelo cada vez más afinado que nunca le pertenecerá a quien lo pagó—. La contabilidad ya distingue entre gasto y activo: un gasto se consume en el periodo en que ocurre, un activo genera valor en periodos futuros. Aplicada a la IA, esa lógica da un criterio simple para evaluar cualquier iniciativa antes de aprobar el presupuesto: si mañana cambias de proveedor, ¿qué te llevas contigo? Si la respuesta es «nada, hay que empezar de cero», es un gasto recurrente disfrazado de innovación. Si incluye datos propios, un modelo afinado con el contexto de tu negocio, o conocimiento experto ahora documentado y accionable, es un activo.
Las cinco capas del capital de IA
En la práctica, ese capital se compone de cinco capas que se acumulan de forma independiente, y que conviene evaluar por separado antes de aprobar cualquier iniciativa:
- Datos propios. Historial transaccional, patrones de demanda, interacciones con clientes, incidencias operativas: la materia prima de todo lo demás, y la primera capa que se pierde cuando vive exclusivamente en la infraestructura de un proveedor externo.
- Modelos entrenados con contexto de negocio. Un modelo genérico responde igual para cualquier empresa del sector. Uno afinado con tus propios datos —tu catálogo, tus clientes, tus reglas comerciales— mejora con cada mes de uso y se vuelve progresivamente más difícil de replicar por un competidor que parte de cero.
- Conocimiento institucional codificado. El criterio del ingeniero senior que sabe por qué un equipo se prioriza sobre otro, o del especialista que reconoce en segundos una queja que va a escalar, traducido en reglas y flujos documentados que ya no se van por la puerta cuando esa persona renuncia.
- Procesos de decisión documentados. Qué criterios se ponderan, en qué orden, con qué excepciones: el registro que permite auditar, mejorar y, eventualmente, transferir la decisión sin depender de una sola persona o de un solo proveedor.
- Valor económico capturado y medido. La traducción explícita de las cuatro capas anteriores a ingresos, capital liberado o costo evitado, cuantificada con la misma disciplina con la que se reporta cualquier otro activo del balance.
Sin la última capa, las primeras cuatro pueden existir y aun así quedarse invisibles para el consejo —son las que convierten «tenemos un modelo con nuestros datos» en «esto vale tantos dólares este año, y valdrá más el próximo»—. Una iniciativa que solo entrega la primera capa es, en el mejor de los casos, un gasto bien ejecutado; las que construyen las cinco simultáneamente son las que aparecen, año tras año, como valor creciente y no como costo recurrente.
La IA que se aprecia y la que se deprecia
Aquí está la distinción que casi nadie hace explícita: la IA diseñada para resolver una decisión específica de tu negocio acumula valor con cada interacción, mientras que la IA genérica —un asistente conversacional de propósito general, una herramienta de productividad estándar— se vuelve obsoleta en cuanto aparece una versión más nueva del mismo modelo base, porque no había nada propio construido debajo. Cuando un sistema se enfoca en una decisión concreta —priorizar una queja, dimensionar un equipo, pronosticar la demanda de un SKU— cada caso resuelto deja una huella: una regla afinada, una excepción documentada, un patrón que el modelo aprende a reconocer mejor la próxima vez. Ese aprendizaje es acumulativo y específico de tu operación. Nadie más lo tiene, ni siquiera el proveedor que construyó la plataforma.
La privacidad y la soberanía del dato son parte inseparable de esta ecuación. Cuando el modelo corre dentro de la infraestructura del cliente —no en un servicio compartido donde tus datos entrenan, directa o indirectamente, el producto que usan tus competidores— cada interacción se queda exclusivamente como valor acumulado tuyo. Es la diferencia entre depositar en una cuenta propia y pagar una renta que además financia el activo de otro.
Cuatro empresas, cuatro maneras de construir el activo
Esta distinción entre activo y gasto deja de ser abstracta cuando se mira el retorno real de implementaciones que priorizaron construir capital propio sobre simplemente comprar acceso a una herramienta. Los siguientes son casos desarrollados por Evolvis AI para empresas industriales y comerciales de Latinoamérica, con algunos números llevados a dólares para mostrar el orden de magnitud del argumento —supuestos ilustrativos y conservadores, no cifras exactas de los clientes—.
Una empresa de ingeniería industrial con operación en la región dependía del conocimiento individual de sus ingenieros senior para elaborar propuestas técnicas-económicas, un proceso manual que tomaba hasta una semana por proyecto. Al centralizar ese conocimiento —manuales, fichas técnicas, catálogos, históricos de soporte— en un sistema propio que automatiza las seis etapas del cálculo, el tiempo de generación de una propuesta bajó a 10-15 minutos, incluida la validación de un ingeniero. El resultado no fue solo velocidad: 87% más cotizaciones generadas al mes, porque dejó de ser necesario elegir qué proyectos cotizar y cuáles descartar por falta de tiempo, y un crecimiento de 40% en ventas. Puesto en números: si un proyecto promedio vale USD 30,000 y el equipo cerraba 8 al mes, ese 40% de crecimiento equivale a unos 3 proyectos adicionales cerrados cada mes, cerca de USD 90,000 de ingreso adicional mensual, más de USD 1 millón al año. Cotizar en minutos no ahorra tiempo de ingeniería por sí solo: permite atender solicitudes que antes se descartaban, y cada una de ellas es una probabilidad de cierre que antes no existía.
Una empresa de servicios con clientes industriales en toda Latinoamérica y el Caribe gestionaba quejas dispersas entre correo, WhatsApp, CRM y ERP, sin criterios objetivos de priorización. Un sistema que centraliza esos canales y prioriza automáticamente según valor comercial, severidad y antigüedad de la relación redujo 60% el tiempo de identificación y clasificación de casos, y mejoró 45% el tiempo de respuesta a clientes estratégicos. El ROI no se mide solo en horas: supongamos 40 cuentas estratégicas con un valor promedio de contrato de USD 80,000 al año, de las cuales la empresa perdía en promedio 3 por atención tardía —USD 240,000 en contratos perdidos—. Si la detección proactiva evita la mitad de esas pérdidas, son entre USD 80,000 y 160,000 en ingresos retenidos, más un ahorro de entre USD 25,000 y 40,000 al año en personal que no fue necesario contratar para sostener el mismo volumen de casos.
Una empresa comercial con presencia en Europa, Estados Unidos y varias partes de Latinoamérica enfrentaba lead times de 8 a 12 semanas entre sus centros de origen y los mercados que atendía, con pronósticos manuales que acertaban apenas 45% de las veces. Un sistema que reentrena modelos predictivos por SKU cada mes elevó esa precisión a 88% en el primer año, liberando 30% del capital antes inmovilizado en inventario. Sobre un inventario promedio de USD 2 millones, eso son USD 600,000 liberados; a un costo de capital de 12% anual, un ahorro financiero de USD 72,000 al año, antes de sumar menos envíos urgentes y menos productos liquidados por obsolescencia.
Y en una operación de manufactura multinacional, Evie procesa facturas escaneadas, extrae los campos relevantes —proveedor, folio, fecha, montos, partidas, impuestos— y los registra en la base de datos que alimenta el resto del proceso administrativo. Capturar una factura manualmente toma, según benchmarks de la industria, entre 3 y 15 minutos; Evie hace lo mismo en 5 a 15 segundos. Con un volumen real de al menos 400 facturas al día —cerca de 8,000 al mes— y un costo cargado de personal de USD 12 la hora, la captura manual representa cerca de 1,067 horas mensuales, unas 6 posiciones de tiempo completo, unos USD 12,800 al mes; con Evie, la misma carga toma poco más de 22 horas, y ahora esa capacidad humana se reasigna a validar excepciones y negociar con proveedores.
Los cuatro casos comparten un patrón: el retorno no viene de una tarea que se hizo más rápido en aislamiento. Viene de una capacidad nueva —cotizar más, retener más contratos, inmovilizar menos capital, procesar más documentos— que antes era físicamente imposible con el mismo equipo, y que crece de valor cada mes que el sistema sigue aprendiendo del contexto específico de esa empresa. Ninguna de estas cifras requiere inflar el argumento: son estimaciones conservadoras, con supuestos explícitos que cualquier director financiero puede ajustar a sus propios números. Y ese es el punto: cuando cada mejora operativa se traduce a ingresos, capital liberado o costo evitado, la conversación con el consejo deja de ser sobre cuánto se gastó en tecnología, y pasa a ser sobre cuánto vale hoy lo que se construyó con ella.
Las señales de que el activo se está quedando en manos de otro
Hay tres señales que anticipan que una inversión en IA se está depreciando en lugar de apreciarse, mucho antes de que aparezca en algún reporte financiero. La primera es la fuga de datos al proveedor: cuando la información que tu operación genera vive exclusivamente en la infraestructura de un tercero, sin que tu empresa conserve una copia estructurada y utilizable fuera de esa plataforma. La segunda es un modelo sin contexto propio: si el sistema responde prácticamente igual con tus datos que sin ellos, no hay nada acumulándose, solo una licencia que se renueva. La tercera es el conocimiento que se va con el consultor externo: si nadie dentro de la empresa puede explicar por qué el sistema decide lo que decide, ese conocimiento nunca fue realmente institucional, y desaparece en cuanto termina el contrato de soporte. Cualquiera de estas tres señales, presente hoy, es una alerta de que el presupuesto de IA del próximo año seguirá siendo un gasto, sin importar cuánto haya crecido.
El activo que se construye, no se alquila
La IA se está volviendo un commodity al alcance de cualquier empresa con tarjeta de crédito. En ese mercado, la ventaja competitiva ya no está en qué modelo usas —eso lo puede comprar cualquiera— sino en qué construiste con él: qué datos propios acumulaste, qué criterio experto codificaste antes de que se fuera con la persona que lo tenía, y qué tan poco dependes hoy de que un proveedor externo siga vendiéndote acceso a algo que debería ser tuyo.
Dentro de un año, cuando tu consejo pregunte cuánto invirtió la empresa en IA, la pregunta que realmente importa es otra: cuánto vale hoy la IA que construimos, y cuánto valdrá si seguimos construyendo así un año más.
Sobre el autor: Carlos Carrasco es CTO de Evolvis AI. Doctor en Sistemas Inteligentes por el Tecnológico de Monterrey, candidato a MBA, y ex investigador senior del Barcelona Supercomputing Center. Con más de 19 publicaciones científicas, y proyectos de gran envergadura, su investigación ha avanzado aplicaciones de IA en múltiples industrias.
Contáctenos: info@evolvis.ai
