¿Es necesario ordenar, normalizar y automatizar antes de implementar IA?
Resumen ejecutivo
La expansión de la inteligencia artificial empresarial está ocurriendo antes de que muchas organizaciones hayan resuelto problemas básicos de información, procesos e integración. Esto no impide experimentar con IA, pero condiciona la capacidad de convertir usos individuales o pilotos aislados en operaciones confiables y escalables.
La transformación digital no es una barrera de entrada absoluta para usar IA. Sí se vuelve una base progresivamente más necesaria cuando aumentan la autonomía, la criticidad y la escala de la solución.
La relación tampoco es lineal. La IA puede colaborar desde el comienzo en la clasificación documental, la extracción de datos, la detección de duplicados, la sugerencia de metadatos y el descubrimiento preliminar de procesos. En ese segundo camino, la tecnología no reemplaza el gobierno: propone; la organización valida, normaliza y decide.
Hallazgos principales
- Usar IA no equivale a integrarla organizacionalmente. La adopción individual puede comenzar con muy poca transformación previa; la operación crítica exige datos, procesos, controles y responsabilidades.
- La encuesta argentina sobre PyMEs muestra una adopción relevante, pero mayormente experimental y con baja institucionalización.
- La infraestructura digital previa se asocia con la adopción de IA, aunque esa asociación no demuestra causalidad.
- Ordenar información significa mucho más que mover archivos: requiere fuentes autoritativas, definiciones, metadatos, responsables, permisos y reglas de calidad.
- La IA puede acelerar el ordenamiento, pero necesita criterios de referencia y validación humana.
- La decisión debe tomarse por caso de uso y riesgo, no mediante una regla universal aplicable a toda la empresa.
Índice
1. La pregunta empresarial
La inteligencia artificial redujo drásticamente las barreras de entrada. Una persona puede utilizar hoy asistentes generativos para redactar, resumir, clasificar, comparar o analizar información sin que la empresa haya desarrollado un modelo propio ni completado un programa formal de transformación digital.
Esta facilidad produce una tensión: la IA entra en organizaciones donde todavía conviven sistemas de gestión, planillas, correos, carpetas personales, documentos duplicados y procedimientos sostenidos por conocimiento tácito. La pregunta relevante no es si esa empresa puede usar IA, porque, en la práctica, ya puede hacerlo, sino qué condiciones necesita para convertir ese uso en una capacidad confiable.
La respuesta depende del alcance. Resumir una reunión, sugerir etiquetas o preparar un borrador exige una base distinta de la necesaria para emitir documentación crítica, autorizar pagos o intervenir en decisiones regulatorias. A mayor autonomía, impacto y dificultad de reversión, mayores deben ser la calidad de la información, la formalización del proceso, la trazabilidad y la supervisión.
2. Adopción no es madurez
2.1 América Latina: utilización intensa, integración desigual
La CEPAL estimó que América Latina y el Caribe concentraba el 14% de las visitas mundiales a soluciones web de IA frente al 11% de los usuarios globales de Internet. El indicador se construyó con tráfico a unos 260 sitios de 18 países y excluye implementaciones empresariales cerradas; por lo tanto, describe utilización de soluciones web, no adopción empresarial.
El ILIA 2025 evalúa la preparación, adopción y gobernanza de la IA en 19 países mediante más de 100 subindicadores agrupados en factores habilitantes; investigación, desarrollo y adopción; y gobernanza. Su aporte principal es mostrar que la capacidad de aprovechar IA no depende de una sola tecnología, sino de un ecosistema de conectividad, talento, inversión, innovación e instituciones.
2.2 Argentina: usar IA no significa integrarla
La encuesta nacional de nadIA relevó 402 PyMEs manufactureras y de software de 10 a 249 ocupados durante noviembre y diciembre de 2025, mediante muestreo probabilístico estratificado. El 41,6% declaró utilizar al menos una tecnología de IA. Sin embargo, entre las adoptantes, 56% permanecía en etapa experimental y 57,4% no medía formalmente los resultados. Solo 3,3% tenía una política escrita y 4,5% había incorporado perfiles especializados.
La diferencia es central: un trabajador puede obtener mejoras individuales con una herramienta generativa sin que la organización haya integrado fuentes, modificado procesos, definido responsables, administrado permisos o creado indicadores. La integración empresarial comienza cuando la IA deja de ser una herramienta aislada y pasa a formar parte de un flujo gobernado.
2.3 La base digital se asocia con la adopción
La misma encuesta encontró asociaciones positivas entre adopción de IA y tecnologías digitales previas, entre ellas nube, comunicación interna, comercio electrónico, herramientas de diseño y sistemas ERP. La relación fue estadísticamente significativa, pero transversal: no permite afirmar que adoptar un ERP o migrar a la nube cause por sí mismo mejores resultados con IA.
Este resultado es compatible con la literatura sobre preparación organizacional. Jöhnk, Weißert y Wyrtki identifican activos, capacidades y compromiso organizacional como dimensiones de preparación para adoptar IA. El marco no propone un requisito tecnológico único ni una secuencia universal; describe una combinación de condiciones que la organización debe desarrollar.
3. Por qué importa el orden previo
3.1 Saber dónde está la información
La primera dificultad no es la ausencia de datos, sino su dispersión. Sistemas, hojas de cálculo, correos, PDFs y carpetas personales pueden contener versiones incompatibles de una misma realidad. Una empresa puede convivir con esa ambigüedad porque sus empleados conocen atajos informales; una automatización no dispone de ese contexto si no fue incorporado explícitamente.
3.2 Ordenar no es crear carpetas
Una arquitectura de información útil debe identificar fuentes autoritativas, responsables, vigencia, permisos, identificadores, relaciones y reglas de conservación. Su objetivo no es que todo esté en un único repositorio, sino que cada dato relevante sea localizable, interpretable, trazable y gobernable.
Los diagnósticos del BID Lab sobre economía del dato destacan brechas de estandarización, interoperabilidad, calidad y medición en PyMEs latinoamericanas. En el autodiagnóstico reportado, 42,74% de las evaluaciones quedó en nivel inicial, 44,93% en novato, 11,65% en competente y 0,68% en avanzado. Estos resultados describen a quienes utilizaron la herramienta y no deben generalizarse como un censo regional.
3.3 Normalizar el significado
La calidad técnica no resuelve por sí sola la calidad semántica. “Cliente activo” puede significar una compra reciente para ventas, una cuenta abierta para administración, un saldo pendiente para cobranzas o un contacto disponible para marketing. La IA puede encontrar esas definiciones, pero no debería elegir por sí sola cuál gobierna una decisión. Esa definición corresponde a la organización.
3.4 Convertir conocimiento tácito en proceso
En muchas empresas, el procedimiento real vive en frases como “si ocurre esto, consultá a María” o “con este proveedor se hace distinto”. Para automatizar, ese conocimiento debe transformarse en actividades, decisiones, reglas, responsables, excepciones, controles, salidas e indicadores.
3.5 Automatizar sin comprender
La automatización robótica resulta especialmente apta para tareas de alto volumen, repetitivas, basadas en reglas y con oportunidades de estandarización. También requiere datos íntegros y una visión de transformación que no se limite a instalar una herramienta.
Advertencia: la formulación prudente no es que automatizar un proceso defectuoso siempre lo empeora, sino que automatizar sin comprender objetivos, variantes y excepciones puede reproducir y escalar sus defectos. La tecnología aumenta velocidad y repetibilidad; por eso también puede aumentar la propagación de una regla incorrecta.
3.6 Medir antes y después
Sin línea de base, una empresa puede demostrar que implementó IA, pero no que generó valor. Antes del piloto deberían medirse, según el caso, tiempo de ciclo, costo, errores, retrabajo, volumen, excepciones e intervención humana. Después se comparan los mismos indicadores y se evalúan efectos no deseados.
La evidencia global de McKinsey asocia el rediseño de workflows, la definición de indicadores, el liderazgo y los mecanismos de retroalimentación con una mayor creación de valor reportada. Se trata de una encuesta y no de una prueba causal, pero refuerza el carácter organizacional del escalamiento de IA.
4. La IA también puede ayudar a ordenar
La secuencia tradicional, ordenar, normalizar, automatizar e incorporar IA, sigue siendo útil, pero no es la única. Cuando existen grandes volúmenes de información no estructurada, la IA puede reducir el trabajo inicial de descubrimiento.
4.1 Qué puede aportar
Clasificación
Clasificación preliminar de documentos y sugerencia de metadatos y categorías.
Extracción
Extracción de fechas, importes, entidades y referencias.
Calidad
Detección de registros similares o posibles duplicados.
Descubrimiento
Resumen de procedimientos, comparación de versiones e identificación preliminar de patrones, excepciones y relaciones.
4.2 El límite: necesita criterios externos
La IA puede sugerir que dos documentos se refieren al mismo contrato o que cinco nombres representan una categoría común. No puede convertir esa sugerencia en una regla empresarial definitiva sin contrastarla con una fuente autorizada, una taxonomía o el juicio de quienes gobiernan el proceso.
Los marcos de gestión de riesgos de IA colocan la gobernanza, la medición y el monitoreo dentro del ciclo de vida del sistema. NIST organiza estas funciones alrededor de Govern, Map, Measure y Manage. ISO/IEC 42001, por su parte, establece requisitos para un sistema de gestión de IA con responsabilidades y mejora continua.
5. Dos rutas complementarias
Fundamentos primero
Diagnosticar, ordenar, comprender, automatizar e incorporar IA.
IA para ordenar
Clasificar, extraer, validar, normalizar y luego integrar.
Ruta A: construir primero los fundamentos digitales
La organización diagnostica el problema, define fuentes y responsables, comprende el proceso, automatiza reglas estables e incorpora IA allí donde la interpretación, el lenguaje o la predicción justifican su uso. Es la ruta más prudente para procesos financieros, contables, fiscales, regulatorios, de pagos, autorización y cumplimiento.
Ruta B: utilizar IA para acelerar el ordenamiento
La organización delimita un conjunto de información, emplea IA para clasificar o extraer, valida los resultados, crea estándares y fuentes oficiales, rediseña el proceso y recién entonces integra automatización e IA. Es especialmente útil cuando el cuello de botella inicial está en miles de documentos, correos o registros no estructurados.
La variable decisiva: riesgo
| Riesgo | Ejemplos | Condiciones mínimas |
|---|---|---|
| Bajo | Borradores, resúmenes, etiquetas preliminares | Revisión del usuario y protección básica de datos |
| Extracción, conciliaciones, análisis documental | Datos confiables, validación humana, registro y monitoreo | |
| Alto | Pagos, decisiones financieras, fiscales o regulatorias | Gobernanza formal, trazabilidad, segregación, pruebas y supervisión |
6. Casos empresariales
6.1 SKEMA, Colombia
Datos y flujo comercial
El caso incluido por BID Lab documenta depuración de bases, documentación del flujo comercial, parametrización de Business Intelligence y un piloto posterior. El informe comunicó una reducción aproximada del 20% en el tiempo dedicado a construir y ajustar informes. Debe interpretarse como caso de transformación basada en datos, no como prueba independiente del retorno de IA.
6.2 SUMAR, Argentina
Conocimiento y control
En el caso publicado, parte del conocimiento del cierre de facturación estaba concentrado en la persona que realizaba la tarea. La implementación requirió documentar reglas y excepciones, incorporar un agente y conservar control humano. La empresa declaró que un ciclo de aproximadamente 24 horas pasó a validarse en minutos y estimó unas 300 horas anuales liberadas. Son resultados declarados por la organización y no una medición auditada.
6.3 Venturino, Argentina
Reglas y excepciones
La conciliación involucraba 28 bancos y requirió incorporar progresivamente reglas, excepciones, validaciones y supervisión humana. La empresa informó una reducción aproximada de 20 a 5 días y una disminución cercana al 10% de errores. También aquí se trata de resultados declarados y no verificados mediante auditoría independiente.
7. Guía práctica de madurez
La siguiente guía es una síntesis metodológica propia basada en dimensiones recurrentes de madurez digital, gestión de datos, procesos, automatización, IA y gobernanza. No pretende ser un estándar universal ni supone que todas las organizaciones deban avanzar de manera idéntica.
| Etapa | Pregunta central | Resultado esperado |
|---|---|---|
| 0. Diagnóstico | ¿Qué problema queremos resolver? | Caso de negocio, alcance y línea de base |
| 1. Información | ¿La información es suficiente y confiable? | Fuentes, definiciones, estructura y responsables |
| 2. Procesos | ¿Cómo funciona realmente? | Flujo, reglas, excepciones, controles e indicadores |
| 3. Automatización | ¿Qué puede resolverse mediante reglas? | Workflow determinístico y tratamiento de errores |
| 4. IA | ¿Dónde se necesita interpretación o predicción? | Caso de IA probado y supervisado |
| 5. Escalamiento | ¿Puede gobernarse y mantenerse? | Monitoreo, seguridad, roles, costos y mejora continua |
Señales de que se están saltando etapas
- El proyecto comienza con “queremos IA” pero no existe un problema definido.
- Se quiere construir un asistente documental sin saber qué documentos están vigentes.
- Cada persona ejecuta el proceso de manera diferente y las excepciones no están registradas.
- No existe propietario del proceso ni responsable del dato.
- No se conocen tiempos, errores, costos o volumen antes de implementar.
- El éxito se mide por licencias o usuarios, no por resultados.
8. Plan de trabajo A: ordenar antes de implementar IA
Diagnóstico
Inventariar sistemas, archivos, datos, procesos, responsables, automatizaciones, problemas y riesgos.
Entregable: mapa de situación actual y caso de negocio.
Arquitectura de información
Definir fuentes oficiales, nomenclaturas, metadatos, identificadores, permisos, responsables y conservación.
Entregable: información localizable, interpretable y gobernable.
Procesos
Documentar AS-IS y diseñar TO-BE; identificar actividades, decisiones, excepciones, controles e indicadores.
Entregable: proceso comprendido y mejorado.
Automatización
Separar tareas determinísticas de tareas variables y automatizar primero reglas estables.
Entregable: workflow controlado y trazable.
IA
Priorizar oportunidades por valor, viabilidad y riesgo.
Entregable: caso de uso delimitado con criterios de evaluación.
Piloto
Medir tiempo, costo, errores, volumen, excepciones e intervención humana antes y después.
Entregable: evidencia para continuar, corregir o detener.
Escalamiento
Integrar seguridad, permisos, monitoreo, capacitación, mantenimiento y gestión del cambio.
Entregable: capacidad empresarial sostenible.
9. Plan de trabajo B: utilizar IA para ordenar
Delimitar
Elegir una biblioteca, un proceso, un área o una tipología documental. No comenzar con toda la empresa.
Descubrimiento asistido
Usar IA para inventariar, clasificar, extraer, resumir, detectar duplicados, identificar entidades y sugerir categorías.
Validación humana
Revisar categorías, definiciones, relaciones, vigencia y excepciones. La IA propone; la organización decide.
Normalización
Convertir decisiones validadas en taxonomías, metadatos, catálogos, nomenclaturas, reglas, fuentes oficiales y responsables.
Descubrimiento de procesos
Analizar registros y documentos para proponer actividades, decisiones, participantes, excepciones y cuellos de botella.
Rediseño
Eliminar pasos sin valor, duplicaciones, controles redundantes, transferencias y cargas repetidas.
Automatización + IA
Aplicar reglas a lo determinístico e IA a la interpretación, clasificación, lenguaje o predicción.
Gobernanza
Definir responsabilidades, permisos, supervisión, trazabilidad, métricas, monitoreo, incidentes y mantenimiento.
10. Conclusión
La transformación digital previa no es una condición absoluta para comenzar a utilizar inteligencia artificial. La expansión de herramientas accesibles demuestra que una organización puede experimentar mucho antes de haber ordenado toda su información o formalizado todos sus procesos.
Pero comenzar no es lo mismo que integrar, y adoptar no es lo mismo que escalar. Cuando la IA pasa de asistir a ejecutar, y de producir borradores a intervenir en operaciones críticas, aumenta la necesidad de datos confiables, procesos comprendidos, controles, responsables, trazabilidad y gobierno.
Al mismo tiempo, exigir una transformación perfecta antes de experimentar puede convertirse en una barrera innecesaria. La IA puede acelerar la clasificación documental, la extracción, la deduplicación y el descubrimiento preliminar. El criterio es utilizarla primero allí donde el error sea revisable y donde exista una persona capaz de validar el resultado.
La pregunta empresarial decisiva ya no es simplemente cómo implementar IA. Es qué debe ordenarse, qué puede automatizarse mediante reglas, qué conviene delegar a la inteligencia artificial y qué debe permanecer bajo criterio humano.
¿Tu empresa necesita ordenar, automatizar o incorporar IA?
En Tax Solutions ayudamos a analizar procesos, organizar información y definir casos de uso concretos, con una mirada orientada al control, la trazabilidad y la generación de valor.
El punto de partida no es comprar una herramienta. Es identificar el problema correcto y diseñar una solución que pueda sostenerse.
Bibliografía
- Avenburg, A., Santolaria, M., Vezzato, J. M. e Ibarra, I. (2026). Encuesta nacional sobre adopción de IA en pequeñas y medianas empresas de la Argentina. nadIA, Fundar y CEPE Di Tella.
- Banco Interamericano de Desarrollo. (2024). Economía del dato para PyMEs: Claves para impulsar los negocios en la era digital. BID Lab.
- Comisión Económica para América Latina y el Caribe. (2025). Uso de soluciones de IA en América Latina y el Caribe 2025. Observatorio de Desarrollo Digital.
- Comisión Económica para América Latina y el Caribe y Centro Nacional de Inteligencia Artificial. (2025). Índice Latinoamericano de Inteligencia Artificial 2025. Naciones Unidas.
- Federación Argentina de Consejos Profesionales de Ciencias Económicas. (2021). Aplicación de nuevas tecnologías en el trabajo del auditor, Informe N.º 25.
- International Organization for Standardization. (2023). ISO/IEC 42001:2023 Information technology, Artificial intelligence, Management system.
- Jöhnk, J., Weißert, M. y Wyrtki, K. (2021). Ready or not, AI comes: An interview study of organizational AI readiness factors. Business & Information Systems Engineering, 63, 5-20.
- McKinsey & Company. (2025). The state of AI: How organizations are rewiring to capture value. QuantumBlack, AI by McKinsey.
- National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework 1.0. U.S. Department of Commerce.
- iProfesional. (2026). Tres casos de empresas argentinas que utilizan agentes de IA y ahorran días de trabajo.
