El 13 de agosto de 2026 se publicaron los resultados del estudio anual de Alteryx sobre lideres de TI, realizado por Coleman Parkes entre abril y mayo con 1,400 responsables tecnologicos de Norteamerica, Europa, Medio Oriente y Asia-Pacifico, en sectores como banca, manufactura, retail, seguros y sector publico. El hallazgo central es incomodo: el 53% de las organizaciones tiene dificultades para traducir el contexto de negocio (sus reglas, definiciones y conocimiento operativo) a los sistemas y flujos de trabajo en los que se apoya su IA.
Lo que hace relevante el dato es el contraste con el resto de la encuesta. El 77% de los lideres de TI afirma que ese contexto es esencial para obtener resultados precisos y relevantes. El 80% espera aumentar el gasto en IA en los proximos dos anos. Y el 69% reporta un retorno moderado o significativo de sus inversiones actuales. Es decir: saben que el contexto importa, siguen invirtiendo, y aun asi la mitad no logra operacionalizarlo.
Donde se rompe la cadena
El estudio apunta a una causa estructural mas que tecnica. La estrategia de IA (37%) y su implementacion (38%) se concentran en el area de TI, mientras que la definicion de requerimientos recae principalmente en las areas de negocio (30%). El conocimiento operativo vive en un lugar y los sistemas se construyen en otro.
Ese conocimiento suele ser mucho mas especifico de lo que parece. En una operacion de servicio al cliente, por ejemplo, incluye cosas como:
- Que significa exactamente que un caso este "resuelto" en esta empresa y no en el manual generico.
- Que excepciones se aplican a que tipo de cliente y quien tiene autoridad para aprobarlas.
- Cuales son los plazos reales de respuesta comprometidos por segmento, no los publicados.
- Que solicitudes nunca deben automatizarse por razones legales o reputacionales.
- Como se prioriza cuando dos reglas entran en conflicto.
Nada de eso suele estar escrito en un lugar consultable. Vive en la cabeza de los supervisores con mas anos en la operacion, se transmite oralmente y se pierde cuando esa persona cambia de trabajo.
Por que este problema golpea mas fuerte a las pymes de LATAM
En empresas medianas de la region el fenomeno se agrava por una razon simple: los procesos rara vez fueron documentados formalmente porque durante anos la operacion era lo bastante pequena para funcionar por conocimiento compartido. Cuando llega el momento de automatizar, no hay una fuente de verdad de la cual partir.
La consecuencia practica es que muchos proyectos de IA en la region no fracasan por limitaciones del modelo, sino porque nadie puede responder con precision como funciona realmente el proceso que se pretende automatizar. El piloto funciona en la demo con casos limpios y se desmorona con la primera excepcion real.
El orden correcto de los factores
La conclusion practica del estudio no es que haya que invertir menos en IA, sino que la inversion rinde poco mientras el conocimiento operativo siga siendo tacito. Antes de elegir un modelo o una plataforma, la pregunta util es si la empresa tiene sus procesos registrados en sistemas donde queden trazados: quien atendio que, con que criterio, en cuanto tiempo, con que resultado.
Una operacion que ya trabaja sobre sistemas estructurados tiene, casi sin proponerselo, el contexto de negocio que la IA necesita. Una que trabaja sobre correos y memoria institucional tiene que construirlo desde cero, y ese suele ser el trabajo real detras de un proyecto de IA exitoso.
En TEKFENIX abordamos el problema por ese lado. Servigo365 registra cada interaccion de servicio con su contexto completo, convirtiendo la operacion diaria en la base de conocimiento estructurada que despues alimenta la automatizacion. Nexturno hace lo propio con el flujo de atencion presencial en sucursales, y CumplimientoControl con los procesos de cumplimiento regulatorio. En los tres casos el principio es el mismo: primero se ordena la operacion, y la IA se vuelve util como consecuencia, no como punto de partida.