Durante dos años, la adopción de IA se midió con una pregunta que ya quedó corta: ¿la usa o no la usa? El 6 de octubre, el Banco Mundial planteó otra. En su Panorama Económico de América Latina y el Caribe concluyó que las empresas ya adoptan la IA ampliamente, aunque rara vez la integran en las actividades centrales de sus procesos. Y que las principales barreras para un uso productivo no son el costo ni el acceso, sino las capacidades de gestión, las habilidades de los trabajadores y la capacidad de las empresas para reorganizarse en torno a estas herramientas.

Dos semanas después, el 20 de octubre, la CEPAL y el CENIA publicaron la cuarta edición del Índice Latinoamericano de Inteligencia Artificial (ILIA), con 126 subindicadores en 20 países. Uno de sus diez hallazgos lleva un título que resume la semana: "Agentes listos, organizaciones no tanto".

Lo que ambos describen tiene nombre en la literatura de gestión desde hace 36 años.

En 1990, los economistas Wesley Cohen y Daniel Levinthal publicaron en Administrative Science Quarterly un artículo que introdujo la idea de capacidad de absorción: la habilidad de una empresa para reconocer el valor de información externa nueva, asimilarla y aplicarla a fines comerciales. Su tesis central es incómoda para cualquier proveedor de tecnología: esa capacidad depende en buena parte del conocimiento previo de la organización. Quien no sabe, no puede aprender a usar lo que compra.

En 2002, Shaker Zahra y Gerard George la desagregaron en cuatro capacidades: adquirir, asimilar, transformar y explotar el conocimiento. Las dos primeras forman la capacidad potencial. Las dos últimas, la realizada, que es la única que se convierte en resultado.

Aplicado a la IA, el esquema es directo. Comprar la herramienta es adquirirla, y es la parte más fácil. El valor aparece solo al transformar los procesos y explotar lo aprendido. Es exactamente la distancia que miden hoy el Banco Mundial y la CEPAL.

El ILIA estima que 27,6% de las grandes empresas de la región usa IA, frente a 12,8% de las medianas y 6,8% de las pequeñas. En los cinco países de comparación (Alemania, España, Estonia, Portugal y Singapur) las cifras son 66%, 41% y 24%. La presentación de la CEPAL situó el promedio regional en 9,1%. El Banco Mundial agrega otro dato: una mediana de 17% de los adultos en edad de trabajar dice usar IA generativa, aproximadamente la mitad de la tasa de Estados Unidos y Canadá.

Pero el número que más pesa no es de adopción. Descompuesta en condiciones, la absorción deja una imagen más precisa:

Conviene separar dos situaciones. Quien construye modelos enfrenta una brecha de cómputo real: la concentración que describe el ILIA es contundente. Pero el propio Banco Mundial sostiene que la región no necesita desarrollar modelos de frontera para capturar la mayor parte de los beneficios, y propone en cambio la llamada IA a pequeña escala: aplicaciones de bajo costo adaptadas a necesidades locales. El ILIA, por su parte, define la soberanía en IA no como autosuficiencia, sino como la capacidad de actuar dentro de la interdependencia.

Para un banco, una aseguradora o un operador de salud, que son usuarios de IA y no fabricantes de modelos, la conclusión es práctica. El límite no está en conseguir la tecnología. Está en cuánta de ella la organización puede asimilar, gobernar y convertir en resultados.

Los supervisores ya traducen el concepto a exigencias. El 1 de octubre, el superintendente de Bancos de Panamá, Milton Ayón, planteó que ya no basta con comprobar que una herramienta automatizada ofrece resultados: los bancos deben poder demostrar cómo llegó a una conclusión, qué datos usó y qué supervisión existe sobre su funcionamiento.

En Colombia, el proyecto de ley radicado en septiembre para prevenir riesgos sistémicos por dependencias críticas de IA en la actividad financiera, bursátil y aseguradora pide algo equivalente: inventariar de qué depende la entidad, probar escenarios de falla y de resultados alterados, y contar con estrategias de continuidad y salida que estén probadas. Es un proyecto, no una ley. Pero describe, artículo por artículo, lo que una organización con capacidad de absorción madura ya sabe responder.

Si absorber es la condición, la pregunta para un director de tecnología es qué capacidades la construyen. En Q-Vision, compañía con más de 22 años de experiencia en impulsar la transformación inteligente de las organizaciones, las agrupamos en tres:

• Digital Product Engineering. Convierte la IA en producto: desarrollo agéntico del ciclo de software, inteligencia de calidad para probar lo que se construye y datos que una organización puede usar con trazabilidad. Responde a las condiciones de saber para qué, poder usar los datos y medir.
• Cloud. Moderniza y optimiza la infraestructura sobre la que corre la IA: migración, seguridad desde el diseño y control de costos. Responde a la condición de infraestructura, que para quien usa IA significa elegir y gobernar bien su dependencia, no poseer el cómputo.
• Human-Agent Talent. Combina talento especializado con agentes de IA en equipos híbridos, con roles y supervisión definidos. Responde a las condiciones de personas y supervisión.

Ninguna de las tres basta por separado. Un producto sin infraestructura gobernada no escala, una infraestructura sin talento que la supervise no se sostiene, y un equipo híbrido sin producto ni medición no demuestra valor. La absorción es lo que las une, y el resultado medible es la prueba de que funciona.

El Banco Mundial y la CEPAL ya cambiaron la pregunta. Ya no es cuántas empresas adoptaron IA, sino cuántas la absorbieron: cuántas pueden mostrar qué usan, con qué datos, quién la supervisa y qué resultado dejó.

En palabras del economista jefe encargado del Banco Mundial para la región, Carlos Rodríguez-Castelán: "La pregunta es si la región podrá utilizarla de manera productiva". Las organizaciones que puedan responderla con evidencia no tendrán que explicar, más adelante, por qué su adopción no se convirtió en resultado.