Cuánto demora una empresa argentina en recuperar su inversión en inteligencia artificial

Pasado el entusiasmo inicial, los comités directivos empezaron a hacer la pregunta que evitaban: ¿cuándo vamos a ver el retorno? El AI Performance Study 2026 de PwC revela un dato que incomoda: el 20% de las empresas concentra el 74% de los retornos generados por inteligencia artificial. Las que están en ese 20% logran 7,2 veces más retorno que el resto. La diferencia no está en la tecnología que usan — está en cómo la usan. Y esa diferencia, en Argentina, ya se está haciendo visible.

Cuánto tarda una empresa argentina en ver retorno de su inversión en inteligencia artificial

No hay un plazo universal. Roberto Cruz, socio de PwC Argentina a cargo de la práctica de IA e Innovación Digital, distingue dos horizontes que conviven en el mercado local. Los proyectos acotados — quick wins — pueden mostrar resultados en semanas, aunque su impacto es limitado. Las transformaciones integrales de procesos requieren varios meses, pero son las que generan los mayores beneficios.

Elbio Lopez, CTO de ENTA, tiene la misma lectura desde la implementación: en su empresa no trabajan con plazos estándar porque el retorno depende de variables que varían en cada organización — la calidad de los datos, el nivel de integración, el volumen de operaciones y la capacidad de medir el impacto. "Definimos primero la línea de base, el objetivo económico y las métricas de éxito. Recién con esa información podemos estimar el potencial de retorno de cada caso y decidir si conviene avanzar, ajustar o cancelar la iniciativa", explica.

Marcos Cevasco, CEO de RogerThat, lo resume con una frase que surge de su propia experiencia con clientes: "Ninguna empresa amplía un presupuesto cuatro veces si no está viendo el retorno. Pampa Energía empezó con un contrato en 2021 y hoy tiene cuatro — esa métrica, dice, es más honesta que cualquier caso de éxito publicado.

Qué proyectos de inteligencia artificial generan mejor ROI en Argentina hoy

Cruz distingue dos tipos de impacto. La automatización de procesos operativos con alto volumen — back-office, atención al cliente, manufactura — genera retornos más rápidos y predecibles porque el costo por transacción es medible desde el inicio. Las funciones de marketing, ventas y desarrollo de productos pueden generar mayor valor porque impactan en ingresos, no solo en eficiencia, pero requieren mayor madurez organizacional para sostenerse.

Para Cruz, la distinción más importante no es entre tipos de proyectos sino entre enfoques: las organizaciones que ven la IA como una palanca para reinventar el negocio obtienen resultados muy diferentes de las que la usan para hacer pilotos o automatizar tareas aisladas. Las primeras combinan tecnología, rediseño de procesos y formación de equipos. Las segundas acumulan experimentos que no escalan.

Casos reales: el antes y el después de implementar IA en empresas argentinas

ENTA implementó un agente de IA para el área de Call Center de un cliente orientado a atender consultas repetitivas de proveedores. Antes, el 100% de las consultas requería intervención humana — búsqueda manual de información en sistemas y gran parte del equipo dedicado a preguntas de rutina. Después de la implementación, el 65% de las consultas se resuelve autónomamente, el tiempo medio de respuesta se redujo un 40% y los costos directos de atención bajaron entre un 30% y un 40%.

RogerThat trabaja con un modelo diferente: capacitación de trabajadores de primera línea dentro de las propias empresas usando IA. En Pampa Energía, el tiempo para capacitar a una persona pasó de semanas a minutos. Pero Cevasco destaca que el cambio de mayor envergadura fue otro: por primera vez la empresa cuenta con información y certificación de quién está formado en las normas de seguridad en toda su operación. Antes era impensado sostener ese estándar por falta de verificación. En Grupo Arcor, los choferes pueden completar su formación desde el celular durante la carga de mercadería — algo que antes requería asistir a una sala de capacitación. La implementación de IA no reemplazó personas sino que les liberó tiempo para tareas de mayor valor.

Los errores que hacen que un proyecto de IA se cancele antes de generar retorno

Lopez identifica el error más frecuente desde la implementación: no convertir el experimento en una capacidad gobernada y conectada con el negocio. Muchas organizaciones incorporan agentes en silos, sobre distintas plataformas y proveedores, sin una estrategia común. El resultado es fragmentación de datos, métricas inconsistentes y pilotos que no escalan a producción. "Automatizar un proceso que no fue revisado ni optimizado previamente puede amplificar sus ineficiencias", advierte.

Cevasco suma una dimensión estructural que pocas empresas están atendiendo: la gobernanza de los datos. El avance en recolección fue considerable pero todavía queda resolver quién los ordena, los valida y decide qué se hace con ellos — incluso cuando ya existen herramientas de visualización disponibles. Y agrega una figura que empieza a aparecer en los organigramas de empresas grandes: el CAIO, Chief Artificial Intelligence Officer. No como un puesto de moda sino porque existe un vacío real entre un CTO tradicional y los requerimientos específicos de la IA aplicada al negocio.

Cruz agrega la dimensión organizacional: el error más frecuente en los comités directivos es comenzar por la tecnología en lugar de partir de un desafío concreto de negocio. Muchas iniciativas nacen impulsadas por el entusiasmo alrededor de la IA, pero sin una definición clara del valor que se espera capturar. Y cuando no hay métricas desde el inicio, tampoco hay forma de saber cuándo el proyecto está funcionando — ni cuándo hay que cancelarlo.

Hay un factor que Cruz destaca y que raramente aparece en los análisis públicos: la resistencia al cambio no se limita a los colaboradores. También puede estar presente en niveles gerenciales y directivos, especialmente cuando la IA exige revisar la manera de gestionar, delegar decisiones o evaluar el desempeño.

Qué debería preguntarse un CEO argentino antes de invertir en inteligencia artificial

Lopez propone un cambio de pregunta como punto de partida: en lugar de '¿tenemos que invertir en IA?', la pregunta correcta es "¿qué proceso podemos mejorar, cuánto valor puede generar, cómo lo vamos a medir y qué necesitamos para escalarlo de forma segura?"

Cevasco traduce esa lógica en tres recomendaciones concretas. Primero, no preguntarse dónde usar la IA sino identificar qué proceso del negocio consume el mayor porcentaje del presupuesto. Segundo, comenzar con pasos concretos, con poco margen de riesgo y resultados medibles. Y tercero — la que más subestiman los líderes —: evaluar la adaptabilidad de la herramienta dentro de la organización.

"El ROI de la IA no está en generar, está en que alguien adopte lo generado". Si la organización no está lista para incorporar los outputs del sistema en su operación diaria, el retorno no llega — aunque la tecnología funcione perfectamente.

Cruz coincide y agrega que la respuesta depende del grado de madurez de cada organización. Para una empresa que está dando sus primeros pasos, la recomendación es comenzar con pocas iniciativas cuidadosamente seleccionadas, con indicadores claros de impacto desde el inicio. Para quienes ya tienen experiencia y resultados, el paso siguiente es avanzar hacia un programa de transformación con compromiso del máximo nivel directivo y una ambición que vaya más allá de la reducción de costos.

El ROI de la IA en Argentina no es un misterio — es una consecuencia. Las empresas que lo están obteniendo no son las que más invirtieron ni las que adoptaron más rápido: son las que definieron primero qué querían resolver, cómo lo iban a medir y quién iba a ser responsable del resultado. Esa disciplina, más que cualquier tecnología, es lo que separa a las que ya están en el 20% de las que todavía esperan ver algo concreto.