El caso de Nitori Holdings ilustra con precisión quirúrgica por qué la mayoría de los proyectos de IA generativa en la empresa se estancan en la fase de piloto. El minorista japonés, que se define a sí mismo como una "empresa de fabricación, logística, IT y retail", migró su analítica a Google Cloud BigQuery y construyó 2.600 tablas de análisis. Pero cuando lanzó su interfaz conversacional para que cualquier empleado preguntara en lenguaje natural —"muéstrame las ventas de ropa de cama en la tienda de Akabane"—, el modelo fallaba estrepitosamente. El culpable no era el modelo ni la infraestructura: eran los nombres internos de las columnas, códigos crípticos como `DELVTO_CRP_KBN` que solo los veteranos del departamento de sistemas entendían.
La solución no fue comprar mejor tecnología. Fue un trabajo de "fuerza bruta" —como lo describe el propio equipo de Nitori—: documentar manualmente el significado de cada tabla y columna, construir un diccionario de metadatos y exponerlo al modelo como contexto semántico. El resultado: la IA pasó de generar consultas SQL erróneas a responder con precisión sobre inventario, ventas y logística en lenguaje cotidiano.
La taxonomía de las barreras: lo nuevo y lo heredado
Un estudio publicado en 2026 en Economic Synergy analizó 30 fuentes académicas e industriales y clasificó 29 barreras para la adopción de IA agente —sistemas autónomos que planifican, usan herramientas y coordinan acciones— en cinco dimensiones: tecnológica (7), organizacional (7), humana (6), gobernanza y regulatoria (4) y económica (5). El hallazgo central: solo tres barreras son específicas de la IA agente (propagación de errores en sistemas multi-agente, ambigüedad de roles y difusión de responsabilidad). Las otras 26 son barreras heredadas de olas previas de transformación digital; 22 aparecen en forma amplificada y 4 sin cambios.
Bajo la lente de los Sistemas Sociotécnicos, el mapeo revela que 17 barreras tienen su raíz en el subsistema social (personas, procesos, cultura, gobernanza) y solo 12 en el técnico. La gobernanza emerge como el mecanismo del subsistema social para regular al técnico, y el problema central es la calibración de la gobernanza: cómo equilibrar control y autonomía sin matar el valor diferencial de los agentes.
La realidad de la pyme latinoamericana: barreras compuestas
Yilmaz y Hanisch-Blicharski (2025) confirman el patrón en su revisión sistemática sobre integración de IA en analítica de negocio para pymes: infraestructura legacy, calidad de datos dispersa, ausencia de científicos de datos, falta de marco estratégico, resistencia cultural y cumplimiento regulatorio (GDPR en Europa, leyes locales en LatAm) se entrelazan.
En América Latina, donde más del 99% de las empresas son pymes, estas barreras no se presentan en serie sino en paralelo y se amplifican mutuamente: la volatilidad cambiaria vuelve impredecibles los costos de nube (el modelo de facturación por consumo de BigQuery que golpeó a Nitori), la fuga de talento a EE. UU. y Europa vacía los equipos internos, y la fragmentación regulatoria entre países obliga a duplicar esfuerzos de compliance.
El punto ciego: no sabemos cómo se usa realmente la IA
Proyecto AI Observatory, que reúne 23.158 conversaciones reales en 7 fuentes y 25+ modelos, descubre que el 47,9% de las interacciones son no ocupacionales —uso personal, social, creativo, de apoyo emocional— y quedan fuera de los índices económicos basados en taxonomías laborales. Las fuentes divergen dramáticamente en tareas, estructura conversacional y prevalencia de contenido sensible. No existe una sola fuente representativa. Para el ejecutivo latinoamericano, esto significa que cualquier política de gobernanza basada solo en reportes de proveedores o encuestas internas está ciega a casi la mitad del uso real.
Adopción bifurcada: el espejo español
Datos del Observatorio Nacional de Tecnología y Sociedad (ONTSI) en España muestran una adopción del 11,4% en empresas de 10+ empleados, que salta al 44% en grandes corporaciones (250+). La brecha refleja una realidad extrapolable a LatAm: las grandes empresas (Indra, Telefónica, BBVA, Iberdrola) ya certifican IA responsable, escalan agentes a miles de empleados y gobiernan permisos, riesgos y trazabilidad; las pymes siguen atrapadas en pilotos inconexos. La ventaja competitiva, advierte el informe, ya no está en "llegar primero" sino en "integrar de forma segura, gobernada y alineada al negocio".
Qué debe preguntarse un ejecutivo en LatAm hoy
1. ¿Tenemos un diccionario semántico vivo de nuestros datos? Si la IA no entiende sus códigos internos, nadie fuera del equipo técnico podrá usarla. El esfuerzo de Nitori —documentar 2.600 tablas— es el costo de entrada real a la analítica conversacional. 2. ¿Nuestra gobernanza calibra o asfixia? Los marcos de control diseñados para IA determinista (reglas fijas, flujos predecibles) matan la autonomía que da valor a los agentes. Se necesitan guardrails adaptativos: límites duros (regulatorios, éticos) y zonas de autonomía supervisada por métricas de resultado.
3. ¿Medimos uso real o uso declarado? Sin instrumentación propia (logs anonimizados, taxonomía unificada tipo AI Observatory), la toma de decisiones sobre escalado, formación y riesgos se basa en especulación. 4. ¿El plan de adopción asume que el 90% de los problemas son viejos? Talento, datos, estrategia, cultura, presupuesto: la IA agente los intensifica, pero no los inventa. La hoja de ruta debe atacar la deuda técnica y organizacional acumulada, no solo comprar modelos.
Nitori nos deja una lección de humildad: la tecnología necesaria ya existe. El diferencial está en el trabajo invisible —semántico, organizacional, de gobernanza— que permite que un vendedor en Medellín, un analista en Lima o un gerente en Santiago pregunte "¿por qué cayeron las ventas de colchones la semana pasada?" y obtenga una respuesta accionable, no un error de SQL.
