Ocho de cada diez ejecutivos chilenos coinciden en que la inteligencia artificial avanzada será una de las tecnologías más relevantes para su industria en los próximos tres años. La cifra exacta, según la última encuesta latinoamericana de EY realizada entre febrero y marzo de 2026 con más de 500 ejecutivos chilenos, es 81 por ciento. Es un número casi unánime, del tipo que rara vez se ve en una encuesta empresarial. Pero el mismo estudio entrega otro número, mucho más incómodo, que conviene mirar justo al lado del primero, solo un 10 por ciento de esas empresas declara una adopción plena de IA en múltiples áreas de su operación. El resto está repartido entre implementación en ámbitos específicos, pilotos en curso o directamente en fase de investigación y evaluación.
Esa distancia entre lo que los ejecutivos creen que va a importar y lo que sus empresas efectivamente lograron implementar no es un fenómeno exclusivamente chileno. El último estudio global de McKinsey sobre el estado de la IA en las empresas, con casi 2.000 encuestados en 105 países, encontró que 88 por ciento de las organizaciones ya usa IA en al menos una función del negocio, un salto grande frente al 78 por ciento del año anterior. Sin embargo, cuando McKinsey preguntó específicamente por el impacto medible en el resultado operacional de la empresa, la respuesta cambió por completo, apenas 39 por ciento de los encuestados atribuye algún nivel de impacto a la IA, y la gran mayoría de ese grupo reporta que ese impacto es menor al 5 por ciento de su resultado. Solo un 6 por ciento de las empresas encuestadas por McKinsey calza con lo que el estudio llama de alto desempeño, es decir, organizaciones que reportan un impacto de 5 por ciento o más y valor significativo atribuible al uso de IA.
Ese 6 por ciento es la cifra que debería importarle a cualquier gerente comercial que está evaluando si vale la pena invertir en IA para su equipo. No porque sea baja, sino porque McKinsey también documentó con bastante detalle qué hace distinto a ese grupo del resto, y ninguna de esas diferencias tiene que ver con acceso a mejor tecnología.
Qué separa a las empresas que sí ven retorno de las que no
Lo primero es que las empresas de alto desempeño rediseñan el flujo de trabajo completo alrededor del agente, en vez de simplemente añadir una herramienta nueva encima de un proceso que no cambió. Son casi tres veces más propensas que el resto a decir que rediseñaron de forma fundamental sus flujos de trabajo al incorporar IA. Lo segundo es que no persiguen solo eficiencia, la mayoría de las empresas fija como objetivo reducir costos, pero las que ven más valor agregan además el crecimiento y la innovación como objetivos explícitos, lo que cambia por completo qué miden y qué ajustan en el camino. Lo tercero, y quizás lo más simple de entender pero lo más difícil de ejecutar, es que definieron con precisión en qué momento del proceso un resultado generado por IA necesita revisión humana antes de convertirse en una decisión real.
Esa distinción entre eficiencia pura y crecimiento importa especialmente para un equipo comercial, porque McKinsey encontró que los beneficios de ingresos atribuibles a IA se concentran justamente en marketing y ventas, estrategia y finanzas corporativa, y desarrollo de producto o servicio, mientras que los beneficios de costo se concentran más en ingeniería de software, manufactura y tecnología de la información. Son categorías distintas de valor, y confundirlas lleva a errores de expectativa bastante comunes, como implementar un agente pensado para reducir horas de trabajo administrativo y después medir su éxito preguntando si subieron las ventas, cuando esa nunca fue la función que se le asignó al agente en primer lugar.
Traducido a la vida diaria de un equipo comercial, esto se ve así. Un vendedor que recibe un reporte de ventas generado automáticamente cada lunes a las nueve de la mañana, con el desglose real de qué se vendió, dónde hay quiebre de stock y qué producto se está por acabar en qué tienda, no está viendo una versión más rápida del mismo reporte de siempre, está viendo algo que antes simplemente no existía, porque nadie tenía tiempo de cruzar a mano las planillas de Falabella, Paris, Shopify y la tienda propia todos los lunes antes de la reunión comercial. Ese es exactamente el problema que resuelve el Agente KAM de AgentLayer, que consolida datos de ventas, stock y cobertura de todos los canales de venta en un solo lugar, responde preguntas en lenguaje natural sobre esos datos en segundos y entrega automáticamente el reporte semanal con los hallazgos ya identificados, como qué productos concentran la mayor parte del ingreso o qué SKUs están a punto de quedar sin stock.
Socks Lab, una marca de retail de moda que vende a la vez en tienda física, ecommerce y canal mayorista, ya usa el Agente KAM en su operación diaria. Antes de implementarlo, consolidar las ventas y el inventario de Falabella, Paris, Shopify y la tienda propia era un trabajo manual que consumía horas cada semana, con el riesgo constante de que la información llegara desactualizada al momento de decidir una reposición. Con los canales conectados directamente al agente, ese cruce queda resuelto todos los días, no una vez por semana, lo que le da al equipo comercial visibilidad real de dónde hay riesgo de quiebre de stock antes de que se convierta en una venta perdida.
Por qué la mayoría se queda a mitad de camino
La razón por la que tantas empresas invierten en IA y no ven ese mismo resultado casi nunca es la calidad del modelo que eligieron. Es que un piloto de IA que nadie integró al flujo de trabajo real termina siendo una demostración interesante que un equipo prueba durante un mes y después abandona, porque seguir usándolo significa un esfuerzo extra en vez de un reemplazo genuino del proceso anterior. El estudio de EY en Chile lo confirma desde otro ángulo, un 30 por ciento de las empresas chilenas todavía está en fase de investigación y evaluación de IA, y otro 21 por ciento tiene pilotos en curso, lo que en conjunto suma más de la mitad de la muestra completa. Son empresas que probablemente ya invirtieron tiempo y presupuesto en explorar la tecnología, pero que todavía no cruzaron la línea hacia una adopción que efectivamente cambie cómo trabaja el equipo todos los días.
Cruzar esa línea es precisamente lo que separa a un agente genérico probado en aislamiento de un agente certificado e implementado dentro de la operación real. AgentLayer no entrega un modelo de IA suelto para que cada equipo descubra cómo integrarlo, entrega un agente ya validado para un caso de uso específico, con un proceso de implementación de 30 días de piloto a producción que incluye una prueba real de una a dos semanas con ajustes directos del equipo del cliente antes de la entrega final. Esa fase de prueba real, hecha con datos y procesos verdaderos de la empresa y no en un ambiente simulado, es justamente el paso que la mayoría de los pilotos de IA se salta cuando se implementan sin acompañamiento, y es también, según lo que documenta McKinsey, uno de los factores que más distingue a las empresas que sí capturan valor de las que se quedan en la fase de experimentación indefinida.
Lo que esto significa para quien decide el presupuesto de IA este año
Para un gerente comercial que está por decidir si invertir en un agente de IA para su equipo, la lección de estos dos estudios no es que la tecnología no funcione, es que la tecnología por sí sola no es lo que genera el retorno. El retorno aparece cuando el agente queda integrado al proceso real de trabajo, cuando el equipo sabe exactamente para qué decisiones puede confiar en él y para cuáles necesita revisión humana, y cuando alguien midió el resultado antes y después para saber si realmente cambió algo. Elegir un agente ya certificado, con un caso de uso probado y un proceso de implementación pensado para llegar hasta esa integración real, no es una garantía automática de estar en el 6 por ciento de alto desempeño que mide McKinsey, pero sí es una forma concreta de no quedarse en el otro grupo, el de las empresas que dentro de un año seguirán diciendo que la IA es prioritaria sin poder mostrar un número que lo respalde.
Medir antes de implementar suena obvio, pero en la práctica es el paso que más se salta. Muchos equipos comerciales adoptan un agente de IA y solo notan de forma general que las cosas van mejor, sin haber registrado antes cuánto tiempo tomaba consolidar el reporte semanal, cuántas horas se perdían corrigiendo un cruce de inventario mal hecho o cuántas ventas se cayeron por un quiebre de stock que nadie vio a tiempo. Sin ese número de partida, es imposible después mostrarle a la gerencia general un antes y un después real, y el proyecto de IA queda condenado a depender de percepciones subjetivas de si sirvió o no, justo el tipo de evidencia débil que hace que la próxima renovación de presupuesto sea mucho más difícil de justificar.
