América Latina no está atrasada en adopción de AI. Según el estudio CIO Playbook 2026 de Lenovo, el 84% de las empresas de la región ya está en fase piloto o adoptando activamente inteligencia artificial, por encima del 77% que registra el promedio global, y más de la mitad de las organizaciones ya explora o implementa agentes. El mismo relevamiento indica que el 97% de las organizaciones de la región planea aumentar su inversión.
El problema no es la velocidad. Es el punto de partida. El Índice Latinoamericano de Inteligencia Artificial 2025 muestra que el 67% de las compañías de la región tiene AI en producción, pero solo el 23% reporta un impacto real en el negocio. Y explica por qué: la mayoría implementa AI encima de los procesos existentes, de modo que el proceso sigue igual pero ahora tiene un paso adicional, que es revisar lo que el modelo produjo.
Para una consultora, donde el margen se define en la diferencia entre la hora vendida y la hora ejecutada, ese paso adicional no es neutro: es costo no facturable.
Este artículo ordena qué hay que estandarizar antes de automatizar, en qué secuencia y con qué criterio de validación.
La AI no ordena el caos: lo escala
Un agente que sugiere cómo asignar un equipo necesita saber quién está disponible, con qué perfil y a qué costo. Si esa disponibilidad vive en la cabeza de un gerente de proyecto y en una planilla que se actualiza los viernes, el agente va a producir recomendaciones con información vieja, solo que más rápido y con más aparente autoridad.
El diagnóstico del Índice Latinoamericano es directo sobre este punto: las empresas de la región tienen datos, pero rara vez en la forma que un proyecto de AI necesita, es decir estructurados, etiquetados y con volumen histórico suficiente, y la brecha es especialmente crítica en compañías medianas que llevan años con un ERP o un CRM pero sin cultura de calidad de dato. Esa descripción aplica con precisión al perfil de la consultora latinoamericana de 50 a 500 personas: sistema contable consolidado, horas en Excel.
La calidad del dato aparece de forma consistente entre las barreras regionales. El estudio de NTT DATA sobre inversión tecnológica en Colombia, donde el 89% de las empresas encuestadas planea destinar entre el 1% y el 15% de su presupuesto a AI generativa en 2026, lista entre los principales obstáculos la escasez de talento especializado, la incertidumbre sobre el retorno, la integración con sistemas heredados, la calidad de los datos y la resistencia cultural. En ediciones anteriores del estudio que NTT DATA realiza junto a MIT Technology Review en español, la mitad de las empresas consultadas ya señalaba la recopilación de datos como uno de sus mayores retos.
Hay un segundo riesgo, menos visible: sin línea base no hay caso de negocio. El 2026 AI in Professional Services Report de Thomson Reuters encontró que solo el 18% de los profesionales dice que su organización mide el retorno de la inversión en AI, y otro 40% no sabe si se mide. Quien no definió sus métricas antes de automatizar no va a poder demostrar mejora después.
Los seis cimientos que hay que estandarizar
1. La taxonomía de proyectos y servicios
Es el cimiento del que dependen todos los demás. Antes de automatizar cualquier cosa, la firma tiene que poder responder sin ambigüedad qué es un proyecto, qué es una fase y qué es una tarea.
Definiciones mínimas a cerrar:
- Modelo de contratación por proyecto: venta de horas (staffing), venta de solución a precio cerrado, iguala mensual, bolsa de horas, pago contra hitos.
- Unidad de negocio, país y línea de servicio asociada a cada proyecto. Sin esto, ningún reporte de rentabilidad se puede abrir por dimensión.
- Estados del proyecto y qué evento produce cada cambio de estado.
El error más común en firmas regionales: la oficina de Buenos Aires, la de Bogotá y la de Ciudad de México llamando distinto al mismo tipo de trabajo. Cuando eso pasa, la consolidación regional queda condenada a ser manual para siempre.
2. La carga de horas: la unidad mínima de todo
Es el dato que más cuesta y el que más rinde. Sin horas cargadas de forma consistente no hay rentabilidad por proyecto, no hay utilización real y no hay forecast posible.
Lo que hay que estandarizar:
- Granularidad: contra qué se imputa la hora (proyecto, fase, tarea) y con qué nivel de detalle.
- Frecuencia y fecha límite: diaria o semanal, con un corte claro. Una carga mensual hecha de memoria es un dato inventado.
- Criterio facturable y no facturable: qué cuenta como cada cosa, y quién decide en los casos de borde.
- Tratamiento del retrabajo: si no se imputa aparte, el costo de rehacer queda escondido dentro del costo de hacer.
El camino que mejor funciona en firmas con cultura consolidada es empezar por macro etapas y recién después bajar a granularidad. Pedir detalle fino el primer mes garantiza abandono.
3. Tarifas y costos por jerarquía
La ecuación de la firma no cambió nunca: precio de venta menos costo de las personas menos costo de estructura. Lo que cambia es si la firma puede verla en tiempo real o al cierre.
Estandarizar implica definir:
- Tarifa por jerarquía (socio, gerente, semi senior, junior) y por línea de servicio si corresponde.
- Costo real por perfil, no solo el salario: incluye tiempo no asignado, capacitación, costo de entrada y de salida.
- Vigencia de cada tarifa: desde cuándo rige y qué proyectos quedan con la tarifa anterior.
Sin esta tabla ordenada, cualquier cálculo de margen automatizado es una estimación con aspecto de certeza.
4. El presupuesto como línea base: planificado vs. ejecutado
Este es el dato que habilita la conversación comercial. Estandarizar la comparación entre horas cotizadas y horas ejecutadas, por perfil, por fase y por mes, es lo que permite detectar el desvío mientras todavía se puede hacer algo, y lo que da sustento para renegociar un fee sin que sea una discusión de percepciones.
El criterio a fijar: cada proyecto entra al sistema con presupuesto de horas por perfil antes de arrancar. Sin excepciones, incluso en proyectos vendidos a precio cerrado.
5. Capacidad y asignación de recursos
Acá es donde la automatización tiene el retorno más alto y donde la base suele estar más floja. En LATAM el patrón comercial agrava el problema: primero se consigue la oportunidad y después se busca a la gente, con lo cual la asignación se define contra reloj y sin validar disponibilidad real.
La contradicción está medida. Una investigación de Dayshape entre 200 líderes senior de servicios profesionales encontró que el 86% afirma que el talento de su firma está plenamente utilizado, mientras que un 38% pide información en tiempo real sobre capacidad y disponibilidad para mejorar la asignación de recursos, y un 42% reconoce que el desgaste del equipo es su principal desafío de retención. Si la firma dice estar al 100% de utilización y al mismo tiempo no puede verlo, lo que tiene no es un dato: es una creencia.
Para que la capacidad sea automatizable hay que estandarizar:
- Disponibilidad real de cada persona en un eje de tiempo, no un promedio.
- Porcentaje de asignación por proyecto, con fechas de inicio y fin.
- Skills y perfil normalizados, para que "un consultor senior de procesos" signifique lo mismo en Santiago, en Lima y en São Paulo.
El caso típico: una persona asignada al 160% durante un mes que nadie vio a tiempo, y que renuncia al mes siguiente. Ese dato estaba disponible. Simplemente no estaba estructurado.
6. El cierre y el gobierno del dato
El último cimiento es el menos glamoroso y el que más discusiones evita: quién es dueño de cada campo y cuándo el dato se considera definitivo.
- Fecha de cierre de carga y quién valida.
- Quién puede modificar una tarifa, un presupuesto o una asignación.
- Cómo se cruza con contabilidad y con qué periodicidad.
Sin esto, el mismo número da distinto según quién lo mire, y la discusión se traslada a la validez del dato en lugar de la decisión de negocio.
La capa latinoamericana: lo que no aparece en los manuales globales
Una firma que opera en varios países de la región tiene una capa de estandarización adicional que las metodologías importadas suelen ignorar.
Moneda de referencia. Hay que definir si la tarifa y el costo se estandarizan en dólares, en moneda local o en ambas, y qué tipo de cambio se usa para consolidar. En mercados con inflación alta, una tarifa sin fecha de vigencia deja de ser un dato en 90 días.
Estructuras laborales heterogéneas. Empleado en relación de dependencia, monotributista, proveedor por factura y freelance conviven en el mismo proyecto. Si el costo por hora solo está definido para una de esas figuras, la rentabilidad del proyecto es parcial.
Doble taxonomía en redes globales. Las firmas miembro de redes internacionales reportan al esquema del grupo y además gestionan su propia operación. Estandarizar implica decidir cuál es la taxonomía madre y cómo se mapea la otra, en lugar de mantener dos verdades paralelas.
Madurez digital desigual entre oficinas. El reporte de Rootlenses sobre análisis de datos con AI en la región describe un panorama heterogéneo, con Chile, Brasil y Uruguay como países pioneros y otros mercados en etapas más tempranas. Una implementación regional que asume el mismo punto de partida en todas las oficinas fracasa en las más rezagadas y quema el proyecto completo.
El factor que hunde más implementaciones que la tecnología
En consultoras latinoamericanas la resistencia al cambio no es un detalle: es el riesgo principal, y los estudios regionales la ubican al mismo nivel que los obstáculos técnicos. El relevamiento de NTT DATA advierte que la resistencia cultural puede determinar el éxito o el fracaso de una iniciativa tecnológica y limitar el ahorro y la eficiencia esperados si no se aborda de manera estratégica.
Los equipos son senior, tienen poco tiempo y baja tolerancia a explorar herramientas nuevas. La implementación se cae por adopción, no por producto. Dos cosas cambian el resultado:
- Cómo se comunica la carga de horas. Si se presenta como control, el equipo la resiste. Si se presenta como el instrumento que permite discutir alcance con el cliente y evitar sobrecarga, se adopta.
- Acompañamiento desde la etapa 1. No un onboarding, sino un interlocutor que entienda el negocio de la firma y esté presente durante la transición.
Checklist: ¿está la firma lista para automatizar?
Siete preguntas. Si hay más de dos respuestas negativas, el proyecto de AI todavía no es el próximo paso:
- ¿Toda hora cargada se imputa contra un proyecto y una fase definidos?
- ¿Existe una tabla de tarifas por jerarquía vigente, versionada y con moneda de referencia definida?
- ¿Cada proyecto activo tiene presupuesto de horas por perfil cargado antes de arrancar?
- ¿Se puede ver la asignación de cada persona en los próximos 60 días sin pedirle el dato a nadie?
- ¿El costo del retrabajo se puede aislar?
- ¿Hay una fecha de cierre de carga y alguien responsable de validarla?
- ¿Están definidas las métricas de línea base contra las que se va a medir el retorno?
Qué automatizar después, y qué no
La dirección del mercado es clara. Más de la mitad de las organizaciones de la región ya explora o implementa agentes de AI, y las expectativas de retorno son altas: en promedio esperan generar 2,8 veces el valor por cada dólar invertido, según el CIO Playbook 2026 de Lenovo. En servicios profesionales a nivel global, el informe de Thomson Reuters de 2026 midió por primera vez el uso de AI agéntica y encontró que un 15% de las organizaciones ya adoptó alguna herramienta de ese tipo.
Pero el patrón dominante en el sector no es el reemplazo. Con la base ordenada, la automatización rinde en tareas de observación y anticipación: detectar desvíos antes de que sean irreversibles, proyectar el cierre de un proyecto, sugerir asignaciones según capacidad real, conciliar horas con contabilidad. Lo que sigue siendo humano es la lectura del cliente, la decisión de pricing y la negociación del fee.
La firma que estandariza primero no llega más tarde a la AI. Llega con una ventaja que no se compra: datos sobre los que se puede decidir.
Volver al Blog