Masterclass · 1 de septiembre de 2026
Por qué las PyMEs están perdiendo dinero en IA y cómo construir la base de conocimiento que realmente necesitan.
El diagnóstico
Estudio del MIT NANDA 2025 · The GenAI Divide: State of AI in Business 2025
El estudio del MIT también encontró que más del 80% de las organizaciones han explorado herramientas como ChatGPT, y casi el 40% las ha implementado. Pero solo el 20% llegó a la fase de prueba piloto, y apenas el 5% logró implementarlas en producción.
Causa raíz: "Brecha de aprendizaje" (learning gap). Los sistemas no retienen feedback, no se adaptan al contexto ni mejoran con el tiempo. No es un problema de infraestructura, regulación o talento. Es un problema de integración.
Fuente: MIT NANDA, julio 2025
El fenómeno es global
El concepto de "gravedad de la IA" describe cómo las organizaciones tienden a caer en la dependencia de proveedores externos al adoptar IA.
La recomendación central: invertir en capacidades internas antes que en herramientas externas, para no quedar atrapado en la órbita de un solo proveedor.
56% de las PyMEs alemanas espera un debilitamiento significativo del sector.
Las PyMEs invierten solo el 0.4% de sus ingresos en IA, frente al 0.5% de las grandes corporaciones. La subinversión es crítica, pero también lo es la falta de enfoque.
54% de las PyMEs en América ya usa IA. 70% planea seguir invirtiendo.
Sin embargo, el 73% no tiene una estrategia de IA definida y el 57% no mide el impacto de sus inversiones.
65% de las empresas en LATAM ya implementa soluciones de IA. El costo de modelos open-source es 5 a 7 veces menor que las alternativas propietarias.
Valor estimado actual: $12.700 millones; proyección 2038: $1 billón.
Calidad y disponibilidad de datos, falta de talento capacitado, infraestructura insuficiente y costos elevados son las principales barreras identificadas para la adopción de IA en PyMEs de la región.
El modelo de negocio de la IA
Cuando una organización invierte en IA, la mayoría de las veces no está comprando una solución a un problema. Está comprando la promesa de una solución, envuelta en una facturación por consumo.
El token —ese fragmento mínimo de texto que los modelos procesan y generan— se ha convertido en la unidad de cuenta del negocio de la IA. OpenAI, Anthropic, Microsoft y el resto de los grandes laboratorios han estructurado su modelo de negocio alrededor de un principio simple: cobrar por cada interacción, no por el resultado que esa interacción produce.
El problema es que el token no es una unidad de negocio. Es una métrica técnica que las áreas de compras, finanzas y gobernanza no terminan de entender, y que hace impredecible cualquier presupuesto.
El caso de Uber es el ejemplo más claro. La empresa quemó su presupuesto anual de IA en solo cuatro meses. Ingenieros individuales gastaban entre $500 y $2.000 al mes en Claude Code, y una presentación interna de dos horas consumió $1.200 en tokens.
Goldman Sachs Research (2026): El consumo de tokens se multiplicará 24 veces entre 2026 y 2030, alcanzando los 120 cuatrillones de tokens por mes a medida que las empresas adopten agentes de IA.
Fuente: Goldman Sachs, mayo 2026
Un informe de la BBC (2026) lo resume así: "Trying to tie someone into a cost model for the next 12 months, two years, three years, it doesn't make any sense, honestly, because we don't know."
🔗 BBC: "Tokenomics: Why making AI pay is tricky"
Este no es un problema de las PyMEs. Es un problema estructural de la industria, que las PyMEs —con menos margen para absorber costos impredecibles— sufren con mayor intensidad.
El "teatro de la IA" tiene aquí su origen. La tecnología se vende como una herramienta para resolver problemas, pero el mecanismo de cobro está desalineado con esa promesa. Mientras el proveedor gana con cada consulta, la organización sigue preguntándose si lo que obtiene vale lo que paga.
La relación estructural
La relación entre Inteligencia Artificial y Gestión del Conocimiento no es accesoria. Es estructural.
La IA no crea conocimiento; lo procesa, lo organiza y lo amplifica. Y para hacerlo bien, necesita una base.
El problema histórico de la GC: El conocimiento explícito (documentos, manuales) está fragmentado en silos. El conocimiento tácito (la experiencia en la cabeza de las personas) se pierde cuando alguien se va. Los métodos tradicionales para capturarlo requieren un esfuerzo manual enorme.
Casos reales:
Lecciones de fracasos reales
Casos documentados de empresas que perdieron millones por implementar IA sin la base adecuada.
| Empresa | Fracaso | Pérdida / Impacto | Lección clave |
|---|---|---|---|
| Volkswagen (Cariad) | Intento de transformación "Big Bang" sin base sólida | $7.500 millones | No intentar modernización masiva sin metodología ágil |
| Taco Bell | IA de autoservicio que no manejaba casos atípicos | Daño reputacional | No automatizar interacciones con clientes sin guardarraíles robustos |
| Google (AI Overviews) | Alucinaciones que priorizaban fluidez sobre veracidad | Crisis de confianza | La verificación es el producto; la precisión es el activo principal |
| Arup | Deepfake que suplantó al CFO por videollamada | $25 millones | Video y voz ya no son prueba de identidad |
| Replit | Agente autónomo que borró base de datos en producción | Pérdida de datos crítica | Nunca dar acceso de escritura en producción sin aprobación humana |
| McDonald's / Paradox.ai | Exposición de 64 millones de registros por contraseña débil | Fuga masiva de datos | Auditar la seguridad de los proveedores de IA |
| Earnest Operations | Sistema de crédito con sesgo racial (proxy) | $2.5 millones | Probar el impacto dispar de variables aparentemente neutrales |
Patrón común: Las empresas que fracasaron con IA en 2025 cometieron errores predecibles: sobreestimaron la tecnología, subestimaron la complejidad organizacional, ignoraron los casos borde y descuidaron la seguridad y la ética. La IA no es un botón mágico; es una herramienta que amplifica tanto la excelencia como la incompetencia.
El desafío de las PyMEs
Las PyMEs representan el 99.5% de las empresas en América Latina y generan cerca del 60% del empleo formal en la región.
El problema no es experimentar. El problema es que experimentar cuesta caro. El reto es hacerlo rápido y lo más barato posible, para aprender sin arriesgar el negocio.
El "Teatro de la IA":
Conclusiones
Conclusión 1: La IA no crea valor por sí misma. Amplifica la capacidad existente. Si no hay una base de conocimiento organizada, la IA solo automatiza el caos.
Conclusión 2: Las PyMEs no necesitan más aplicaciones. Necesitan más capacidad. Y la capacidad se construye, no se compra.
Conclusión 3: Antes de gastar en IA, hay que construir la base de conocimiento que la IA necesita para realmente funcionar. La gestión del conocimiento es el cimiento; la IA es el acelerador.
Estas conclusiones se apoyan en los hallazgos del MIT NANDA 2025, el estudio de Horváth 2025, la encuesta de Microsoft 2025 y el informe de Linux Foundation/Meta 2025.
El método DKM
¿Qué conocimiento crítico existe en tu organización?
¿Cómo lo capturas antes de que se pierda?
¿Cómo lo estructuras y enriqueces?
¿Quién accede y cómo se resguarda?
¿Cómo lo organizas para que sea reutilizable?
¿Cómo fluye entre personas y áreas?
¿Cómo usas IA local para sacarle valor?
¿Cómo cierras el ciclo y mejoras con cada uso?
El ciclo no es una lista de tareas. Es un sistema que se refuerza a sí mismo. Cada paso alimenta al siguiente.
Nuestra propuesta
Ontologías DKM: Hemos desarrollado un marco conceptual para transformar Conocimiento en Valor. No es teoría. Es una estructura operativa que permite identificar, clasificar y activar el conocimiento en cualquier organización.
Herramientas libres: Obsidian para captura y organización, Markdown para representación estructurada, Ollama para IA local. Nada de suscripciones. Nada de compra de tokens.
IA local: Los datos no salen de tu organización. Los modelos corren en tu propio equipo. Soberanía tecnológica y privacidad garantizadas.
El enfoque DKM: No somos gente de diagnóstico. Somos gente que resuelve. El programa se basa en aprender haciendo, con un proyecto real desde el día 1.
Metodología del programa
Duración: 12 semanas, con sesiones sincrónicas y acompañamiento continuo.
Enfoque por competencias: El programa no se mide por horas de clase, sino por capacidades desarrolladas. Cada participante demuestra competencia a través de su proyecto.
Aprendizaje basado en proyectos: Cada participante trabaja sobre un caso real de su organización, consultoría o investigación. No hay casos de estudio genéricos. El proyecto es el vehículo de aprendizaje.
¿Y esto sí funciona? La metodología ha sido probada en más de 120 casos y ha demostrado su eficacia en universidades, empresas, emprendedores y organizaciones rurales como Regreso al Campo, donde el modelo DKM ha permitido estructurar proyectos de turismo ecológico-científico, guarda de semillas y financiación colectiva.
Beca del 50%
Valor real del programa
USD 720
Beca del 50%
USD 360
Ahorro real: USD 360
Y la capacidad se construye, no se compra.
Todos los Derechos Reservados · DKM
Este material es de libre circulación y uso, realizando la debida citación a los autores.
Título: Antes de gastar en IA, invierte en personas y capacidades
Autor: José Ramiro Bertieri Quintero, DKM