¿Por qué el 95% de las empresas aún no recupera su inversión?
La Inteligencia Artificial sigue expandiéndose dentro de las organizaciones a un ritmo que pocas tecnologías habían alcanzado antes. Pero detrás del entusiasmo comienza a surgir una advertencia incómoda: sin una estrategia clara de gobernanza, seguridad y aplicación al negocio, la IA puede convertirse en un auténtico caballo de Troya: una herramienta que entra prometiendo eficiencia y termina exponiendo información sensible, aumentando costos y sin generar un retorno financiero medible.
Para el sector logístico y de transporte de México y Estados Unidos, esto no es un asunto exclusivo de TI. Cada ruta, tarifa, manifiesto de carga, contrato, cliente e incidencia forma parte del conocimiento que hace competitiva a una empresa.
Por eso, la pregunta no debería ser simplemente "¿estamos usando IA?", sino: "¿estamos utilizando la IA correcta, con nuestros datos, para resolver problemas concretos y bajo nuestro control?"
Uno de los desafíos de adoptar herramientas como Claude, ChatGPT o Gemini es el costo. El problema no está necesariamente en contratar una herramienta, sino en utilizarla indiscriminadamente, pagando por modelos cada vez más avanzados sin tener claridad sobre el retorno.
En la industria ya se habla de "tokenmaxxing", la tendencia a utilizar los modelos más avanzados y costosos para cualquier tarea, independientemente de su complejidad.
El caso de Uber es ilustrativo. La empresa tuvo que establecer límites al uso de herramientas de programación basadas en IA después de consumir su presupuesto antes de lo previsto. En 2026 estableció un límite de 1,500 dólares mensuales por empleado y por herramienta para algunas de estas soluciones.
Marcos Grilanda, vicepresidente y director general de Databricks para América Latina, ha señalado otro problema: muchas empresas incentivaron a sus empleados a utilizar IA sin establecer límites o "barreras de contención", provocando que los costos crecieran sin una gobernanza adecuada.
La primera lección es sencilla:
No toda tarea necesita la IA más poderosa disponible. Necesita la IA adecuada para esa tarea.
El proyecto NANDA del MIT publicó The GenAI Divide: State of AI in Business 2025, un estudio que analizó más de 300 implementaciones públicas de IA, entrevistas y respuestas de líderes empresariales.
Su conclusión más llamativa fue que, pese a inversiones estimadas entre 30,000 y 40,000 millones de dólares, alrededor del 95% de las organizaciones analizadas no estaba obteniendo un retorno financiero medible, mientras un pequeño grupo sí estaba consiguiendo resultados significativos.
Los autores describen esto como "The GenAI Divide", la brecha entre la enorme adopción de IA generativa y su limitada transformación real del negocio.
Hay que señalar que se trata de una investigación preliminar y no de un estudio académico revisado por pares. Por ello, el 95% debe entenderse como un hallazgo de esa muestra, no como una estadística universal para todas las empresas.
Pero el mensaje sigue siendo relevante:
adoptar IA no garantiza generar valor.
El costo financiero puede no ser el más importante. Existe otro precio: los propios datos de la empresa.
Satya Nadella, CEO de Microsoft, ha advertido sobre lo que denomina el "Reverse Information Paradox": conforme las empresas utilizan IA, necesitan proporcionar cada vez más conocimiento interno para conseguir respuestas realmente útiles.
Ese conocimiento puede incluir procesos, documentos, instrucciones, correcciones y criterios de decisión acumulados durante años. Cada interacción puede aportar contexto sobre cómo funciona realmente una organización.
Y existe un riesgo todavía más sencillo: que un empleado copie información confidencial en una herramienta pública para resolver una tarea rápidamente.
La intención puede ser ahorrar tiempo. El resultado puede ser sacar información estratégica del perímetro de control de la empresa.
La logística es una industria construida alrededor de información: rutas, tarifas, combustible, tiempos de tránsito, disponibilidad de unidades, operadores, clientes, mantenimiento, cruces fronterizos, documentación aduanera y patrones de demanda.
Imaginemos a un responsable de operaciones que copia una tabla de costos en una IA pública para identificar cuáles rutas son menos rentables.
La respuesta puede ser correcta.
La pregunta es otra:
¿Qué información tuvo que entregar para obtenerla y bajo qué condiciones se procesa esa información?
En una operación entre México y Estados Unidos, el riesgo es todavía mayor. Los datos de embarques, clientes, carriers, aduanas y cruces están sujetos a diferentes marcos regulatorios y contractuales.
La falta de una política interna sobre el uso de IA no solo representa un riesgo de fuga de información. Puede convertirse también en un problema de cumplimiento.
¿Significa esto que las empresas deberían dejar de utilizar ChatGPT, Gemini o Claude? No.
Las herramientas generalistas son excelentes asistentes para redactar, investigar, programar, analizar información no sensible y resolver múltiples tareas.
El problema aparece cuando pretendemos convertir una herramienta generalista en el cerebro operativo de una empresa.
Una cosa es utilizar IA para ayudarte a trabajar. Otra es construir IA alrededor de la forma en que trabaja tu empresa.
Una IA especializada puede partir de un contexto completamente diferente. No necesita que el usuario le explique desde cero qué es una ruta, qué variables afectan una operación de transporte o qué información es relevante para tomar una decisión.
Ese conocimiento puede formar parte del sistema desde su diseño.
La diferencia no necesariamente está en qué modelo es "más inteligente". Está en qué tan relevante es para el problema que queremos resolver.
Hay tres frentes fundamentales:
Optimización de rutas, predicción de demanda, mantenimiento, análisis de rentabilidad, asignación de unidades, visibilidad o automatización de procesos son problemas concretos. Ahí es donde la IA puede generar valor.
La Inteligencia Artificial seguirá siendo una tecnología decisiva para la logística y el transporte en América del Norte.
Pero la ventaja competitiva no estará necesariamente en quién utiliza más IA, sino en quién consigue integrarla mejor a su operación.
La pregunta ya no es:
"¿Nuestra empresa utiliza IA?"
La pregunta es:
"¿Qué problema estamos resolviendo, cuánto valor estamos generando y quién tiene el control de los datos que necesitamos para hacerlo?"
Utilizar ChatGPT, Gemini o Claude sin contexto puede ser una excelente forma de comenzar a experimentar.
Pero una empresa de transporte que quiere convertir la IA en una ventaja competitiva necesita algo diferente: una Inteligencia Artificial que conozca su industria, entienda sus procesos y esté diseñada específicamente para resolver problemas de transporte y logística.
Ese es precisamente el camino que estamos construyendo en LIS: IA aplicada al transporte, no IA genérica aplicada al transporte.
La diferencia puede parecer pequeña. En la operación diaria, puede ser enorme.
Artículo creado para Mexico Business News.
Aquí lo puedes encontrar:
https://lnkd.in/eSMWV2Ac
Audio Link:
https://shorturl.at/Hagu7