La IA para pymes no cuesta lo que te dijeron

Cuando uno rastrea la cadena de citas del rango de los seis dígitos, no llega a un estudio. Llega a agencias que venden implementación de inteligencia artificial.

Una de las páginas más citadas atribuye sus cifras a Deloitte, Gartner, IBM, McKinsey y el MIT sin un solo enlace a ninguna de ellas, y la firma el director ejecutivo de una empresa que vende agentes de voz. Otra fuente recurrente es una plataforma de generación de contactos comerciales que vende esos contactos a agencias de inteligencia artificial: sus "datos" son su propio directorio de proveedores, con ubicaciones patrocinadas y un botón para pedir cotizaciones.

Hay una señal que delata al conjunto: los rangos no convergen entre sí. Para el mismo objeto, una fuente dice dos mil a diez mil dólares, otra cinco mil a treinta mil, otra setenta y cinco mil a ciento cincuenta mil. Mediciones distintas del mismo fenómeno tenderían a acercarse. Estas no se acercan porque no son mediciones: cada una se inventa por separado. Circula incluso una cita huérfana —que Gartner habría encontrado que el 54% de las empresas subestima su inversión inicial— que no existe en ninguna publicación de Gartner.

Se repite que el 70% de las pymes chilenas ya incorporó inteligencia artificial. Ese dato viene de una encuesta de un proveedor de servicios digitales, respondida voluntariamente por 526 ejecutivos y difundida a través de gremios de tecnología e innovación: se le preguntó justamente a quienes ya estaban en esa conversación. No publica margen de error, ni cuántas pymes hay detrás de ese porcentaje, ni qué cuenta como "usar IA", y el informe completo está tras un formulario de captura de datos comerciales. Suele citarse junto a una cámara de comercio que no participó del estudio: son dos investigaciones distintas, de años distintos, que la prensa fusionó.

La dispersión entre estudios chilenos es la mejor prueba de que ninguno está midiendo. Una misma consultora publicó que el 15,8% de las empresas usaba IA de forma activa en diciembre de 2025, y ocho meses después que el 88% tenía "algún grado de interacción" — cambiando la definición, no el país. Otro estudio da 28,3% en implementación y 3,6% a escala.

Cuando se mide con muestreo probabilístico, el número es otro. La CEPAL, sobre microdatos oficiales, encuentra que el 11% de las empresas pequeñas adopta inteligencia artificial; la OCDE, mirando sus países miembros, llega a 11,9%.

Conviene además corregir el denominador. En Chile hay cerca de 1,2 millones de micro, pequeñas y medianas empresas, pero solo unas 353.000 registran ventas y al menos un trabajador. Ese, y no el millón doscientos, es el universo real de empresas que podrían implementar algo.

Acá hay que ser honesto, porque la evidencia buena es incómoda y es la que más sirve antes de gastar un peso.

El único ensayo aleatorizado hecho sobre microempresarios reales —unos 640, con un asistente de inteligencia artificial por WhatsApp, publicado en Management Science— no pudo rechazar la hipótesis de que el efecto promedio sea cero. El promedio esconde dos historias opuestas: los que ya andaban bien mejoraron alrededor de un 15%, y los que andaban mal empeoraron un 8%. La herramienta amplió la brecha en vez de cerrarla.

La OCDE apunta en la misma dirección por otro camino: la ventaja de productividad que se atribuye a la inteligencia artificial se explica en buena parte porque las empresas que la adoptan ya eran más digitales y más competitivas antes de adoptarla.

Conviene también contar bien la estadística más citada del rubro. Que el 95% de los pilotos fracasa no está en el estudio del que se la atribuye: el informe del MIT dice que el 95% de las organizaciones de su base no obtenía retorno, y su propio embudo —60% evaluó, 20% pilotó, 5% llegó a producción— implica que entre las que efectivamente pilotearon la tasa de fracaso fue 75%. Evidencia más sobria dice lo mismo con menos ruido: Gartner proyecta que al menos el 30% de los proyectos de IA generativa se abandona tras la prueba de concepto, por datos de mala calidad, controles insuficientes, costos que escalan o valor de negocio poco claro. Ninguna de esas causas es tecnológica.

La conclusión práctica es la que ordena todo lo demás: la herramienta no hace la diferencia. La hace qué problema eliges y cómo se conecta con lo que ya tienes.

Tres cosas movieron el costo mínimo de usar modelos capaces.

La suscripción reemplazó al consumo. Los proveedores venden planes de tarifa fija: hay planes de codificación desde 18 dólares mensuales —el proveedor afirma un ahorro de hasta 92% frente a pagar por uso— y los asistentes profesionales se venden entre 17 y 25 dólares por persona al mes. El primer peldaño cuesta menos que el plan de datos de un celular.

El procesamiento se abarató de forma brutal. Según el índice de la Universidad de Stanford, obtener el desempeño de un modelo tipo GPT-3.5 pasó de 20 a 0,07 dólares por millón de tokens en menos de dos años: un factor cercano a trescientos. Cualquier cifra de costos con más de doce meses está probablemente obsoleta, y siempre a la baja.

Los modelos abiertos dejaron de ser un juguete. La distancia con los mejores modelos cerrados se estrechó a unos pocos meses, y varios corren en una máquina de escritorio con una tarjeta gráfica decente. Para clasificar, resumir, extraer datos de documentos o redactar borradores, el costo marginal deja de ser una factura y pasa a ser electricidad. Y tus datos no salen de la oficina, que para algunos rubros es el argumento que más pesa.

No todos los dolores se parecen, pero casi todos caben en dos familias: tareas repetitivas que consumen horas y decisiones que se toman a ciegas por falta de datos ordenados. Esta tabla es un punto de partida para reconocer el propio caso, no un catálogo cerrado.

Casi ninguna de estas soluciones exige un proyecto grande. Casi todas exigen algo más difícil de comprar: saber cuál de todas te está costando más plata.

El diagnóstico es la parte que decide si el proyecto sirve, y no es misteriosa. Son cuatro pasos.

Primero, mirar la operación, no el organigrama. Se recorre el camino completo de un pedido o un cliente: cómo entra, quién lo toca, dónde se detiene, cuántas veces se copia el mismo dato de un lugar a otro, y en qué punto alguien está esperando a otra persona. Ese recorrido, hecho con quienes hacen el trabajo, suele tomar unas pocas conversaciones y muestra más que cualquier informe.

Segundo, encontrar el dolor y ponerle número. No el que más molesta, sino el que más horas consume o más plata pierde — y que se pueda medir hoy, antes de tocar nada. Si no se puede medir, no sirve como primer caso, por interesante que parezca.

Tercero, escribir hipótesis en vez de soluciones. Una hipótesis dice qué esperas, cuánto y en qué plazo: "si el 70% de las consultas que llegan por WhatsApp son las mismas ocho preguntas, un asistente con acceso al catálogo debería bajar a la mitad el tiempo de respuesta en seis semanas". Escrita así se puede refutar, que es exactamente lo que la hace útil. Normalmente salen tres o cuatro y compiten entre ellas.

Cuarto, elegir la implementación más barata que permita probarla. No la más completa: la más barata que resuelva la duda. Si la hipótesis se cumple, se amplía; si no, se cambia de caso habiendo gastado poco. Esa disciplina es la diferencia entre un proyecto y una apuesta.

Hay tres costos reales, y conviene mirarlos sin dramatizarlos, porque suelen usarse como excusa para no empezar.

Tus datos están desordenados. Es cierto: la información suele estar repartida entre planillas con nombres distintos, el sistema de facturación, el correo y la memoria de una persona. Lo que ya no es cierto es que eso sea un muro. Hoy existen conectores estándar que le dan a un modelo acceso ordenado a esas fuentes sin migrarlas, y armar un flujo que extraiga, normalice y cargue esos datos es trabajo conocido, no investigación. Es un costo acotado y estimable, no un proyecto de años.

Alguien tiene que traducir el negocio. La tecnología no sabe qué es un cliente bueno en tu rubro, ni cuál es la excepción que siempre se hace, ni por qué esa factura se emite distinto. Se necesita alguien que entienda a la vez la lógica del negocio y la de la herramienta. Ese rol existe y no es escaso por naturaleza: es escaso porque casi nadie lo ofrece junto con la implementación, y se suele vender por separado y caro.

El control no es opcional. Un sistema que responde a clientes o toca datos personales necesita reglas, registro de lo que hizo y alguien que revise. En Chile la Ley 21.719 de protección de datos personales ya fija obligaciones concretas. Eso se diseña una vez y se mantiene; ignorarlo sale mucho más caro que hacerlo.

No empieces con una estrategia de inteligencia artificial. Empieza con un problema.

Elige uno que puedas medir y que te esté costando horas todas las semanas. Ponle un número antes de empezar —cuántas horas al mes se van ahí—, prueba unas semanas con la herramienta más barata que sirva, y vuelve a medir. Si las horas no bajaron, cambia el caso o para. Y si tu proceso está roto, automatizarlo te va a dar un proceso roto y más rápido.

Una advertencia práctica sobre el financiamiento público: hoy no existe en Chile un instrumento que le pase dinero a una pyme para comprar inteligencia artificial. Los fondos de CORFO abiertos para adopción los postulan consorcios y entidades ejecutoras, no la empresa; el Kit Digital de Sercotec está cerrado y en su último llamado alcanzó para 604 empresas en todo el país, el 0,05% de las MIPYMEs, sin un solo curso de IA entre sus contenidos obligatorios. Lo que sí hay, gratis, es formación. No esperes un subsidio para empezar: a treinta dólares al mes, no lo necesitas.

Esta sección es la interesada, y por eso va marcada.

Sinapsis construye software que opera con esa misma disciplina, y podemos mostrarlo porque lo aplicamos a nuestra propia plataforma. Trabajamos con planes de suscripción en vez de pago por consumo, repartiendo el trabajo entre varios proveedores según lo que cada tarea necesita. Usamos modelos abiertos donde alcanzan, incluso en máquina propia. Y tenemos una regla dura que se lleva por delante la mayor parte del presupuesto de integración: no se construye nada nuevo si algo que ya existe cubre el sesenta por ciento del problema.

Lo que hacemos primero no es instalar nada, sino el diagnóstico descrito más arriba: recorrer la operación, encontrar el dolor medible y escribir las hipótesis. De ahí sale si tu caso tiene solución barata, solución cara o no tiene — y las tres respuestas son útiles.

No publicamos precios acá, porque el costo real depende de tu caso y cualquier cifra suelta sería marketing, justo lo que este dossier critica. Ofrecemos una conversación de una hora para averiguarlo: admin@sinapsis.in.