Primero el problema, después la tecnología: la nueva regla de la innovación

Por qué las empresas argentinas dejaron de comprar tecnología "por comprar"

Durante años la transformación digital tuvo una dinámica reconocible: identificar la última herramienta, repartir licencias, contar las instalaciones en un PowerPoint y declarar el éxito. Esa etapa, según voces del mercado argentino, está quedando atrás. Valeria Forte, directora de Business & Transformation de KPMG Argentina, lo resume con una frase que describe el nuevo momento: "Hay una necesidad de entender dónde genera valor para que eso sea rentable".

El cambio de chip no es un detalle cosmético. Es la diferencia entre repartir 200 licencias de un asistente de IA y rediseñar un proceso crítico de logística para reducir un 30% el tiempo de gestión. En ambos casos se "usa IA"; en uno se mueve la aguja del negocio y en otro se mueve solo el presupuesto de marketing.

La nueva regla es incómoda para los equipos comerciales de los proveedores y saludable para los founders: primero se identifica el problema, después se discute la tecnología.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

La lógica "problem-first" en acción: Quilmes, Andreani y TGN

La nota del Cronista recoge tres casos concretos en Argentina que muestran cómo se aplica el nuevo enfoque.

En Cervecería y Maltería Quilmes, Eugenio Cucú Raffo, VP de Marketing para Latinoamérica Sur, asegura que la IA volvió la toma de decisiones "más rápida y más potente, aunque no menos humana". Su lectura es clave para founders: no hay un rol del equipo que la IA pueda reemplazar por completo, pero tampoco uno que no haya cambiado. Esto encaja con la conclusión de un análisis de SVAM sobre adopción empresarial de IA: solo el 34% de las organizaciones está reimaginando realmente su negocio con IA, mientras el resto se queda en el despliegue de herramientas.

En Andreani, el CTO Sebastián Sarasate lo pone en una frase que vale como manual: "La clave es empezar por no elegir qué tecnología, sino qué problema tenemos que resolver". El método operativo es el que cualquier founder puede copiar: casos concretos, prueba en pequeña escala, y si funcionan, expansión. Andreani combina sensores, datos, cámaras y automatización para seguir envíos, anticipar recorridos y detectar desvíos en sus centros de distribución.

En TGN, Eduardo Mascaro, subgerente de Tecnología Operativa, comparte el diagnóstico y el antídoto: "muchas veces la tecnología aparece como una solución en busca de un problema". Su solución es tan vieja como efectiva: que quienes toman decisiones tecnológicas conozcan el negocio en profundidad. TGN aplica esa lógica sobre una red de más de 11.000 kilómetros de gasoductos, donde usa IoT para monitorear infraestructura remota y robots para reducir la exposición humana a tareas riesgosas.

Los tres casos coinciden en lo esencial: la pregunta inicial ya no es ¿qué IA contratamos?, sino ¿qué fricción queremos eliminar?.

Por qué importa: el dato que define a los "high performers" de IA

La discusión argentina no es local; es global con acento local. El relevamiento State of AI de McKinsey, citado por SVAM, muestra que 88% de las organizaciones ya usan IA en al menos una función de negocio, pero solo el 6% califica como "high performer" (es decir, aquella IA que aporta más del 5% al EBIT). Casi dos tercios del resto sigue atrapada en pilotos que nunca escalan.

Un segundo dato, esta vez de Deloitte, refuerza el punto: el 66% de las empresas reporta ganancias de productividad por IA, pero solo el 20% está creciendo ingresos con ella, aunque el 74% espera hacerlo. La brecha entre intención y resultado es enorme, y se cierra, según ambos estudios, con algo muy poco sexy: definir ownership del outcome, reescribir workflows y tener datos limpios. RAND, por su parte, encontró que más del 80% de los proyectos de IA no entrega el valor de negocio esperado, casi el doble que los proyectos de TI tradicionales.

Para un founder latinoamericano, el mensaje es directo: usar IA es la norma, monetizarla sigue siendo la excepción. La diferencia la marca el problema que se elige resolver.

Qué significa esto para tu startup

La conversación dominante en podcasts y eventos tech suele girar en torno a qué modelo de IA o qué agente nuevo probaste. Las voces recogidas por El Cronista, y los datos de McKinsey, Deloitte y RAND, dicen exactamente lo contrario: la palanca está en el lado del problema, no en el lado del modelo.

Tres acciones concretas que podés aplicar esta semana

Mapa de fricciones antes que mapa de herramientas. Hacé una lista de los 5 procesos más repetitivos, dolorosos y estratégicos de tu operación. Para cada uno, redactá en una frase qué resultado de negocio cambiaría si ese proceso funcionara 10 veces mejor. Si no podés completar la frase, la herramienta no es lo que falta.
Piloto de 30 días con un outcome definido. Adoptá la regla Andreani: elegí un solo caso, definí una métrica de éxito (ahorro de horas, aumento de conversión, reducción de errores) y probá en escala reducida. Si no se mueve la métrica en 30 días, se descarta. Esto evita la acumulación de pilotos zombis que mencionan McKinsey y Deloitte.
Gobernanza y datos limpios antes de escalar. El estudio de SVAM advierte que los proyectos exitosos comparten tres condiciones: dominio de datos preparado, autoridad de decisión clara y caso de uso bien acotado. Invertí una hora en auditar la calidad de los datos que alimentarían cualquier agente de IA: es más aburrido que probar el último modelo, pero es donde se define el ROI real.

Un founder que aplica este enfoque deja de preguntarse "¿qué IA compro?" y empieza a preguntar "¿qué problema mío puede dejar de existir este trimestre?". En 2026, esa diferencia se nota en el EBITDA.