La brecha PyME en IA: el verdadero ‘cuello de botella’ del G7 (y de México) El Financiero

Hay un malentendido, digamos que ciertamente cómodo —y peligrosamente popular— sobre la inteligencia artificial en las empresas: que el gran tema es “tener acceso” a la IA. En realidad, el problema ya no es el acceso; es la adopción efectiva. Y en ese terreno, las PyMEs (las que sostienen el empleo, la proveeduría y el tejido industrial) están quedando atrás. Por supuesto que hay ilustrativos ejemplos de cómo, justamente, han sido las PyMEs las que han creado la revolución de la IA (DeepMind, OpenAI, Mistral, etc.)

Un documento reciente de la OCDE [1], preparado a petición de la Presidencia canadiense del G7 2025 para alimentar un Blueprint de adopción de IA en PyMEs, pone el dedo en la llaga: la adopción de IA crece rápido, pero desde un piso bajo, y con una brecha estructural entre empresas grandes y pequeñas. En promedio de la OCDE, 40 por ciento de las empresas grandes (250+ empleados) reportan usar IA, mientras que solo 11.9 por ciento de las pequeñas (10–49 empleados) lo hace. Es decir: las grandes triplican a las pequeñas en adopción.

Sí, la curva va hacia arriba: entre 2020 y 2024, la proporción de empresas (10+ empleados) que usa IA sube de 5.6% a 14%. Pero incluso esa mejora palidece frente a tecnologías digitales ya “maduras” como cloud, que superan 50%. El matiz clave es otro: cuando miramos la IA en funciones elementales (producción de bienes y servicios), el uso en el G7 en 2024 está por debajo de 10%, con rangos que van de 1.9% (Japón) a 6.1% (EE.UU.). O sea, mucha IA está entrando por las orillas, no por el corazón operativo, y eso refleja lo que dice la OCDE, aunque micro y PyMEs usan GenAI, suele emplearse en tareas periféricas más que en tareas “core”. Entre PyMEs que usan GenAI, sólo 29% afirma usarla en sus actividades centrales.

Y aun así, el beneficio más reportado es muy revelador: mejor desempeño del empleado, además de ahorro de costos y capacidad de hacer tareas nuevas. Esto coincide con el tono del post que mencioné semanas pasadas (Martin Ebers): el foco real no es “IA por moda”, sino políticas diferenciadas y habilitadores concretos —conectividad; datos/algoritmos/cómputo; habilidades; finanzas— para que las PyMEs crucen del experimento a la transformación.

La OCDE propone una taxonomía con tres ejes: madurez digital, complejidad del uso de IA y alcance (de uso aislado a integración empresa-completa). A partir de ahí, distingue trayectorias y arquetipos (novatos, optimizadores, exploradores, campeones) y baja a tierra con ejemplos: desde el “chatbot en servicio al cliente sin integración” hasta casos enterprise-wide con decisiones estratégicas alimentadas por IA.

Este punto importa para México: una política pública o corporativa que sólo diga “capacitación en IA” o “subsidios para software” se queda corta si no reconoce en qué etapa está cada PyME y cuál es su principal traba (infraestructura, datos, talento, capital, o incluso confianza y gobernanza). Aquí está el incentivo macro: la OCDE estima que, en el G7, la IA podría aportar entre 0.2 y 1.3 puntos porcentuales al crecimiento anual de la productividad laboral en la próxima década (según escenarios de adopción).

Pero ese “podría” viene con letra pequeña: la productividad no se pide en Temu, ni en Amazon.. Se construye con complementos: datos de calidad, rediseño de procesos, integración con sistemas existentes, y habilidades para operar la herramienta sin convertirla en un generador de ruido. El documento condensa cómo atacar justo ese problema con cuatro prerrequisitos: conectividad, insumos habilitadores (datos/algoritmos/cómputo), habilidades, y finanzas.

En el G7 esto ya se tradujo en una narrativa de “ecosistema de adopción”; de hecho, los ministros de Industria/Digital/Tecnología recibieron y celebraron el SME AI Adoption Blueprint en Montreal (7–9 dic 2025). Para México, el espejo es directo: si queremos que el nearshoring se convierta en productividad (y no sólo en maquila más cara), entonces la IA en PyMEs no es “tema tech”; es política industrial. El orden de operaciones se parece más a este pipeline: primero, conectividad real (no sólo “cobertura”): latencia, estabilidad y costos para operación diaria; segundo, Cómputo y datos como infraestructura: acceso a nube, pero también a cómputo local/edge donde haya privacidad, continuidad operativa o restricciones regulatorias; tercero, habilidades accionables: menos “evangelización”, más formación por oficio (ventas, mantenimiento, calidad, logística, compras) y por proceso; y cuarto, financiamiento que entienda tiempos de adopción: la IA no siempre paga en 3 meses; a veces paga mejor cuando rediseñas el flujo completo.

Y ahí está la verdadera oportunidad. La discusión relevante ya no es quién tiene el mejor modelo de IA, sino cómo logramos que miles de PyMEs crucen el umbral entre el uso superficial de la inteligencia artificial y su adopción productiva. Pasar de emplear GenAI para redactar correos o presentaciones a utilizar IA para reducir scrap, mejorar el OEE —la eficiencia real con la que las máquinas convierten tiempo y capacidad en piezas buenas—, acortar ciclos de diseño, anticipar fallas, optimizar inventarios o afinar decisiones comerciales. Justamente ahí es donde cobran sentido las iniciativas de adopción práctica de IA.

Dicha adopción no es para mostrar soluciones hipercomplejas ni arquitecturas inalcanzables para una PyME, sino para bajar el costo —técnico, económico y organizacional— de empezar a usar IA para visión donde realmente importa. Frente a las barreras tradicionales de adopción —integraciones largas, consultorías costosas, dependencia de proveedores únicos o proyectos que tardan meses en mostrar resultados—, estos talleres se enfocan en casos concretos y accesibles: cómo usar IA para mejorar calidad, productividad u operación con inversiones marginales y tiempos cortos de aprendizaje.

Para PyMEs en México —y, con ajustes, también para familias, estudiantes y emprendedores— la recomendación práctica es moverse por “casos de valor” y no por “herramientas de moda”: elige 1–2 procesos donde hoy se pierde dinero (scrap, paros, retrabajo, inventario, cobranza, devoluciones), define una métrica simple (tiempo, merma, costo, ventas) y haz un piloto corto que conecte IA con el flujo real (datos, responsable, rutina semanal de revisión). En paralelo, invierte en los habilitadores mínimos: conectividad estable, orden básico de datos (aunque sea en hojas bien diseñadas), y habilidades por oficio (ventas, compras, mantenimiento, calidad).

¿Es el open source la respuesta? A menudo sí, como palanca de costo y control: modelos y herramientas abiertas permiten experimentar barato, evitar “lock-in” y, cuando aplica, operar localmente por privacidad o continuidad; pero el punto no es “abrir por abrir”, sino usar open source para bajar el costo de aprendizaje y reservar el gasto grande para la integración que mueve la aguja.

La clave no es sofisticar el problema, sino demostrar que la adopción efectiva de IA puede ser incremental, pragmática y mucho más barata que seguir operando con ineficiencias estructurales. La IA que genera valor no es la que deslumbra en una demostración, sino la que se integra en los procesos cotidianos y modifica, de forma medible, la forma en que se produce, se decide y se vende.

[1] The SME AI adoption blueprint, disponible en https://ised-isde.canada.ca/site/ised/en/sme-ai-adoption-blueprint