Por: Cassio Christianini, Head of AI Go-to-Market para Americas de SAP

La inteligencia artificial no es competitiva por sí sola; se vuelve competitiva cuando entiende el contexto en el que opera. Diseñar inteligencia artificial basada en datos locales y representativos se está convirtiendo en una ventaja estratégica clave para las organizaciones.

El momento cero de la inteligencia artificial son los datos. Su insumo vital. La materia prima que hay que cuidar, ordenar y estructurar para que la IA potencie los procesos de negocio, producción y toma de decisiones de las compañías.

Pero cuando la IA comienza a operar en una compañía, institución, sociedad o país, también transforma la manera en que esos datos, ese momento cero, se produce. Esa ida y vuelta, esa circularidad de la innovación, es especialmente visible en América Latina, una región donde la diversidad cultural, las desigualdades estructurales y la heterogeneidad empresarial condicionan los modos de adopción y escala de la tecnología.

En ese contexto, hablar de inclusión en la IA no puede limitarse a la detección o corrección de sesgos algorítmicos. El desafío implica pensar de forma más estructural: qué datos alimentan los modelos, desde qué territorios, con qué lenguajes, y bajo qué supuestos culturales. Pensar la IA de forma contextual ya no es solo una cuestión ética es una decisión estratégica que impacta directamente en la competitividad de las organizaciones.

De la IA “traducida” a la IA enraizada

América Latina concentra más de 470 millones de hablantes de español y 220 millones de portugués, con múltiples variantes dialectales y comunidades indígenas con lenguas propias. Sin embargo, según el AI Index 2024 de Stanford, solo el 3% de los modelos lingüísticos utilizados por la IA fueron entrenados con datasets latinoamericanos.

Esto da lugar a una IA traducida: soluciones que funcionan técnicamente, pero interpretan la realidad desde marcos externos. Gran parte de la IA que hoy se usa en la región no fue diseñada desde sus contextos, sino adaptada posteriormente a partir de otras formas de hablar, de consumir, de producir, de vincularse con el Estado, con las empresas y con la tecnología.

Puede ocurrir, entonces, que los modelos no comprendan adecuadamente expresiones locales, realidades productivas informales, dinámicas sociales híbridas o marcos regulatorios fragmentados. Y, por eso, tienden a ofrecer respuestas menos útiles, menos confiables y, en muchos casos, menos justas.

Datos como infraestructura estratégica

Al comienzo del artículo mencioné que los datos son el momento cero de la IA. Y agrego: no son un insumo neutral. La calidad, representatividad y gobernanza de los datos determinan directamente qué tipo de IA puede construirse.

En la conversación global sobre la inteligencia artificial, poco a poco, el foco se desplaza desde la potencia de los modelos hacia las condiciones que los hacen viables en la práctica, según el AI Index Report 2025 de Stanford. Calidad de datos, gobernanza, transparencia y alineación con contextos regulatorios y sociales se vuelven factores críticos para la adopción sostenida.

Para las compañías de la región, esto quiere decir que entrenar modelos con información local exige resolver cómo se capturan, integran, actualizan y protegen esos datos a lo largo del tiempo. Y sin olvidar que generalmente se insertan en ecosistemas donde los sistemas suelen estar fragmentados y dependen de marcos regulatorios específicos.

Gestionar modelos con variantes contextuales

Gestionar correctamente un modelo de IA en América Latina implica abandonar la idea de una única versión “óptima” y avanzar hacia arquitecturas con capacidad de adaptación contextual.

La pregunta es: ¿cómo se diseñan puntos de referencia locales que permitan ajustar lenguaje, reglas y señales según su entorno?

Una investigación reciente en modelos lingüísticos subraya que incorporar variaciones regionales no solo mejora la inclusión, sino también el rendimiento y la interpretabilidad de los sistemas. En otras palabras: la contextualización no es un costo adicional, es una mejora funcional. El valor de la Inteligencia Artificial ya no se mide solo por su sofisticación técnica: también importa su capacidad de operar con datos confiables, gobernados y representativos.

Cada interacción con clientes, proveedores y comunidades genera datos que, si se gestionan correctamente, pueden contribuir a construir modelos más contextuales. Datos bien gobernados permiten ofrecer servicios personalizados que reflejen la diversidad real de los usuarios, en lugar de forzar comportamientos hacia promedios globales que no existen en la práctica.

Ventaja contextual

Pensar la inclusión desde la IA es pensar la relación entre empresa y sociedad. América Latina atraviesa un momento singular. A pesar de sus limitaciones estructurales, combina talento, creatividad y una adopción tecnológica acelerada. Si las empresas logran fortalecer la soberanía y la gobernanza de sus datos, la región tiene una oportunidad concreta de usar la IA como motor de competitividad, productividad y reducción de brechas.

Entonces, los nuevos datos contextuales podrían habilitar una Inteligencia Artificial relevante, que causaría que esa IA mejore el uso de los datos y ese círculo virtuoso impactaría en empresas, instituciones y sociedad.

Pensar la IA de forma contextual no implica ralentizar la innovación. Implica hacerla viable en el largo plazo. La ventaja competitiva está en la capacidad de construir inteligencia capaz de adaptarse, aprender y evolucionar junto con los negocios y sociedades.

Cómo escalar

Para las empresas en América Latina, el desafío no está en declarar principios de inclusión en IA, sino en operacionalizar los mismos dentro de arquitecturas de datos reales, muchas veces fragmentadas y heredadas. Esto empieza por una decisión concreta: tratar los datos como infraestructura estratégica del negocio, no como subproducto de los sistemas.

En la práctica, una IA verdaderamente contextual se construye mucho antes del modelo. Empieza con datos representativos desde el origen, capaces de incorporar señales locales sin diluirlas en promedios globales; sigue con una gobernanza clara que define qué datos se usan, bajo qué reglas y con qué responsabilidades; y se consolida con arquitecturas que permiten adaptar la inteligencia por mercado, idioma o contexto operativo sin romper la lógica del negocio. Por eso, la inclusión en IA no se resuelve ajustando algoritmos, sino tomando decisiones previas sobre integración, calidad y gobierno de los datos. Cuando esas bases están bien diseñadas, la contextualización deja de ser un esfuerzo adicional y pasa a ser una consecuencia natural.