Inteligencia artificial en México: el panorama real hoy

Cada semana entro a una junta donde alguien dice que su empresa «ya está usando IA», y al preguntar qué proceso cambió y qué número de negocio se movió, la conversación se pone incómoda. Esa distancia entre el discurso y la operación define hoy a la inteligencia artificial en México. Llevo más de doce años desarrollando IA y más de 150 conferencias recorriendo plantas, bancos, tiendas y oficinas de gobierno en México y América Latina. Este es el panorama desde adentro.

Dónde está realmente la adopción de inteligencia artificial en México

El dato más citado de 2026 viene del estudio «Desbloqueando el Potencial de la IA en México», de Strand Partners para AWS: 48% de las organizaciones mexicanas ya usa IA de alguna forma, frente a 38% un año antes, más de 2.5 millones de empresas. Visto así, parece una historia de despegue.

El mismo estudio trae la otra mitad. Solo 22% se considera preparada para tecnologías de siguiente generación como la IA agéntica, 63% sigue anclada en aplicaciones básicas, y 46% reconoce que le cuesta medir con confianza el retorno de lo que ya implementó.

La brecha entre decir que se usa y tenerla en producción

Quien contesta que «usa IA» puede estar diciendo tres cosas distintas: que su equipo abre ChatGPT para redactar correos, que compró una licencia que nadie configuró, o que tiene un modelo corriendo en un proceso con dueño y métrica. Las tres cuentan igual en el porcentaje y en la operación no se parecen en nada.

Manufactura lo muestra con números duros. El informe «México Inteligente», construido sobre 33,316 unidades manufactureras de los Censos Económicos 2024 del INEGI, encontró que apenas 4.8% de las empresas manufactureras con más de 10 empleados usa inteligencia artificial, contra 19.1% del promedio de la OCDE. Encuesta de percepción: 48%. Censo económico en manufactura: 4.8%. Miden cosas distintas, y esa distancia es el tamaño real del problema.

Los sectores donde la IA avanza más rápido y por qué

Manufactura y nearshoring

Tiene el caso económico más claro pese a la adopción baja: el mismo informe estima que cada diez puntos porcentuales de mayor adopción dentro de una industria manufacturera se asocian con 18.8% más producción bruta por unidad económica y 5.4% más salario por trabajador. El nearshoring agrega presión, porque las plantas que llegan traen estándares de calidad, trazabilidad y mantenimiento predictivo que ya asumen visión artificial y analítica de sensores.

Servicios financieros

Bancos, aseguradoras y fintechs van rápido porque sus datos ya están estructurados y sus áreas de riesgo ya sabían validar modelos. Fraude, scoring alternativo, prevención de lavado y atención automatizada son los frentes con más uso real.

Retail y consumo

El motor es el volumen transaccional. Pronóstico de demanda, surtido por tienda, precio y ruteo de última milla dan retorno rápido porque el error tiene costo visible. El obstáculo no es el modelo, es que el inventario del sistema no coincide con el del anaquel.

Salud y gobierno

En salud avanza el apoyo diagnóstico por imagen, la priorización de pacientes y la automatización administrativa, y se atora todo lo que toca expediente clínico, porque la información vive repartida entre instituciones, formatos y papel. En gobierno hay iniciativas en atención ciudadana, trámites y seguridad, donde el límite rara vez es tecnológico: es gobernanza de datos y continuidad entre administraciones.

El talento: qué perfiles faltan de verdad

Se dice que a México le faltan investigadores de machine learning. Faltan, pero no son el cuello de botella. Los perfiles que detienen proyectos son tres: ingenieros de datos, que construyen las tuberías de información limpia desde los sistemas fuente hasta el modelo; ingenieros de plataforma y MLOps, que sostienen el modelo funcionando después del piloto; y perfiles híbridos que entienden negocio y herramienta a la vez, como el gerente de planta que sabe qué pedirle a un modelo. Ese tercero no se contrata, se forma adentro.

La escasez también aparece del lado físico: la demanda de ingenieros para centros de datos, robótica y manufactura avanzada creció junto con las inversiones, y ya no se pide solo capacidad técnica, sino inglés y comunicación para operar en equipos regionales.

Infraestructura: centros de datos, energía y lo que el nearshoring implica

México se volvió destino atractivo para centros de datos por cercanía con Estados Unidos, latencia baja y capital disponible, y Querétaro concentra buena parte de esa apuesta. La restricción es eléctrica y, cada vez más, hídrica.

En agosto de 2026, la presidenta Claudia Sheinbaum señaló que México no debe ser el centro de datos de otros lugares del mundo por el consumo de energía y agua que implica, y apuntó que generan actividad económica con poco empleo. Mencionó además un esquema mixto de inversión para ampliar el sistema eléctrico, con proyectos de transmisión y distribución que toman entre uno y tres años.

La lectura práctica: habrá capacidad de cómputo en México, pero no ilimitada ni inmediata, y la decisión entre entrenar aquí, entrenar afuera o consumir modelos ya entrenados debe tomarse con esa restricción encima.

El estado real de la regulación de inteligencia artificial en México

Aquí conviene ser exacto, porque circula mucha confusión. México no tiene una ley general de inteligencia artificial. Hay propuestas en trámite legislativo y regulación que avanza por sectores.

Entre lo que sigue siendo iniciativa y no ley hay una reforma constitucional presentada en 2026 para facultar al Congreso a legislar en la materia, una iniciativa del Senado para una Ley General de IA, propuestas sobre sistemas de alto riesgo en telecomunicaciones, una reforma laboral para informar al trabajador cuando la IA interviene en su evaluación, y una Ley de Desarrollo de IA con consejo nacional y auditoría algorítmica. Todas pendientes. Ninguna exigible hoy.

Lo que sí aplica viene de marcos existentes: datos personales, disposiciones del sector financiero, materia laboral, propiedad industrial y normativa en salud. Escribí antes sobre por qué este vacío importa en este análisis sobre la regulación de la inteligencia artificial en México. Fui miembro del Comité de Regulación de IA de la Industria Audiovisual de México y me quedó una lección: quien documenta hoy sus decisiones de modelo, sus fuentes de datos y sus controles humanos llegará preparado el día que la ley exista.

Qué frena a las empresas mexicanas

Datos fragmentados

El problema número uno no es el modelo, es que la misma empresa tiene al cliente registrado con tres nombres distintos en cuatro sistemas que no se hablan. Ningún algoritmo arregla eso, y ahí es donde se atoran los proyectos durante meses.

Proyectos que nacen en sistemas y nunca bajan a operación

Un piloto que corre en pruebas con alta precisión no es un proyecto, es un experimento. Se vuelve proyecto cuando operación lo usa a diario, cuando hay procedimiento escrito de qué hacer si el modelo se equivoca y cuando un dueño de negocio, no de TI, responde por el número. La mayoría de las iniciativas mueren en ese salto.

Comprar plataforma antes de definir el problema

El patrón más caro: la empresa firma una licencia anual, la despliega a medias y a los ocho meses nadie sabe justificar la renovación. Coincide con que casi la mitad de quienes usan IA en México no logra medir el retorno. La herramienta no falló, se compró antes de saber para qué.

Qué debería hacer hoy una empresa mexicana

Cinco movimientos, en este orden. Uno: elegir un solo proceso donde el error tenga costo medible, como cobranza, mermas o rechazos de calidad. No tres, uno. Dos: auditar los datos de ese proceso antes de ver demos. Si la información no es confiable, ese es el proyecto real de los siguientes noventa días. Tres: nombrar un dueño de negocio con la métrica en su tablero. Cuatro: definir por escrito dónde decide el humano y dónde asiste la máquina, con registro de esas decisiones. Cinco: formar a la gente que va a usarlo, no solo al área técnica.

Lo repito en cada escenario: los humanos dirigen, la IA amplifica. Una organización desordenada que adopta IA obtiene desorden más rápido; una con procesos claros obtiene ventaja compuesta. Si quieres llevar esta conversación a tu equipo directivo, puedes ver mi trabajo como conferencista de inteligencia artificial en México o escribirme por contacto.

Preguntas frecuentes

¿Cuántas empresas usan inteligencia artificial en México?

Según el estudio de Strand Partners para AWS de 2026, 48% de las organizaciones mexicanas usa inteligencia artificial de alguna forma, frente a 38% el año anterior, más de 2.5 millones de empresas. Solo 22% se considera preparada para tecnologías avanzadas como la IA agéntica.

¿Existe una ley de inteligencia artificial en México?

No. México no cuenta con una ley general de inteligencia artificial aprobada. Hay varias iniciativas pendientes en el Congreso, incluida una reforma constitucional y una propuesta de Ley General de IA, además de reglas sectoriales ya aplicables en datos personales, materia laboral, telecomunicaciones y servicios financieros.

¿Qué sectores adoptan más rápido la inteligencia artificial en México?

Servicios financieros, retail y manufactura ligada al nearshoring van al frente, porque tienen datos estructurados y un costo del error fácil de cuantificar. Salud y gobierno avanzan más lento, no por falta de tecnología, sino por fragmentación de la información y gobernanza de datos.

¿Qué perfiles de talento en IA faltan en México?

Faltan sobre todo ingenieros de datos, ingenieros de plataforma y MLOps, y perfiles híbridos que entiendan a la vez el negocio y la herramienta. La escasez alcanza también a ingenieros para centros de datos, robótica y manufactura avanzada.

¿Por qué fracasan los proyectos de IA en las empresas mexicanas?

Por tres causas repetidas: datos fragmentados entre sistemas que no se comunican, pilotos que nunca bajan a la operación diaria, y compra de plataformas antes de definir el problema de negocio. Casi la mitad de las empresas mexicanas que ya usan IA reconoce que no logra medir su retorno con confianza.

Sobre mí

Soy Wario Duckerman, conferencista de inteligencia artificial y CEO de Brita Inteligencia Artificial. Llevo más de doce años desarrollando IA y más de 150 conferencias en México y América Latina. Fui miembro del Comité de Regulación de IA de la Industria Audiovisual de México. Mi trabajo parte de una idea: los humanos dirigen, la IA amplifica.