La adopción de inteligencia artificial crece en empresas, pero los resultados no acompañan. Arbusta pone el foco en el verdadero cuello de botella: la calidad de los datos y su integración en operaciones reales.

La inteligencia artificial dejó de ser una promesa para convertirse en una herramienta presente en buena parte de las organizaciones. Sin embargo, el salto desde la experimentación hacia resultados concretos sigue siendo limitado. Y ahí es donde empieza a aparecer un nuevo problema: no es la tecnología, son los datos.

"Muchas organizaciones ya incorporaron herramientas de IA generativa en sus procesos, pero todavía son pocas las que logran traducir ese uso en mejoras concretas en productividad o resultados", plantea Clemencia Nicholson, CEO de Arbusta.


Clemencia Nicholson, CEO de Arbusta

Los números respaldan esa lectura. Mientras el 86% de las compañías espera que la IA transforme su operación en los próximos años, según el World Economic Forum, la realidad muestra otra cara: más del 80% de las empresas en América Latina ya implementó IA generativa, pero apenas un 1% reporta impacto tangible en su negocio.

El dato clave está en otro lado: el 63% de las organizaciones no tiene datos “AI-Ready”. Es decir, carecen de bases preparadas, limpias y estructuradas para alimentar modelos de inteligencia artificial de manera efectiva.

El nuevo cuello de botella: calidad y operación

La conclusión es incómoda para el mercado: la barrera ya no es acceder a IA, sino usarla bien. Y eso implica resolver un problema menos visible pero crítico: cómo convertir datos en información confiable, escalable y accionable.

Ahí es donde empresas como Arbusta buscan posicionarse. A más de una década de su creación, la compañía evolucionó desde un enfoque de impacto social hacia un modelo que combina servicios de datos, entrenamiento de IA y operación en tiempo real para grandes organizaciones.

El enfoque tiene dos frentes claros:

• Preparación de datos históricos para modelos de machine learning
• Gestión de datos en tiempo real, especialmente en operaciones críticas como atención al cliente o prevención de fraude

No es menor: muchas iniciativas de IA fallan porque los datos no reflejan lo que pasa en la operación diaria. Sin ese puente, los modelos quedan desconectados del negocio.

Escalar sin perder calidad (ni talento)

Uno de los puntos más sensibles del modelo es cómo escalar operaciones de datos sin resignar calidad. Arbusta propone una respuesta poco convencional: formar talento desde cero.

“Creemos que es posible escalar operaciones de datos con altos estándares de calidad y, al mismo tiempo, generar impacto en el desarrollo profesional de jóvenes”, explica Tobías de Marcos, responsable de Growth.

El modelo se apoya en la capacitación de jóvenes —en su mayoría mujeres— sin experiencia previa en tecnología. En lugar de buscar perfiles ya formados, la empresa los entrena en herramientas como Excel, SQL o Python, y los integra directamente en proyectos reales.

El dato relevante para el mercado: más de 760 personas ya pasaron por este esquema, con un promedio de 25 cursos completados en sus primeros dos años.

En un contexto donde el talento tech escasea y encarece, esta estrategia no es solo social: también es competitiva.

De fintech a energía: dónde se juega el negocio

El modelo ya está en producción en sectores donde los datos son críticos. Arbusta trabaja con compañías como Mercado Pago y Despegar, pero también avanza en verticales menos tradicionales para este tipo de servicios, como Oil & Gas.

En Argentina, la firma ya desarrolla proyectos con empresas como Pampa Energía y Transportadora de Gas del Norte, un indicio de cómo la transformación digital se extiende a industrias más pesadas.

El foco está puesto en áreas concretas:

• Operaciones
• Marketing
• Análisis de mercado
• Prevención de fraude

Es decir, zonas donde el dato impacta directamente en ingresos, costos o riesgos.

Lo que deja esta etapa de la IA

A más de diez años de su nacimiento, Arbusta refleja un cambio más amplio en la industria: la inteligencia artificial ya no se mide por adopción, sino por impacto.

Y ese impacto depende cada vez menos de los algoritmos y más de lo que los alimenta. Sin datos confiables y bien integrados, la IA no escala ni genera valor.

Hacia adelante, el mercado parece moverse hacia modelos híbridos, donde tecnología, procesos y trabajo humano se combinan para cerrar esa brecha.

Para quienes lideran negocios, el mensaje es concreto: antes de invertir en más IA, conviene revisar si los datos están listos para sostenerla. Porque ahí, hoy, está la diferencia entre experimentar y competir.