Benchmarking · Abril 2026 · Uso interno
Modelos de lenguaje en entornos corporativos
De piloto a producción: casos verificados 2024–2026
Perspectiva para Gerentes de Personas en industrias de contenido
Perspectiva para Gerentes de Personas en industrias de contenido
71%
organizaciones con IA generativa en operaciones
USD 37B
gasto en IA generativa corporativa en 2025
8
casos en producción documentados
76%
empresas compran (buy) en lugar de construir (build)
01
Resumen ejecutivo
Este informe responde una pregunta concreta: ¿qué hicieron las organizaciones que ya tienen IA para perfeccionar sus procesos internos, en producción con sus equipos, sus roles y su cultura? Hoy la tecnología es el vehículo. Lo que importa aquí es qué cambió en la forma de trabajar, quién asumió ese cambio, cómo se comunicó e integró y qué obstáculos se encontraron en el camino.
El patrón más consistente en los ocho casos documentados: el modelo de adopción importa más que el modelo de lenguaje. JPMorgan onboardeó 200.000 personas en ocho meses sin mandato. Deloitte está certificando 15.000 profesionales en una herramienta específica — esa certificación ya forma parte del perfil del rol, no es un curso opcional. Walmart anunció en abril de 2026 que formará en IA a sus 2,1 millones de empleados.
Para industrias de contenido, el conflicto es más pronunciado que en banca o retail. El activo central — la creación, la curaduría, el criterio editorial — es exactamente lo que los modelos generativos prometen automatizar. Pero los casos que funcionan muestran algo más granular: la IA no está entrando por la puerta del contenido editorial. Está entrando por marketing, traducción, gestión de datos de ventas y operaciones de backoffice.
Bertelsmann — la casa matriz de Penguin Random House — ya tiene ChatGPT Enterprise desplegado para sus ~75.000 empleados en 50 países, un sistema multi-agente propio en producción para búsqueda transversal de contenidos, y un AI Hub activo coordinando implementaciones en todas sus divisiones. PRH específicamente opera BookBoost, una plataforma propietaria que automatiza publicidad digital. La pregunta para esta organización no es si adoptar — es cómo gestionar el cambio para los equipos que ya están siendo afectados.
Las métricas sin etiqueta tienen trazabilidad directa a fuentes primarias (earnings calls, comunicados oficiales, casos publicados por proveedores). [Sin verificar] indica que la cifra circula en medios pero no fue confirmada por la empresa. [Inferencia] indica una conclusión lógica derivada de datos verificados, no un dato directo.
02
Contexto de mercado
En 2023, la conversación era sobre experimentación. En 2025, el 71% de las organizaciones usa IA generativa de forma regular en sus operaciones. El gasto pasó de USD 11,5 mil millones en 2024 a USD 37 mil millones en 2025 — una multiplicación por tres en un año. El dinero ya no va a POCs: va a infraestructura de producción.
71%
usa IA generativa regularmente
Menlo Ventures 2025
3×
crecimiento gasto IA corporativa 2024–2025
USD 11,5B → USD 37B
81%
empresas usa ≥3 familias de modelos simultáneamente
a16z, feb 2026
800M
usuarios semanales ChatGPT a nov 2025
OpenAI (verificado)
Anthropic
40%
OpenAI
27%
Google
~20%
Otros
~13%
Dos datos estructurales: El 81% de las empresas usa tres o más familias de modelos en producción simultáneamente — el modelo único de proveedor único dejó de ser el patrón dominante. Y el 76% de los casos de uso de IA corporativa hoy se compra en lugar de construirse internamente, frente a un 53% hace dos años. Las plataformas listas para producción ganaron la primera ronda.
03
Matriz comparativa de casos
Los ocho casos documentados comparados en variables relevantes para decisiones de implementación. Filtrar por región, sector o arquitectura.
| Empresa | Región | Sector | Modelo / plataforma | KPI principal | Estado |
|---|---|---|---|---|---|
JPMorgan Chase 🇺🇸 Estados Unidos |
Américas | Banca | LLM Suite (OpenAI + Anthropic) | USD 2B valor anual; ROI +30–40% a/a; -83% investigación Verificado | Producción plena |
Goldman Sachs 🇺🇸 Estados Unidos |
Américas | Banca inversión | GenAI propietario + Devin (Cognition) | -40% ciclo de desarrollo; Devin 3–4× Verificado | Producción plena |
Walmart 🇺🇸 Estados Unidos |
Américas | Retail | Wallaby (LLM propietario) + agentes Wally, Sparky, Marty | 850M datos catálogo; -30M millas; USD 55M ahorro perecibles Verificado | Producción plena |
Deloitte 🌐 150 países |
Global | Servicios profesionales | Claude Enterprise (Anthropic) | 470K empleados; 15K certificados objetivo Verificado | Rollout activo |
Siemens 🇩🇪 Alemania |
Europa | Manufactura | Industrial Copilot (Azure OpenAI) + Digital Twin Composer | +20% throughput PepsiCo/Gatorade en 3 meses; 99%+ disponibilidad Verificado | Producción (clientes) |
Rakuten 🇯🇵 Japón |
Asia | eCommerce / fintech | Rakuten AI 3.0 (~700B param, MoE, propietario) | Líder Japanese MT-Bench vs modelos abiertos Verificado | Producción + open-weight Q1 2026 |
Mercado Libre 🌎 18 países LATAM |
LATAM | eCommerce / fintech | Verdi (GPT-4o/4o mini) + Mercado Pago AI Assistant | 87% consultas sin humano; Mercado Ads +67% YoY Verificado | Producción plena |
Chile (mercado) 🇨🇱 Chile |
Chile | Transversal | ChatGPT, Gemini, herramientas cloud | USD 755M ventas ecosistema IA 2024; USD 51 per cápita (líder LATAM) Verificado | Adopción general |
No hay casos que coincidan con los filtros seleccionados.
04
Análisis técnico por caso
Cada caso documentado con su arquitectura, procesos afectados, KPIs verificados, dimensión de personas y obstáculos documentados. Expandir para ver el detalle completo.
01 · Banca · Américas
JPMorgan Chase
USD 1,5–2B valor anual
-83% tiempo de investigación
ROI +30–40% a/a
~100K usuarios activos diarios
Problema
Procesos
KPIs
Dimensión personas
Obstáculos
Los analistas dedicaban horas a preparar resúmenes de investigación, generar presentaciones y responder consultas de call centers internos. Las herramientas de consumo masivo como ChatGPT estaban prohibidas por riesgo de fuga de datos.
Arquitectura: LLM Suite es una plataforma model-agnostic que integra modelos de OpenAI y Anthropic y los conecta con bases de datos internas. Se actualiza cada ocho semanas. Convive con OmniAI, un factory de ML que estandariza el ciclo completo de vida de los modelos. El banco tiene 65% de sus workloads en nube pública o privada.
Implementación: Lanzamiento verano 2024, 200.000 usuarios en ocho meses mediante estrategia opt-in. Tres aplicaciones en producción: LLM Suite general, asistente de código para ingenieros, y EVEE Intelligent Q&A para call centers.
| Proceso afectado | Estado previo | Cambio operativo |
|---|---|---|
| Presentaciones ejecutivas | Analista junior: horas de compilación manual | LLM Suite: 30 segundos; mismo output (Forbes / CNBC demo) |
| Investigación financiera | Búsqueda manual en múltiples fuentes; horas por brief | Síntesis automática con datos internos; -83% tiempo |
| Call centers (EVEE Q&A) | Operador busca manualmente en documentación | Respuesta en lenguaje natural; resolución directa |
| Generación de código | Ciclo estándar sin asistencia de IA | +10–20% productividad; mayor velocidad de deployments |
| Asesoría patrimonial (Coach AI) | Advisor consulta múltiples sistemas para cada reunión | 95% más rápido; +20% ventas brutas AWM 2023–2024 |
| KPI | Valor | Fuente |
|---|---|---|
| Valor anual atribuido a IA | USD 1,5–2B | Constellation Research / McKinsey oct 2025 ✓ |
| Crecimiento ROI a/a | +30–40% | Earnings call JPMC ✓ |
| Reducción tiempo investigación | -83% | Larridin AI Tracker ✓ |
| Productividad equipos de código | +10–20% | Tearsheet sep 2025 ✓ |
| Acceso a información (Coach AI) | 95% más rápido | Klover.ai jul 2025 ✓ |
| Ventas AWM 2023–2024 | +20% YoY | Klover.ai jul 2025 ✓ |
| Empleados activos diariamente | ~100.000 (~45% del total) | McKinsey oct 2025 ✓ |
| Aspecto | Decisión tomada | Resultado / aprendizaje |
|---|---|---|
| Modelo de adopción | Opt-in, no mandatado; primeros usuarios como referentes internos | 200K usuarios en 8 meses; el 45% usa IA a diario (Tearsheet; McKinsey) |
| Capacitación | Programa 'AI Made Easy' + módulos por segmento + prompt engineering | Decenas de miles con formación completada en el primer año |
| Rol redefinido | Analistas: menos compilación manual, más interpretación y juicio | Capacidad liberada para trabajo de mayor complejidad (McKinsey oct 2025) |
| Impacto en dotación | Proyección pública de reducción ≥10% en staff operativo de largo plazo | Waldron reconoció brecha entre productividad y reducción de costos (AI News dic 2025) |
| Riesgo de personas | Automation complacency: revisores dejan de verificar cuando el sistema es muy bueno | Sin protocolo sistemático publicado; mitigaciones ad hoc (CNBC sep 2025) |
La preparación de datos tomó años antes de que el LLM Suite produjera valor. Las ganancias de productividad no se traducen automáticamente en reducción de costos sin rediseño deliberado del proceso. El propio CAO Derek Waldron lo declaró públicamente a CNBC en septiembre de 2025. El principal riesgo identificado es la automation complacency: cuando el sistema acierta el 85–95% del tiempo, los revisores humanos tienden a dejar de verificar.
02 · Banca de inversión · Américas
Goldman Sachs
-40% ciclo de desarrollo
Devin: 3–4× productividad
+70% adopción usuarios elegibles
-25–35% email [Sin verificar]
Problema
Procesos
KPIs
Dimensión personas
Obstáculos
El procesamiento de emails, generación de código financiero y análisis de documentos extensos consumían hasta el 40% del tiempo de trabajo en las áreas de ingeniería, investigación y banca de inversión.
Arquitectura: Asistente GenAI propietario, fine-tuned sobre el codebase y datasets internos. Ambiente privado y segregado. En julio de 2025, Goldman comenzó a incorporar Devin (Cognition) como agente autónomo de desarrollo de software — el primer banco de Wall Street en hacerlo.
Implementación: POCs desde 2023 con 500 desarrolladores → expansión a 10.000 empleados → rollout firmwide enero 2025. Devin comenzó como piloto en julio de 2025.
| Proceso afectado | Estado previo | Cambio operativo |
|---|---|---|
| Código financiero | Escritura, depuración y review manuales | -40% en duración del ciclo de desarrollo |
| Análisis de documentos extensos | Lectura y resumen manual por analistas | Síntesis automática en minutos [Sin verificar en fuente primaria] |
| Modernización de código legacy | Ingenieros reasignados a migración manual | Devin ejecuta tareas autónomamente; ingenieros supervisan y validan |
| KPI | Valor | Certeza |
|---|---|---|
| Reducción ciclo de desarrollo | -40% | Verificado — Bain Tech Report 2025 |
| Productividad Devin vs. herramientas anteriores | 3–4× | Verificado — CIO Marco Argenti a CNBC |
| Adopción entre usuarios elegibles | +70% | Verificado — Reruption case study |
| Reducción tiempo en email | -25–35% | [Sin verificar] — fuente secundaria |
| Aspecto | Decisión tomada | Resultado / aprendizaje |
|---|---|---|
| Modelo de adopción | POCs con 500 devs → validación rigurosa → expansión → rollout firmwide | 18 meses de validación antes de escalar (Reruption; Bain Tech 2025) |
| Rol redefinido (ingenieros) | Menos escritura de código rutinario; más supervisión de outputs y arquitectura | Devin redefine el perfil: más revisores y arquitectos, menos ejecutores (CNBC jul 2025) |
| Comunicación del cambio | Marco oficial: 'augmentation, not replacement' | Sin comunicado público primario [Sin verificar] |
La introducción de Devin redefine el rol del ingeniero: menos ejecución, más supervisión y diseño de arquitectura. La resistencia inicial fue documentada internamente. El escrutinio sobre capex en IA fue otro factor de freno antes del rollout.
03 · Retail · Américas
Walmart
850M datos catálogo optimizados
USD 55M ahorro perecibles
-30M millas entrega
-18 semanas ciclo moda
Problema
Procesos
KPIs
Dimensión personas
Obstáculos
Con millones de SKUs, miles de proveedores y cadena de frío en perecibles, la gestión manual de catálogos, rutas y reposición de inventario genera una superficie de error proporcional a la escala.
Arquitectura: Wallaby es el LLM propietario de Walmart, entrenado sobre décadas de datos transaccionales. Sobre este modelo base funciona una red de agentes: Wally (análisis de inventario en tiempo real), Sparky (atención al cliente), Marty (negociación con proveedores).
| Proceso afectado | Estado previo | Cambio operativo |
|---|---|---|
| Catalogación de productos | Equipo dedicado; proceso intensivo por SKU | 100× más productos catalogados con el mismo equipo (2 años) |
| Planificación de moda | +18 semanas adicionales en el ciclo de producción | Sistema Trend-to-Product elimina esas 18 semanas del ciclo |
| Gestión inventario perecibles | Revisión periódica con brechas de cobertura | Wally analiza en tiempo real; -USD 55M en desperdicio (2025) |
| Atención al cliente | Operador humano interviene en todos los casos | Resolución autónoma en la mayoría; humano solo en escalados |
| Optimización de rutas | Planificación estándar sin reanálisis continuo | -30M millas anuales; -94M lbs CO₂; -30% costos logísticos [Sin verificar primaria] |
| KPI | Valor | Fuente |
|---|---|---|
| Datos de catálogo optimizados | 850 millones de puntos | Earnings call ago 2024 (McMillon) ✓ |
| Equivalente en headcount | 100× el equipo necesario sin IA | Earnings call ago 2024 ✓ |
| Millas de entrega eliminadas | 30 millones | AI News dic 2025 ✓ |
| Emisiones CO₂ evitadas | 94 millones de libras (42K ton) | AI News dic 2025 ✓ |
| Reducción timeline moda | -18 semanas por colección | AI News dic 2025 ✓ |
| Ahorro en desperdicio perecibles | USD 55M (rollout 2025) | FinancialContent feb 2026 ✓ |
| Aspecto | Decisión tomada | Resultado / aprendizaje |
|---|---|---|
| Escala de capacitación | Certificación en IA para 2,1 millones de empleados (anuncio abril 2026) | Alianzas con OpenAI y Google; certificación interna en curso (Sahmcapital / Reuters abr 2026) |
| Framing oficial | 'IA como apoyo a empleados, no reducción de dotación' | La comunicación de cambio más explícita de los casos documentados (AI News dic 2025) |
| Rol redefinido (operaciones) | Operadores: supervisores de agentes autónomos en lugar de ejecutores directos | Roles siguen existiendo; cambia el contenido del trabajo |
| Rol redefinido (atención al cliente) | Operadores de call center: manejo de casos escalados | Sparky resuelve la mayoría; humanos gestionan excepciones |
La integración de Wally con sistemas legacy de supply chain exigió rediseño previo de flujos de datos. Construir y mantener un LLM propietario a esta escala es caro — justificable solo con volúmenes de transacciones como los de Walmart.
04 · Servicios profesionales · Global
Deloitte
Mayor despliegue enterprise de Claude
15K profesionales a certificar
800 ya certificados (al cierre)
Centro de Excelencia activo
Problema
Procesos
KPIs
Dimensión personas
Obstáculos
Deloitte necesitaba credibilidad operativa ante clientes que preguntaban si usaban internamente las herramientas de IA que recomendaban. Además, escalar productividad en auditoría, consultoría fiscal y servicios tecnológicos sin aumentar headcount proporcionalmente.
Arquitectura: Claude Enterprise de Anthropic, con personas específicas por rol (contadores, desarrolladores, consultores), integradas sobre flujos de trabajo existentes. Un Centro de Excelencia interno coordina las implementaciones.
Implementación: 470.000 empleados en 150 países — el mayor despliegue enterprise de Claude hasta la fecha. Alianza inicial 2024; expansión anunciada octubre 2025.
| Proceso afectado | Estado previo | Cambio operativo |
|---|---|---|
| Investigación financiera (10X Analyst) | Analistas: horas de compilación, síntesis y validación cruzada | Workflows automatizados con Claude; ciclo de análisis reducido |
| Asesoría a clientes sobre IA | Deloitte recomendaba IA sin uso interno verificable propio | 470K empleados usan Claude; la firma puede demostrar lo que vende |
| Modernización de código y mainframe | Equipos dedicados con ciclos largos de migración | Claude acelera transformación con trazabilidad end-to-end del código |
KPIs internos de productividad: Deloitte no ha publicado métricas operativas específicas del despliegue interno. El indicador más concreto disponible es de escala (470K empleados, 800 certificados) y arquitectura. La ausencia de KPIs publicados es consistente con el patrón de empresas en fase de rollout activo.
| Indicador | Valor | Fuente |
|---|---|---|
| Empleados con acceso a Claude | 470.000 en 150 países | Anthropic.com; CNBC oct 2025 ✓ |
| Profesionales certificados (objetivo) | 15.000 | Anthropic.com oct 2025 ✓ |
| Profesionales certificados (al cierre) | ~800 | Anthropic.com oct 2025 ✓ |
| Aspecto | Decisión tomada | Resultado / aprendizaje |
|---|---|---|
| Programa de certificación | 15.000 profesionales certificados en Claude (objetivo) | La credential se convierte en diferenciador de rol (Anthropic.com; CNBC oct 2025) |
| Centro de Excelencia | Especialistas internos coordinan implementaciones entre divisiones | Elimina silos de aprendizaje entre equipos (Deloitte.com) |
| Personas por rol | Claude opera con configuraciones distintas para contadores, devs, consultores | Reduce riesgo de outputs genéricos y mejora adopción |
| Framing estratégico | La adopción interna es también propuesta de valor comercial ante clientes | Argumento tangible para inversión en IA (CNBC oct 2025 — Ranjit Bawa, Deloitte CSO) |
Transformar un Big Four en cliente de referencia exige que las implementaciones internas produzcan evidencia suficiente para asesorar externamente con credibilidad. Ese ciclo aún no ha producido datos públicos de ROI interno verificables.
05 · Manufactura · Europa
Siemens
+20% throughput PepsiCo/Gatorade en 3 meses
99%+ disponibilidad Railigent X
Soporte técnico 24/7 sin escalamiento
Problema
Procesos
KPIs
Dimensión personas
Obstáculos
Escasez de trabajadores calificados en automatización industrial, combinada con tareas repetitivas de ingeniería — generación de código PLC, troubleshooting, localización de proyectos — que consumen tiempo de perfiles de alta demanda y difícil reemplazo en el corto plazo.
Arquitectura: Industrial Copilot desarrollado con Microsoft sobre Azure OpenAI Service. El Engineering Copilot TIA opera dentro del entorno TIA Portal, generando y modificando código de automatización de forma autónoma mediante instrucciones en lenguaje natural.
| Proceso afectado | Estado previo | Cambio operativo |
|---|---|---|
| Generación de código PLC | Ingenieros especializados escriben código manualmente en TIA Portal | Engineering Copilot TIA genera y modifica código desde instrucción en lenguaje natural |
| Troubleshooting de equipos | Escalamiento a especialista; tiempo de respuesta variable | Chatbot 24/7 en Erlangen; resolución directa en configuración y diagnóstico básico |
| Test de cambios en líneas | Modificación física para probar; riesgo de parada operativa | Digital Twin simula el cambio; PepsiCo/Gatorade: +20% throughput en 3 meses |
| Cliente / aplicación | KPI | Fuente |
|---|---|---|
| PepsiCo/Gatorade — Digital Twin Composer | +20% throughput en 3 meses; -10–15% capex por capacidad oculta descubierta | Siemens.com (caso publicado) ✓ |
| Railigent X — mantenimiento ferroviario | 99%+ disponibilidad de flota | Siemens Press ✓ |
| Electronics Factory Erlangen | Soporte técnico 24/7 sin escalamiento humano en configuración básica | Siemens.com ✓ |
| Aspecto | Decisión tomada | Resultado / aprendizaje |
|---|---|---|
| Posicionamiento del cambio | IA como respuesta a escasez de talento especializado, no como sustitución | Gap global de USD 8,5 billones en talento industrial (Siemens.com — declaración oficial) |
| Rol redefinido (ingenieros) | Menos código manual en TIA Portal; más supervisión y validación de outputs de IA | Engineering Copilot libera tiempo para diseño de mayor complejidad (Siemens Press nov 2025) |
| Capacitación requerida | Operadores de planta interactúan en lenguaje natural con sistema de diagnóstico | El diseño de UX industrial resultó tan crítico como el modelo (SPS 2025) |
La integración del Copilot con TIA Portal v19/20 requirió trabajo de compatibilidad no trivial. La adopción en planta depende de que operadores sin formación técnica profunda interactúen con el sistema en lenguaje natural — lo que exige diseño de UX industrial distinto al de los entornos de oficina.
06 · eCommerce / fintech · Asia (Japón)
Rakuten
Líder Japanese MT-Bench
17K devs con acceso AI Gateway
70+ unidades de negocio integradas
Problema
Procesos
KPIs
Dimensión personas
Obstáculos
Los modelos LLM globales presentan brechas de rendimiento en japonés — vocabulario especializado, contexto cultural y regulación local — que los hacían inadecuados para las 70+ unidades de negocio de Rakuten sin adaptación sustancial.
Arquitectura: Modelo propietario MoE (Mixture of Experts) de ~700 mil millones de parámetros, entrenado en cluster GPU propio en entorno cloud aislado. Escalada incremental: AI 7B (mar 2024) → AI 2.0 MoE (dic 2024) → AI 3.0 ~700B (dic 2025). El AI Gateway es la capa interna de APIs que expone el modelo a las aplicaciones de producción.
| Proceso afectado | Estado previo | Cambio operativo |
|---|---|---|
| Q&A sobre productos (AI Librarian) | Operadores leyendo documentación de cada merchant para responder | RAG sobre documentación del merchant; respuesta en tiempo real y en japonés |
| Acceso a LLMs en 70+ unidades | Dependencia de modelos globales con brechas en japonés | AI Gateway con Rakuten AI 3.0; acceso unificado para 32.000 empleados |
| Desarrollo de nuevas funciones (17K devs) | Pipeline de desarrollo estándar sin LLMs | AI Gateway permite construir funciones sobre LLM desde lenguaje natural |
| KPI | Valor | Certeza |
|---|---|---|
| Rendimiento Japanese MT-Bench | Líder frente a modelos abiertos de tamaño comparable | Verificado — Rakuten Press dic 2025 |
| KPIs de productividad interna | No publicados con trazabilidad a fuentes primarias | [Sin verificar] |
| Aspecto | Decisión tomada | Resultado / aprendizaje |
|---|---|---|
| Iniciativa corporativa | 'AI-nization': IA implementada en todos los aspectos del negocio como prioridad | Framing de transformación cultural desde la dirección (Rakuten Press dic 2025) |
| Acceso para desarrolladores | 17.000 devs con acceso al AI Gateway para construir funciones sobre LLM | La plataforma convierte devs generales en constructores de aplicaciones de IA |
| Modelo open-weight | Rakuten AI publicado bajo Apache 2.0 para la comunidad open-source japonesa | Contribución al ecosistema como palanca de atracción de talento técnico [Inferencia] |
Entrenar un modelo propio a esta escala tiene un costo sustancial — justificable para Rakuten porque opera un ecosistema de 70+ negocios y 32.000 empleados en un idioma con características que los modelos globales no dominan bien. Sin apoyo gubernamental (GENIAC) o escala equivalente, la estrategia de soberanía de modelo es inaccesible para la mayoría de las empresas.
07 · eCommerce / fintech · LATAM (18 países)
Mercado Libre
87% consultas Mercado Pago sin humano
Mercado Ads +67% YoY
9M conversaciones Q4 2025
~99% precisión detección fraudes
Problema
Procesos
KPIs
Dimensión personas
Obstáculos
Escalar atención al cliente, catalogación y detección de fraudes en 18 países con 100 millones de usuarios activos sin aumentar headcount proporcionalmente. Mercado Libre es el único caso de LATAM que cumple los criterios metodológicos de este informe: empresa que publica resultados trimestrales con trazabilidad causal a sus inversiones en IA.
Arquitectura: Dos capas. Verdi, la plataforma interna de desarrollo de IA, usa GPT-4o, GPT-4o mini y GPT-3.5 Turbo de OpenAI. Sus 17.000 desarrolladores pueden construir aplicaciones LLM mediante lenguaje natural sin ver el código fuente directamente. Sobre la misma infraestructura corre el Mercado Pago AI Assistant, lanzado octubre 2025.
| Proceso afectado | Estado previo | Cambio operativo |
|---|---|---|
| Mediación de disputas | 9.000 operadores humanos gestionando la totalidad de casos | Verdi resuelve el 10% de mediaciones autónomamente; expansión activa a logística |
| Detección de fraudes | Revisión basada en reglas; superficie de error proporcional al volumen | GPT-4 analiza millones de listings diariamente; ~99% precisión en artículos marcados |
| Catalogación de productos | Proceso manual por equipos especializados | 100× más productos catalogados en 2 años con el mismo equipo |
| Atención al cliente (Mercado Pago) | Operadores humanos en todas las consultas | AI Assistant: 87% de consultas resueltas sin humano; 9M conversaciones Q4 2025 |
| Campañas publicitarias (Mercado Ads) | Vendedores configuran campañas manualmente; rendimiento variable | IA optimiza pujas y campañas automáticamente; +67% revenue YoY (FX-neutral) |
| KPI | Valor | Fuente |
|---|---|---|
| Conversaciones Mercado Pago AI Q4 2025 | 9+ millones | Earnings call Q4 2025, Business Wire feb 2026 ✓ |
| Resolución sin humano (Mercado Pago) | 87% | Earnings call Q4 2025, Nasdaq press release ✓ |
| Mercado Ads: crecimiento YoY (FX-neutral) | +67% | Earnings call Q4 2025, Business Wire ✓ |
| Catálogo: productos catalogados vs. hace 2 años | 100× más | OpenAI case study (publicado) ✓ |
| Detección de fraudes | ~99% precisión | OpenAI case study (publicado) ✓ |
| Verdi: % mediaciones atención al cliente | 10% (fase inicial) | OpenAI case study (publicado) ✓ |
| Aspecto | Decisión tomada | Resultado / aprendizaje |
|---|---|---|
| Framing del cambio | COO Rabinovich: 'los humanos pasamos a ser los asistentes de la IA, no al revés' | Comunicación directa sobre inversión de roles (OpenAI case study, sep 2024) |
| Impacto en operadores | 9.000 operadores asistidos por Verdi; roles no eliminados pero contenido cambió | Sistema decide autónomamente en el 10% de casos; humano supervisa y escala |
| Perfil técnico requerido | 17.000 devs usan Verdi para construir funciones LLM desde lenguaje natural | Prompt engineering y diseño de agentes se vuelven habilidades core [Inferencia] |
| Velocidad de cambio | De POC a 10% de mediaciones en producción en pocos meses; expansión a logística en curso | Ritmo de transformación de rol más rápido que en banca o manufactura [Inferencia comparativa] |
El CTO Sebastián Barrios declaró públicamente que aún no existe un killer use case de IA generativa en producción a gran escala. Las limitaciones operativas centrales son precisión, costo por token y confiabilidad de los agentes en decisiones de alto impacto.
05
El sector editorial y la IA
La industria editorial tiene una posición diferente a los otros sectores de este benchmarking. Los bancos y retailers adoptan IA en procesos donde el error es costoso pero recuperable. En publishing, el activo central — la voz de los autores, el criterio editorial, el catálogo — es lo que los modelos generativos prometen replicar.
El informe State of Play: Exploring Generative AI's Transformative Effects on the Media & Entertainment (Bertelsmann / Enders Analysis / Arthur D. Little, mayo 2024), que analiza más de 200 casos específicos de la industria, confirma que publishing adopta más lento que marketing, broadcasting y música grabada, pero los frentes de entrada ya están claros.
Bertelsmann — la casa matriz de Penguin Random House
Bertelsmann es el caso editorial más avanzado con evidencia verificable. La empresa tiene ~75.000 empleados en 50 países y opera PRH, RTL Group, BMG, Arvato y otras divisiones.
| Iniciativa | Descripción | Fuente |
|---|---|---|
| ChatGPT Enterprise para el grupo | Enero 2025: colaboración con OpenAI. ChatGPT disponible para ~75K empleados en 50 países como herramienta de trabajo estándar | Bertelsmann Press Release, ene 2025 ✓ |
| AI Hub Group | Equipo centralizado que coordina implementaciones de IA en todas las divisiones. En producción desde finales de 2023 | LangChain / Bertelsmann blog, jul 2025 ✓ |
| Bertelsmann Content Search (multi-agente) | Sistema LangGraph con múltiples agentes especializados en producción: búsqueda transversal en archivos propietarios de noticias, libros y producción audiovisual del grupo | LangChain / Bertelsmann blog, jul 2025 ✓ |
| AI for Creatives Summit | Abril 2025: cumbre interna con 180 representantes + 200 vía livestream. Partners: Adobe, ElevenLabs, Google, NVIDIA, OpenAI, Runway, Twelve Labs | Bertelsmann Press Release, abr 2025 ✓ |
| BookBoost (PRH) | Plataforma propietaria de PRH que usa ML y first-party data para automatizar completamente publicidad en Facebook e Instagram | Bertelsmann/ADL Study, may 2024 ✓ |
| Protección de IP de autores (PRH) | Octubre 2024: cambio activo en páginas de derechos para impedir uso de obras en entrenamiento de modelos de terceros sin consentimiento expreso | TechCrunch, oct 2024; The Bookseller, oct 2024 ✓ |
Dónde entra la IA primero en publishing
| Frente | Estado actual | Impacto en roles |
|---|---|---|
| Marketing de contenido Más maduro |
Automatización de campañas (BookBoost), personalización de recomendaciones, copy de marketing. HarperCollins llegó a acuerdo con Microsoft para licenciar backlist. | Equipos de marketing digital: adopción alta. Social media managers, copy writers de campañas, analistas de datos de ventas. |
| Adaptación de contenido En escala |
Traducción asistida, conversión de libros a audiolibros con voz sintética, localización. Macmillan Education trabaja con Google en estas áreas. | Traductores y correctores: rol complementado, no eliminado. La revisión humana sigue siendo requisito de calidad. |
| Asistencia editorial Emergente |
Copy editing asistido, fact-checking, generación de fichas técnicas y metadatos. El proceso creativo central no está siendo sustituido. | Editores asistentes y correctores de estilo: las tareas más rutinarias migran. Las decisiones editoriales de fondo no están bajo presión aún. |
El dilema central para Gerentes de Personas en publishing: PRH tiene dos tipos de 'empleados' que le importan: los internos (editores, marketing, operaciones) y los externos (autores, traductores, ilustradores). La política de IA necesita funcionar para ambos, y sus intereses no son siempre convergentes. El gap entre la política de protección de IP y la política de adopción interna es el territorio donde el Gerente de Personas tiene mayor impacto.
06
LATAM y Chile
Mercado Libre es el único caso de LATAM que cumple los criterios metodológicos de este informe. El mercado chileno lidera en madurez digital y adopción per cápita, pero carece de casos documentados con la densidad de datos de un benchmarking riguroso.
En los mercados globales, los KPIs de implementación IA llegan vía earnings calls y press releases de empresas cotizadas. En LATAM, ese canal existe solo para las empresas que cotizan en bolsa o tienen partnerships formales con hyperscalers que publican casos. Para el resto, los datos son encuestas de adopción o declaraciones de proveedores. Se documenta lo que tiene trazabilidad; el resto se etiqueta.
Chile: diagnóstico de mercado
73/100
Índice de madurez digital
ILIA 2024 — líder de la región
USD 51
Inversión per cápita en IA
Argentina USD 35 · México USD 26
362
Empresas especializadas en IA (2024)
+965% desde 2018 (desde prácticamente cero)
USD 755M
Facturación ecosistema IA en Chile 2024
Proyección +33% para 2025 (CCS)
Lo que no tiene trazabilidad verificable: Cifras como 'Codelco y BHP -35% costos de mantenimiento' o 'ENAP y Arauco -40%' circulan en medios chilenos. Provienen de un proveedor de servicios de IA con interés comercial directo en publicarlas. Sin corroboración en memorias anuales, earnings calls o comunicados corporativos de las propias empresas, son [Sin verificar] para efectos de este benchmarking. No se incluyen como KPIs validados.
Comparación: casos globales vs. LATAM vs. Chile
| Dimensión | Casos globales | Mercado Libre (LATAM) | Chile |
|---|---|---|---|
| KPIs verificados en fuentes primarias | Múltiples | Sí — earnings call Q4 2025 | No identificados |
| Arquitectura dominante | RAG + fine-tuning + agentes | Plataforma interna + API | API pública (ChatGPT, Gemini) |
| Modelo build vs. buy | 76% buy (2025) | Build (Verdi propietario) | Buy |
| Principal obstáculo | Rediseño de proceso; complacencia | Precisión, costo, confiabilidad | Talento + gobernanza + datos |
| Posición regional en adopción | N/A | Líder LATAM (empresa tech) | Líder LATAM (país, per cápita) |
El gap real: cultura de divulgación, no madurez tecnológica. Chile no carece de adopción. Carece de casos documentados con la densidad de datos que requiere un benchmarking riguroso. La pregunta relevante para las empresas chilenas es cómo aprovechar las implementaciones que ya existen para construir evidencia interna que justifique escalar.
07
Patrones transversales y obstáculos
Los ocho casos leídos en conjunto producen patrones consistentes en lo que funciona y en lo que no. Ninguno de estos patrones es obvio si se leen solo como casos tecnológicos.
Lo que los casos tienen en común
✓ Patrón verificado
Datos antes que modelos
En todos los casos, la preparación de datos antecedió al despliegue efectivo. JPMorgan invirtió años en modernización de infraestructura. Walmart construyó Wallaby sobre décadas de datos transaccionales. Ningún caso muestra un modelo genérico produciendo resultados comparables sin contextualización sobre datos propietarios.
✓ Patrón verificado
Multi-modelo como norma
El 81% de las empresas usa tres o más familias de modelos en testing o producción simultáneamente, frente al 68% hace menos de un año (a16z, feb 2026). JPMorgan es el ejemplo más claro: plataforma model-agnostic que enruta hacia OpenAI o Anthropic según el caso de uso.
✓ Patrón verificado
Internal-first antes de client-facing
En todos los casos: primero despliegue interno, medición, y luego expansión hacia clientes. JPMorgan lo hace por riesgo regulatorio. Deloitte lo hace para ganar credibilidad ante sus propios clientes. Goldman lo hace para battle-testing en entorno controlado.
✓ Patrón verificado
ROI positivo pero más lento de lo esperado
El 81% de los casos de uso de IA corporativa cumplen o superan expectativas (Deloitte State of AI, 2025). Pero solo el 34% de las organizaciones ha rediseñado realmente sus procesos de punta a punta — que es donde está el retorno real.
Los problemas que no están en el modelo
⚡ Error documentado
Automation complacency
Identificado explícitamente por JPMorgan. Un sistema que opera bien el 90% del tiempo produce una reducción en la supervisión humana que amplifica el impacto del 10% restante. Ningún caso publicado muestra un protocolo sistemático que haya resuelto este problema.
⚡ Error documentado
El gap proceso-herramienta
Los equipos que usan asistentes de IA reportan ganancias de productividad del 10–15%, pero el tiempo ahorrado frecuentemente no se redirige hacia trabajo de mayor valor (Bain & Company, Tech Report 2025). El resultado: ganancias de productividad que no se convierten en retorno de negocio.
⚡ Error documentado
Los datos como prerequisito no negociable
El 56% de las empresas identifica la integración con sistemas TI existentes como el principal obstáculo (BCG Build for the Future 2024, n=1.000). No es un problema de modelo — es un problema de arquitectura de datos previa.
⚡ Error documentado
Gobernanza como problema de cultura
El 40% de las empresas chilenas y el 76% de las globales identifican la gobernanza como el principal escollo. En publishing, la gobernanza de IA tiene una dimensión de valores — qué se puede hacer con el trabajo de los autores — que no es un problema de TI. Es un problema de cultura organizacional.
08
Implicancias para Gerentes de Personas en industrias de contenido
Los patrones verificados en los ocho casos producen un conjunto de conclusiones específicas para quien gestiona personas en una organización editorial.
Lo que funciona: patrones verificados
La transparencia sobre el alcance evita la resistencia más costosa. En todos los casos con menor resistencia interna (JPMorgan, Deloitte, Siemens), la comunicación inicial fue específica sobre qué procesos cambian y cuáles no. El miedo más costoso en industrias de contenido — 'la IA va a escribir los libros' — se alimenta del silencio institucional, no de la evidencia. PRH ya tiene posición pública sobre IP. Falta la posición sobre qué hacen los equipos internos con las herramientas disponibles.
El modelo de certificación crea ventaja operativa y reduce ansiedad. Deloitte y Walmart son los extremos: 15.000 certificados en un caso, 2,1 millones de personas a capacitar en el otro. La certificación no es solo formación — es señal al empleado de que la organización está invirtiendo en él, no solo en el sistema. En una casa editorial, un programa de certificación por área (marketing digital, derechos, producción editorial) tiene menor costo y mayor impacto cultural que un lanzamiento horizontal de herramientas.
El modelo opt-in con referentes internos supera al mandato. JPMorgan logró 200.000 usuarios en ocho meses sin obligar a nadie. El mecanismo fue simple: los primeros usuarios que obtuvieron beneficios visibles se convirtieron en referentes naturales. En una organización editorial, donde la identidad profesional está ligada al criterio y la expertise, el mandato genera rechazo.
Los roles no desaparecen de golpe; se vacían de contenido rutinario. El patrón en todos los casos es el mismo: el rol existe, pero su contenido cambia. El traductor editorial sigue existiendo — revisa y corrige lo que el modelo produce. La pregunta de personas no es '¿cuántos roles eliminamos?' sino '¿qué hacen las personas cuando el sistema maneja el 70% de lo que hacían antes?'
El 58% de los empleadores ya usa GenAI en HR
58%
de empleadores ya usa GenAI en HR
Mercer Operations Scanner 2024
34%
ha rediseñado procesos de punta a punta (donde está el ROI real)
Deloitte State of AI, 2025
Lo que no funciona — Lanzar la herramienta sin rediseñar el proceso: Equipos que adoptan asistentes de IA reportan ganancias de productividad del 10–15%, pero frecuentemente el tiempo ahorrado no se redirige hacia trabajo de mayor valor — desaparece en reuniones y administración si el proceso no se rediseñó para aprovecharlo. El Gerente de Personas es quien tiene visibilidad de ese desperdicio y está más posicionado para diseñar la redirección.
09
3 preguntas concretas para PRH Chile
Las preguntas que este informe sugiere para Penguin Random House Chile, derivadas de los ocho casos documentados y la evidencia específica del grupo Bertelsmann.
¿Qué está usando Bertelsmann AI Hub que ya está disponible para las divisiones del grupo?
La colaboración con OpenAI y el sistema Bertelsmann Content Search son infraestructura del grupo. Antes de evaluar herramientas propias, vale entender qué existe y qué acceso tiene PRH Chile sobre eso. ChatGPT Enterprise ya está desplegado para ~75.000 empleados en 50 países desde enero 2025.
¿Qué procesos del área de Personas son candidatos inmediatos?
Reclutamiento asistido (filtrado de CVs, generación de job descriptions), onboarding con Q&A automática sobre políticas, análisis de clima organizacional con NLP sobre encuestas abiertas — tres áreas donde la IA generativa produce ROI rápido y bajo riesgo. El 58% de los empleadores ya usa GenAI en HR (Mercer Operations Scanner, 2024). No es territorio desconocido.
¿Cuál es la posición de la organización hacia los equipos creativos internos — editores, diseñadores, traductores?
BookBoost automatiza publicidad. La traducción asistida ya existe en el sector. El criterio editorial por ahora está protegido. Pero los equipos que hacen esas tareas necesitan saber qué va a pasar con su trabajo antes de verlo en una presentación de resultados. Esa conversación es responsabilidad del área de Personas, no de TI.
10
Fuentes y trazabilidad
Todas las cifras con etiqueta Verificado tienen trazabilidad directa a fuentes primarias. Las etiquetadas [Sin verificar] circulan en medios sin confirmación corporativa primaria. Las etiquetadas [Inferencia] son conclusiones derivadas de datos verificados.
- JPMorgan Chase McKinsey/CNBC (oct 2025): entrevista a Derek Waldron, CAO. Constellation Research (jun 2025): análisis de earnings calls. Tearsheet (sep 2025): caso de implementación Gen AI. Klover.ai (jul 2025): análisis Coach AI / AWM. Larridin AI Tracker (feb 2026): productividad. AI News (dic 2025): proyecciones de dotación.
- Goldman Sachs CNBC (jul 2025): despliegue de Devin / CIO Marco Argenti. Bain & Company Tech Report (2025): análisis sector financiero. Reruption case study: métricas de rollout (fuente secundaria — cifras de email sin verificar en fuente primaria).
- Walmart Earnings call Q2 2024, CEO Doug McMillon. AI News (dic 2025): estrategia agentic. FinancialContent (feb 2026): sistema de inventario autónomo. AInvest (ago 2025): framework de agentes (cifras de logística sin verificar en fuente primaria directa). Reuters / Sahmcapital (abr 2026): certificación 2,1M empleados.
- Deloitte / Anthropic Anthropic.com: comunicado oficial (oct 2025). CNBC (oct 2025): declaraciones Paul Smith (CCO Anthropic) y Ranjit Bawa (Deloitte CSO). Deloitte.com/alliances/anthropic: descripción de alianza.
- Siemens Siemens Press (nov 2025): SPS 2025, Engineering Copilot TIA. CES 2026: comunicado Digital Twin Composer. Siemens.com/ai: casos clientes (PepsiCo/Gatorade, Railigent X, Electronics Factory Erlangen).
- Rakuten Rakuten Group Press Release (18 dic 2025): Rakuten AI 3.0. Rakuten Group Press Release (12 feb 2025): Rakuten AI 2.0. ZenML LLMOps Database: caso LangChain/LangSmith.
- Mercado Libre Business Wire / Nasdaq (24 feb 2026): earnings Q4 2025. OpenAI.com/es-419/index/mercado-libre: caso Verdi publicado por OpenAI. BNamericas (25 feb 2026): análisis de estrategia AI. ITMastersMag (26 feb 2026): declaraciones CFO Martín de los Santos.
- Sector editorial Bertelsmann / Enders Analysis / Arthur D. Little: State of Play: Exploring Generative AI's Transformative Effects on the Media & Entertainment (mayo 2024). Bertelsmann Press Releases (ene 2025, abr 2025). LangChain / Bertelsmann Engineering blog (jul 2025). TechCrunch (oct 2024); The Bookseller (oct 2024): posición IP de PRH.
- Chile y LATAM Entel Digital / CENIA (jun 2025): Adopción de IA en empresas chilenas. Cámara de Comercio de Santiago (2024): Caracterización industria IA Chile. Banco Central de Chile: Tendencias en demanda de empleo IA (2024). ILIA 2024: Índice Latinoamericano de Inteligencia Artificial. Menlo Ventures (dic 2025): State of Generative AI in the Enterprise 2025. a16z (feb 2026): Leaders, Gainers and Unexpected Winners in the Enterprise AI Arms Race.
- Estudios transversales Deloitte State of AI in the Enterprise (2025). BCG Build for the Future 2024 Global Study (n=1.000). Bain & Company: From Pilots to Payoff: Generative AI in Software Development, Technology Report 2025. Mercer Operations Scanner (2024): Generative AI Will Transform Three Key HR Roles.