Transformación industrial en la provincia de Buenos Aires

La industria de la provincia de Buenos Aires constituye un pilar primordial para la economía nacional argentina. Su peso en el Producto Bruto Geográfico, su diversidad sectorial y concentración de mano de obra calificada la posicionan como territorio clave para el desarrollo productivo. Sin embargo, en un contexto global atravesado por la digitalización y la irrupción de tecnologías exponenciales, el desafío no radica solo en sostener su estructura industrial, sino en transformarla. En este marco, la adopción de tecnologías vinculadas con la denominada Industria 4.0, en particular la inteligencia artificial (IA), representa una oportunidad estratégica, pero también un proceso complejo con tensiones, brechas estructurales y decisiones políticas. El presente trabajo procura examinar el grado de avance, los desafíos y las oportunidades vinculadas a la implementación de IA en el tejido industrial bonaerense, considerando a esta tecnología como una herramienta de mejora de eficiencia y vector de transformación de los modelos productivos. Asimismo, se abordan las barreras que enfrenta el sector industrial de la provincia de Buenos Aires en la integración de diversas tecnologías en su transformación hacia la industria 4.0, llevando a cabo un análisis centrado en la implementación de IA en diversos sectores, como un potencial trascendental a nivel económico y social. A partir de un enfoque cualitativo y territorial, el análisis se centra en casos concretos de implementación de IA en empresas locales, en la articulación entre actores institucionales y en el rol de las políticas públicas. Esta investigación se confecciona mediante un estudio de la inteligencia artificial (IA) aplicado a la industria, sus beneficios, obstáculos y su consecuente desarrollo desde una perspectiva global hacia una regional.

En términos teóricos, se parte de una concepción sistémica de la innovación (Lundvall, 1992; Freeman, 1995) y un enfoque tecnológico-territorial que observa el entramado de relaciones entre capacidades productivas, instituciones, conocimiento y cultura digital. Este marco permite comprender cómo la IA, más allá de su dimensión técnica, se configura como una tecnología social, cuyo impacto depende de las condiciones estructurales y culturales de los territorios. No obstante, existen avances significativos en sectores industriales puntuales. La adopción de IA en la provincia de Buenos Aires aún presenta un carácter desigual y fragmentado, lo cual impone el desafío de diseñar estrategias integrales de transformación productiva, con fuerte énfasis en la formación de recursos humanos, la democratización del acceso a la tecnología y la planificación territorial con perspectiva tecnológica. Actualmente, la IA es una materia con un alto grado de madurez, que ha logrado alcanzar una gran magnitud, aplicabilidad e impacto en nuestra sociedad. Los avances alcanzados hasta el momento permiten que un amplio número de personas, hogares y empresas cuenten con sistemas capaces de auxiliarlos en la toma de decisiones más certeras y en situaciones que antes hubiera sido muy difícil, incluso imposible de conseguir. La IA es un área de investigación y aplicación con bastante avance en diversos países, dado que esta tecnología coadyuva al desarrollo sustentable conformando un espacio de oportunidades para el desarrollo científico, tecnológico e innovador, para la apertura de nuevos mercados y de nuevos negocios (Sossa Azuela, 2020).

Hacia la década del cincuenta, la investigación en inteligencia artificial¹ aspiraba a reproducir procesos de inteligencia humana para poder brindar soluciones a problemas formulados en ambientes controlados, en tanto que en los últimos años se ha expandido y diversificado hasta ser juzgada como una rama de las ciencias orientada a la creación de máquinas inteligentes, con habilidades para aprender, adaptarse y actuar con autonomía, confiriéndole su nivel de acrecentamiento la calidad de ramas como la ingeniería y electrónica. Actualmente, los obstáculos que la inteligencia artificial afronta se relacionan con el manejo de grandes volúmenes de datos para derivar información útil que posibilite la generación automática de algoritmos y, con esto, poder otorgar la solución a problemas complejos asociados al razonamiento, la percepción, la planeación, el aprendizaje y la habilidad de manipular objetos. La inteligencia artificial se ha convertido en un campo multidisciplinario con alto impacto social (Rodríguez Reséndiz, 2020), ha dejado de ser una promesa para convertirse en una realidad disruptiva en múltiples dimensiones de la vida económica, social y cultural. Su capacidad de procesar datos, aprender patrones y tomar decisiones la posiciona como una herramienta estratégica en la reconfiguración del sistema productivo actual.

En el presente, se trata de una tecnología que está influyendo fuertemente en materia laboral, más específicamente en los puestos de trabajo de prácticamente todas las industrias. Durante mucho tiempo se ha contemplado negativamente a la automatización, estimándola como una amenaza a nuestros empleos y alteradora del statu quo² del momento, siendo esto, particularmente, notorio durante la primera, segunda y tercera revoluciones industriales. Sin embargo, en el tiempo actual, la automatización³ sigue creciendo y generando beneficios para las empresas en todo el mundo, aconteciendo concretamente en la llamada Revolución 4.0 o Industria 4.0, donde de manera natural se combinan las tecnologías, entre ellas, Internet de las cosas (IoT) y sistemas ciberfísicos; grandes datos, minería de datos y analítica de datos; simulación y fabricación aditiva (impresión 3D); sistemas de integración horizontal y vertical; ciberseguridad; realidad virtual y la realidad aumentada; cómputo en la nube; y robótica autónoma y colaborativa (cobots). Adosado a esta nueva revolución industrial surge como nuevo actor la inteligencia artificial, pudiendo, entre otras cosas, facilitar el proceso de aprendizaje y simplificar tareas computacionales al suprimir parte de la carga a su homólogo humano (López, 2019). Según Sossa Azuela (2020), en el contexto de la Industria 4.0,⁴ la IA cumple un rol fundamental posibilitando la creación de sistemas inteligentes interconectados que optimizan procesos en tiempo real, generando una mejora significativa en eficiencia, personalización y toma de decisiones. De este modo, actúa no solo como catalizador de innovaciones técnicas, sino también como reformuladora de los modelos organizacionales y de las relaciones laborales.

La construcción de máquinas inteligentes ha dado lugar a dos enfoques principales en el desarrollo de inteligencia artificial: el enfoque de arriba hacia abajo y el enfoque de abajo hacia arriba. El enfoque de arriba hacia abajo, o enfoque formal, se centra en resolver problemas fundamentales como el reconocimiento de patrones (RP) y el sentido común (SC). Por ejemplo, en el diseño de un robot mesero, es crucial que el robot pueda reconocer patrones tales como palabras, objetos y personas. Sin embargo, el sentido común representa un desafío aún mayor. Las máquinas actuales carecen de la capacidad para entender hechos intuitivos y básicos que los humanos aprenden naturalmente, tales como el hecho de que el agua es líquida o que el tiempo avanza en una sola dirección. Estos conocimientos, evidentes para los humanos desde una edad temprana, aún no pueden ser formalizados matemáticamente para las máquinas. Un intento notable de integrar el sentido común en la IA es el proyecto CYC,⁵ iniciado por Douglas Lenat en 1984, que buscaba desarrollar un sistema que pudiera autoalimentarse con información extraída de textos como revistas y libros. Aunque el proyecto esperaba alcanzar un 50% de “conciencia” en una década, ha logrado reunir aproximadamente 47.000 conceptos y 506.000 hechos, demostrando la complejidad de implementar un sistema que abarque todo el conocimiento implícito que los humanos consideran evidente (Lenat y Guha, 1990). Por otro lado, el enfoque de abajo hacia arriba busca emular el proceso de aprendizaje de los bebés. Rodney Brooks del MIT⁶ es un destacado proponente de este enfoque, con su proyecto COG,⁷ que intenta crear un robot con inteligencia comparable a la de un niño de seis años. En lugar de programar conocimientos específicos, COG utiliza sensores para observar y aprender de su entorno mediante la interacción con seres humanos que le enseñan a través de ejemplos. Este enfoque sugiere que el aprendizaje basado en la experiencia y la interacción podría ser más efectivo que la programación explícita de conocimientos. Además, algunos científicos sugieren que la incorporación de emociones en las máquinas podría ser primordial para su desarrollo futuro, ya que la capacidad de una máquina para experimentar y reaccionar a estímulos emocionales podría ayudar a manejar la complejidad de las decisiones en situaciones variables (Brooks, 1989).

Desde una perspectiva crítica, autores como Dosi (2003) y Pérez (2004) sugieren que la incorporación de tecnologías disruptivas no es automática ni neutra. Su implementación depende de diversos factores: capacidades institucionales, estructura empresarial, cultura organizacional, infraestructura digital, entre otros. En este sentido, la IA puede aumentar las brechas de desigualdad si no es acompañada por políticas públicas activas y procesos inclusivos de formación y adopción. A su vez, en el ámbito latinoamericano, la CEPAL (2021) subraya que la IA puede fortalecer sectores clave como la salud, la educación, la logística y la producción industrial, pero su inclusión demanda marcos regulatorios éticos, infraestructuras de datos y alianzas multiactorales. En el caso argentino, el Plan Nacional de IA reconoce su potencial estratégico, pero aún existen desafíos pendientes en términos de articulación interinstitucional, federalización del acceso a tecnologías y desarrollo de talento. La Industria 4.0 implica una convergencia de tecnologías que configuran un nuevo paradigma productivo, donde la IA no es solo una herramienta, sino un componente estructurante del proceso industrial. Según Sossa Azuela (2020), la IA permite el aprendizaje autónomo, la automatización avanzada y la optimización continua en múltiples eslabones de la cadena de valor. Esta visión se complementa con enfoques que ubican a la IA como un agente habilitador de innovaciones radicales, capaces de redefinir la gestión del conocimiento, la eficiencia operativa y la sostenibilidad del desarrollo (Rodríguez Reséndiz, 2020; López, 2019). Desde una perspectiva regional, el desafío es cómo articular estas capacidades con las necesidades y limitaciones del entramado productivo local. Es por ello que el marco teórico de este artículo concibe la IA como una tecnología social que reconfigura el tejido productivo, pero cuyo despliegue efectivo depende de decisiones políticas, capacidades territoriales y dinámicas institucionales. Su incorporación en la industria bonaerense debe ser comprendida en esta clave estructural y situada.

El campo de la inteligencia artificial ha transitado un cambio sorprendente durante las dos últimas décadas, que ha sido posible gracias a una serie de elementos decisivos que han influido en el desarrollo y la adopción de estas tecnologías en el mundo empresarial y más allá. El acelerado desarrollo de los datos generados es el primer factor por considerar. Este incremento, y la proliferación de dispositivos conectados a internet, ha posibilitado a las empresas y a los investigadores aprovechar el poder del aprendizaje automático y la minería de datos. Estas técnicas son fundamentales para procesar y obtener significado de grandes volúmenes de datos, “permitiendo a las organizaciones tomar decisiones basadas en información precisa en tiempo real. Además, el progreso en tecnologías de hardware, así como procesadores más rápidos y unidades de procesamiento gráfico, ha favorecido la ejecución más eficiente de los algoritmos de inteligencia artificial. Este progreso tecnológico ha estimulado la creación de modelos más complejos y fuertes, aumentando la aplicabilidad de la inteligencia artificial. Por último, ha habido un mayor enfoque en el desarrollo de técnicas de aprendizaje profundo, también conocido como “Deep Learning”.⁸ Esto ha resultado en avances significativos en la visión por computadora, el procesamiento del lenguaje natural y la robótica, ampliando el panorama de posibilidades y aplicaciones para la inteligencia artificial. Las industrias que adoptan estas tecnologías pueden personalizar la experiencia del cliente, prever tendencias de mercado y optimizar su cadena de suministro, entre otras cosas. Por otro lado, los datos y digitalización se focalizan en el valor de la recopilación, el análisis y el uso de los datos en la era digital. Así también, la seguridad y privacidad representa cómo la inteligencia artificial está afectando de forma significativa la seguridad digital y la privacidad de los datos. Sus tecnologías pueden ser herramientas útiles para detectar amenazas y ataques cibernéticos, pero también plantean cuestiones sobre la privacidad y el manejo de los datos personales. Por último, la investigación y desarrollo ha demostrado cómo la inteligencia artificial está impulsando avances en diversas áreas de investigación y el desarrollo de nuevas tecnologías. Este crecimiento responde a la investigación e innovación lideradas por grandes empresas tecnológicas, como son Amazon, Google, Apple, Facebook, International Business Machines Corporation y Microsoft. Estas empresas están impulsando la adopción de tecnologías avanzadas en varios sectores, incluyendo el sector automotriz, la salud, el comercio minorista, las finanzas y la fabricación. Adicionalmente, uno de los factores que está agilizando esta innovación es la accesibilidad a conjuntos de datos históricos. Dicha accesibilidad es posible debido a que el almacenamiento y recuperación de los datos es cada vez más económico, facilitando a investigadores el acceso a conjuntos ricos de datos, que pueden ser utilizados para entrenar los modelos de IA y, por lo tanto, acelerar la innovación en esta materia (Tenés Trillo, 2023).

Para abordar los objetivos propuestos, se desarrollará una estrategia cualitativa basada en revisión bibliográfica, análisis de políticas públicas, estudios de caso y fuentes estadísticas oficiales con el propósito de comprender el impacto, oportunidades y desafíos de la implementación de la inteligencia artificial (IA) en la industria de la provincia de Buenos Aires. El enfoque triangula evidencia empírica con marco conceptual y comparativo. Así también, se incorporan herramientas de análisis cuantitativo a partir de indicadores estadísticos y gráficos elaborados en base a fuentes oficiales, con el objeto de complementar el análisis cualitativo y fortalecer la interpretación de los resultados. La revisión documental abarcó publicaciones académicas recientes, informes institucionales y experiencias empresariales. Se analizarán casos de éxito en la implementación de IA, como los de Patagonia CNC Machines,⁹ Techint (Tenaris)¹⁰ y Edenor S. A. para extraer lecciones y prácticas efectivas. Asimismo, la exploración de beneficios en sectores como la agricultura, salud y logística se basará en estudios específicos sobre la aplicación de IA. Además, se incorporaron datos oficiales nacionales y provinciales, gráficos e indicadores actualizados. Los casos seleccionados responden a un criterio de representatividad de diferentes niveles de madurez tecnológica y escalas productivas dentro del entramado industrial. En este sentido, se incluyen empresas nacionales emergentes, grandes corporaciones y empresas de servicios públicos para ilustrar diversas modalidades de adopción de inteligencia artificial en la provincia de Buenos Aires. El análisis busca identificar patrones, tensiones y oportunidades en la formulación de propuestas estratégicas para acrecentar los beneficios de la IA en Buenos Aires y su consecuente desarrollo regional.

Los datos utilizados en esta investigación se obtuvieron de fuentes primarias y secundarias. Las fuentes primarias comprenden estudios de caso seleccionados sobre empresas de la provincia de Buenos Aires que han incorporado tecnologías de inteligencia artificial, como Patagonia CNC Machines, Techint (Tenaris) y Edenor S. A.¹¹ Asimismo, las fuentes secundarias incluyen informes institucionales, artículos académicos y estadísticas oficiales publicadas por organismos nacionales e internacionales. En el marco del enfoque metodológico adoptado, los datos cuantitativos tienen un papel complementario al análisis cualitativo, permitiendo fortalecer la interpretación a través de la incorporación de indicadores, tendencias y representaciones gráficas. Entre las principales bases de datos consultadas se encuentran:

Los datos cuantitativos se presentan mediante gráficos de barras, tortas y líneas, los cuales fueron elaborados a partir de dichas fuentes, conforme a los estándares de citación APA. Las fechas de acceso y publicación de las fuentes se detallan en la sección de Referencias bibliográficas. En esta línea, los criterios de inclusión para las empresas estudiadas fueron: localización en la provincia de Buenos Aires, evidencia documentada de implementación de IA en procesos productivos, y disponibilidad de información confiable. En todos los casos se mantuvo un enfoque ético de confidencialidad cuando los datos así lo requirieron.

Históricamente, la automatización ha sido esencial para mejorar la productividad y eficiencia en la manufactura. Con la llegada de la IA, estos conceptos han alcanzado un nuevo nivel. La integración de tecnologías basadas en IA ha facilitado el desarrollo de fábricas inteligentes y altamente automatizadas. Estas fábricas emplean sensores inteligentes, interconexión, análisis de datos y automatización de procesos para optimizar la producción (Saxon, 2022). La IA mejora la calidad del producto, previene defectos y reduce tiempos de inactividad. La evolución hacia la Industria 4.0, que incorpora estas tecnologías, promete un aumento continuo en su implementación, beneficiando la eficiencia y rentabilidad de las operaciones de fabricación. En el control de calidad, la IA ha mejorado la detección de defectos y el fortalecimiento de la calidad en las líneas de producción. También ha impactado positivamente en la gestión de inventarios, favoreciendo la previsión de demanda, optimización del inventario e identificación de ineficiencias. Aunque la IA desempeña un papel vital en diversas áreas como el control y diagnóstico, la atención al cliente y la personalización de productos, su capacidad para innovar en todos los aspectos de una empresa es particularmente notable. Paralelamente, la IA es útil en cuanto optimización de la cadena de suministro al permitir un monitoreo constante del abastecimiento, facilitando la gestión del inventario y la predicción de la demanda futura. Esto aumenta la eficiencia y reduce costos de mantenimiento. Un aspecto clave de esta optimización es el mantenimiento predictivo, que utiliza sensores de red para monitorear equipos de fabricación. Estos sensores pueden detectar cambios sutiles, como variaciones en el sonido o la vibración, y alertar sobre posibles fallos antes de que ocurran. General Electric,¹² por ejemplo, ha implementado tecnologías 4.0 para supervisar el estado de sus equipos y prevenir fallas, evitando así problemas mayores en la producción (Serrano Villafranca, 2022). En esa misma línea, la robótica impulsada por IA está transformando la manufactura, con robots equipados que pueden adaptarse y aprender en tiempo real, realizando tareas complejas y manejando situaciones inesperadas con mayor eficacia. La IA permite a los robots colaborar con humanos de forma eficiente, utilizando tecnologías como la realidad aumentada para proporcionar información adicional durante las tareas (Knight, 2018). A su vez, otra área significativa de la IA es el diseño generativo. Según González Díaz (2020), a través de técnicas generativas, la IA posibilita simular el desempeño de productos o infraestructuras sin necesidad de fabricarlos primero. Esto no solo optimiza el diseño al reducir la necesidad de modificaciones, sino que también fomenta la innovación y la exploración de nuevas ideas. La capacidad de estas innovaciones para mejorar el producto y reducir costos es fundamental para el avance de la manufactura moderna. Finalmente, la competitividad en la industria puede ser entendida a partir de la capacidad de un bien o servicio para dinamizar la producción y rentabilidad, mejorando la calidad de vida de los involucrados en el proceso social de producción. Siguiendo el análisis de Marx (1975), un producto valida su valor de cambio al ser útil y al demostrar su valor de uso en el mercado. Esto refleja cómo los procesos económicos y sociales se entrelazan, dinamizando y ejecutando las funciones de trabajadores, productores e instituciones (Rendón Acevedo, 2024).

La integración de inteligencia artificial (IA) en las empresas enfrenta grandes desafíos, con el elevado costo operativo, siendo uno de los más prominentes. Esto está directamente asociado con la infraestructura tecnológica necesaria para mantener y operar los sistemas de IA, lo cual puede resultar de un alto valor económico debido a la necesidad de entrenar y preparar modelos utilizando grandes conjuntos de datos. Además, para que los sistemas de IA brinden resultados óptimos, es esencial procesar grandes volúmenes de información de manera rápida y eficiente (Navarrete Nossa, Montoya Restrepo y Montoya Restrepo, 2009). Un reto importante se da a partir de que muchas empresas aún operan con infraestructuras obsoletas que no cumplen con los requisitos de la IA. Las organizaciones que buscan su implementación deben estar dispuestas a invertir en tecnología avanzada. Los sistemas de IA generalmente requieren Unidades de Procesamiento Gráfico (GPU), procesadores especializados con numerosos núcleos para manejar cálculos complejos, que pueden ser bastante más caros que los procesadores tradicionales y aumentar los costos operativos hasta diez veces en comparación con las operaciones no automatizadas (Becerra Rodríguez y Naranjo Valencia, 2008). Es por esto que las pequeñas empresas y startups optan por modelos basados en la nube, lo que les permite incurrir en gastos operativos recurrentes en lugar de grandes inversiones iniciales en hardware y software. Este enfoque les facilita beneficiarse de infraestructuras de alto rendimiento sin enfrentar grandes gastos al principio. La opción de la nube puede considerarse una solución estratégica para manejar los desafíos financieros relacionados con la infraestructura y las operaciones. En términos de optimización de costos y maximización del retorno de inversión, el contexto de la IA puede compararse con el concepto de clústeres industriales descripto por Becattini (2002), mientras que, en la fabricación tradicional, los procesos productivos suelen dividirse en varias fases, cada una realizada en fábricas dedicadas a una etapa específica. De manera similar, los clústeres que agrupan empresas especializadas en áreas específicas pueden beneficiarse de economías de escala y del dinamismo generado por la proximidad. No obstante, las pequeñas empresas frecuentemente enfrentan desventajas frente a las grandes empresas, ya que tienen menos capacidad para competir en términos de costos y recursos (Becerra Rodríguez y Naranjo Valencia, 2008). En el contexto actual, es relevante considerar el concepto de clústeres virtuales, formados a través del uso de tecnologías de la información y comunicación (TIC) para establecer negocios electrónicos sin necesidad de una ubicación física específica. Los actores de un clúster virtual pueden realizar transacciones, intercambiar información y generar conocimiento en espacios virtuales habilitados por redes de computadoras. Esto plantea preguntas sobre si el uso de redes digitales puede influir en los beneficios y externalidades positivas derivados de la concentración geográfica en clústeres tradicionales (Navarrete Nossa, Montoya Restrepo y Montoya Restrepo, 2009).

En Argentina, Franco et al (2022) señalan que los problemas para adoptar tecnologías 4.0 incluyen desafíos macroeconómicos y sectoriales, como la inestabilidad económica y la falta de conocimiento sobre las tecnologías disponibles (Motta et al, 2019). En particular, en la provincia de Buenos Aires, que abarca 135 municipios y una superficie de 307.571 km², operan más de 220.000 establecimientos, de los cuales aproximadamente el 13% pertenecen al sector industrial conforme datos del Ministerio de la Producción argentino. Bartis (2020) y Keogan et al (2020) destacan que el sector industrial, como característica fundamental a nivel provincial bonaerense que también se reproduce a nivel nacional, muestra una alta heterogeneidad en términos de escala y capacidades tecnológicas, con muchas firmas realizando escasos esfuerzos en I+D y solo algunas destacándose a nivel internacional. Por consiguiente, pese a que un reducido número de empresas con altos niveles de productividad y buen perfil tecnológico se introducen competitivamente en cadenas mundiales de valor, el reto es que la mayor parte de las empresas, en general, pymes en la región presentan baja productividad y capacidad de incorporación del conocimiento gestado en el sistema científico-tecnológico, con una dinámica innovadora dependiente de proveedores extranjeros (Anlló y Peirano, 2005; Llisterri y Pietrobelli, 2011). De acuerdo con datos del documento “Síntesis de Indicadores de Ciencia y Tecnología para la PBA (2019)” realizado en el marco del Programa ORBITA del Gobierno de la Provincia de Buenos Aires, la participación privada en I+D en Buenos Aires es del 34%, superior al promedio nacional pero aún baja en comparación con estándares internacionales. Bernat (2020) señala que, aunque se observa una inversión en la compra de tecnologías para maquinaria, la innovación en procesos y productos es limitada, lo que refleja desigualdades en la adopción de tecnologías de la Industria 4.0 en la región. Bartis (2020) indica que, en la provincia de Buenos Aires, aunque muchas empresas reconocen la importancia de las tecnologías digitales, pocas comprenden plenamente el potencial de una adopción integral de tecnologías 4.0 y los riesgos de no hacerlo. Casi el 50% de las empresas consideran que las soluciones digitales tienen un impacto nulo o escaso en la mejora de la producción. Motta et al (2019) concluyen que la adopción de tecnologías 4.0 en Argentina es parcial, con barreras que hacen que la adopción integral no siempre sea rentable para todas las escalas de empresas. Según Albrieu et al (2019) encuentran que las grandes empresas lideran el proceso de adopción debido a su mayor capacidad de inversión, mientras que el 85% de las empresas más rezagadas son micro y pequeñas. Las pymes que avanzan en la adopción de tecnologías 4.0 suelen estar en sectores dinámicos o exportadores. De acuerdo con un informe de Boston Consulting Group (2018), las tecnologías estándar y de bajo costo tienen un mayor grado de avance en su implementación en Argentina, mientras que tecnologías como la realidad aumentada y la automatización tienen menos avance. Motta et al (2019) identifican que las tecnologías con mayor penetración son el Internet de las cosas (IoT) y el uso de sensores en maquinaria. Bartis (2020) reporta que entre 2017 y 2019, menos del 25% de las pymes en la provincia de Buenos Aires utilizaban tecnologías como IoT o sensores para automatización. Según un informe citado por Infobae (2025), el 31% de las pequeñas y medianas empresas argentinas ya ha invertido en inteligencia artificial, y un 78% planea hacerlo en el corto plazo. Este tipo de iniciativas parece tener un impacto directo en la productividad: el 87% de las pymes que implementaron soluciones basadas en inteligencia artificial reportaron mejoras significativas, con un aumento promedio del 43% en su rendimiento. Como se observa en el gráfico 1, estos datos evidencian una tendencia ascendente en la adopción de tecnologías digitales en el entramado productivo, aunque de manera desigual según el tamaño y las capacidades de las empresas. Esta dinámica pone de manifiesto una brecha estructural en el acceso y aprovechamiento de la inteligencia artificial, en línea con lo señalado por CEPAL (2021) y Motta et al (2019).

La implementación de la inteligencia artificial (IA) en la provincia de Buenos Aires tiene el potencial de transformar diversos sectores, desde la agricultura hasta la justicia, aportando mejoras importantes en eficiencia y efectividad que contribuyen a su desarrollo regional de manera integral. En el ámbito agrícola, la IA puede jugar un papel esencial en la optimización de prácticas agrícolas mediante el análisis de datos meteorológicos, del suelo y de cultivos. Estos análisis pueden enriquecer el rendimiento agrícola y reducir el uso de recursos al proporcionar información precisa sobre las condiciones óptimas para el cultivo y la detección temprana de plagas, enfermedades y deficiencias nutricionales a través de drones y sensores (Barros, 2023). A su vez, en el sector de la salud, la IA también presenta oportunidades significativas. Según Alcocer (2023), los sistemas basados en IA tienen la capacidad de analizar imágenes médicas, datos de pacientes y registros electrónicos para asistir en el diagnóstico de enfermedades y sugerir tratamientos. También optimiza la asignación de recursos en hospitales y clínicas, lo que resulta en una mayor eficiencia y en la reducción de tiempos de espera para los pacientes. La IA puede, por lo tanto, transformar la relación médico-paciente y el funcionamiento general del sistema de salud. También, la logística y el transporte se beneficiarán enormemente de la adopción de IA. Anapolsky (2023) señala que la planificación urbana y del transporte debe considerar una diversidad de variables, incluyendo la eficiencia energética y las emisiones contaminantes. En cuanto a eficiencia, en la planificación de rutas para el transporte de mercancías, disminuyendo costos y tiempos de entrega y en relación con gestionar y predecir el tráfico en áreas urbanas, ayuda a reducir los congestionamientos y mejora la movilidad. Por su parte, en el campo de la energía, la IA puede optimizar el uso de recursos energéticos tanto en sectores comerciales como residenciales. Messina et al (2022) destacan que la IA puede gestionar redes eléctricas de manera más eficiente, minimizando el desperdicio y ajustando la producción de energía en función de la demanda. En esa misma línea, la capacidad de la IA para prever la generación de energía a partir de fuentes renovables contribuye a una gestión más eficiente y sostenible de los recursos energéticos. En referencia a la educación, las plataformas educativas basadas en IA pueden proporcionar experiencias de aprendizaje adaptadas a las necesidades individuales de cada estudiante, además de automatizar procesos administrativos y de evaluación. Jaramillo y Olivera (2024) explican que estas tecnologías han demostrado mejorar el rendimiento académico de los alumnos, aumentando su motivación y compromiso con el aprendizaje. La IA también optimiza la eficiencia en la gestión educativa y facilita una administración más efectiva, respondiendo mejor a las necesidades individuales de los estudiantes. En cuanto al ámbito de la seguridad y la justicia, la IA puede analizar patrones de actividad para prever y prevenir delitos, y mejorar la eficiencia del sistema judicial. Cristallo et al (2023) mencionan que la automatización de tareas administrativas y el uso de herramientas como chatbots y asistentes virtuales permiten al personal judicial concentrarse en tareas más complejas, aumentando la productividad y reduciendo los tiempos de respuesta. Asimismo, la tecnología facilita la superación de barreras geográficas y disminuye los costos asociados al desplazamiento mediante el uso de videoconferencias y sistemas de gestión electrónica. Esto no solo optimiza la producción y gestión de datos judiciales, sino que también promueve un sistema de justicia más inclusivo al reducir costos legales y proporcionar asesoramiento a personas de bajos recursos.

La adopción de IA en la provincia de Buenos Aires tiene la capacidad de impulsar un desarrollo económico y social significativo. Sin embargo, esto requiere una gestión proactiva de los desafíos asociados y la implementación de políticas que promuevan un uso equitativo y responsable de la tecnología. La planificación estratégica y la consideración de las implicaciones éticas y sociales de la IA serán fundamentales para maximizar sus beneficios y asegurar que sus ventajas se distribuyan de manera justa entre todos los sectores de la provincia.

En la provincia de Buenos Aires, la puesta en marcha de la inteligencia artificial (IA) en la industria está en crecimiento, aunque su acogimiento difiere entre distintos sectores y empresas. En el ámbito de la agroindustria, la IA se emplea para optimizar el cultivo de granos y vegetales a través de herramientas de análisis de datos y modelos predictivos, así como para gestionar la utilización del agua en la agricultura a través de datos de sensores. La industria agrícola global enfrenta grandes desafíos debido al aumento proyectado de la población y las crecientes demandas de trazabilidad, sustentabilidad y cuidado ambiental. A pesar de ser tradicionalmente lenta en transformación digital, la industria está activamente desarrollando e implementando soluciones tecnológicas para abordar estos desafíos. En Argentina, las agronomías desempeñan un papel crucial como canal de distribución de insumos agrícolas. Empresas como Bunge y Cargill, líderes en el sector con amplias redes de acopios y complejos industriales para el procesamiento de oleaginosas, fertilizantes y biodiésel, están explorando la IA para mejorar sus operaciones agrícolas y de procesamiento. Covantis, formada por la fusión de seis grandes empresas agroindustriales, entre ellas Bunge y Cargill, está digitalizando operaciones comerciales globales mediante tecnología blockchain, con el objetivo de mejorar la eficiencia en procesos como nominaciones de buques y emisión de documentos (Silvestris, 2022). Por su parte, en la manufactura y producción, conforme a Espitia Rozo (2021), una de las industrias que aplica IA en producción y mantenimiento predictivo es Techint, una multinacional en ingeniería y construcción, que está utilizando IA para mejorar sus procesos de producción mediante el análisis en tiempo real, lo que optimiza la eficiencia y ajusta los parámetros de operación para reducir el tiempo de inactividad. También, la empresa emplea IA en mantenimiento predictivo para anticipar fallos en los equipos y realizar mantenimientos preventivos, lo que disminuye costos operativos y evita interrupciones inesperadas. La IA, además, facilita el análisis de datos, brindando una visión detallada del desempeño de los activos y permitiendo identificar patrones y tendencias que ayudan a tomar decisiones informadas para mejorar la eficiencia operativa. Esta innovación tecnológica es llevada a cabo a través de Tenaris, que es una empresa siderúrgica multinacional del grupo argentino Techint. Esta empresa aplica una variedad de tecnologías avanzadas en su sector de fabricación, optimizando sus procesos de producción; empleando robots autónomos en más de doscientas estaciones de su línea de producción para realizar labores como control de calidad, pintura, manejo de materiales y aplicación de cuplas, lo que minimiza los riesgos para los empleados al asumir tareas repetitivas. Asimismo, Tenaris es pionera en la impresión 3D para desarrollar prototipos de conexiones y calibres. La empresa también implementa ciberseguridad por medio del análisis de video para el control operativo y de seguridad, generando alarmas y respuestas automáticas. Finalmente, Tenaris utiliza Big Data e inteligencia artificial para predecir fallas en equipos, optimizar el consumo de energía y mejorar la producción y el control de procesos. En referencia al sector energético, Edenor S. A. es una de las empresas que integran soluciones de IA para la gestión de redes y optimización de la generación de energía. Teniendo en cuenta que la tecnología es fundamental para el éxito y la permanencia de las empresas en el mercado, Edenor S. A. ha fortalecido su práctica de Gestión por Procesos mediante proyectos de análisis y rediseño, como los de Nuevos Suministros, Ventas de Servicios y Gestión de Cobranzas, sumando componentes tecnológicos y ajustando roles y organización. La automatización de procesos se ha potenciado con la incorporación de robots transaccionales para el análisis de expedientes, cálculo de recupero y refacturación de energía, alcanzando un recupero de aproximadamente $20.000 millones mensuales. La pandemia dio celeridad a la innovación tecnológica en Edenor S. A., impulsando cambios en tecnología, procesos de negocio y cultura laboral, lo que demuestra un alto grado de influencia de los avances tecnológicos en la mejora de procesos y la gestión de recursos (Corzo, 2022).

Para superar los obstáculos aparejados a la integración de la IA, la provincia está promoviendo iniciativas y programas para fomentar la adopción de tecnologías avanzadas en el sector industrial, incluyendo colaboraciones con universidades y centros de investigación.

El relevamiento de casos y datos oficiales revela un panorama diverso en relación con la adopción de la inteligencia artificial (IA) en el entramado productivo argentino. Si bien las grandes empresas han implementado soluciones de IA con resultados exitosos visibles en términos de eficiencia, productividad y análisis predictivo, las pequeñas y medianas empresas (pymes) enfrentan barreras estructurales más complejas que limitan y dificultan su acceso a esta tecnología, originando una brecha que se traduce en una distribución desigual de la innovación tecnológica, donde las grandes corporaciones avanzan con mayor velocidad y recursos hacia la transformación digital, mientras que las pymes requieren políticas específicas de acompañamiento.

A nivel laboral, solo el 13% de los trabajadores argentinos utiliza inteligencia artificial de forma regular en sus tareas, una proporción significativamente menor en comparación con el promedio global (29%) y regional (26%). Como se observa en el Gráfico 2, esta diferencia evidencia una brecha en el nivel de adopción de estas tecnologías a nivel internacional. Este uso se concentra principalmente en la generación Z y en personas con educación universitaria, lo que constata un acceso diferenciado y un potencial riesgo de exclusión. En línea con ello, el Gráfico 3 muestra que el 41% de los trabajadores considera que sus empleadores están retrasados en la incorporación de esta tecnología, y el 47% cree que podría obtenerse un mayor provecho si se intensificara su utilización en el ámbito laboral. También, un 29% adopta una posición neutral y un 24% no percibe beneficios significativos, lo que demuestra percepciones heterogéneas y una demanda latente de inversión, capacitación y estrategias de adopción más efectivas (Randstad, mayo de 2024, julio de 2024).

En este contexto, resulta significativo que el 74% de las grandes empresas argentinas planee incrementar su presupuesto en inteligencia artificial en los próximos dos años, y que el 63% ya haya comenzado a reasignar recursos desde otras áreas para fortalecer proyectos vinculados a esta tecnología. Como se observa en el gráfico 4, esta tendencia refleja un crecimiento sostenido en la inversión empresarial en inteligencia artificial, consolidándola como un eje estratégico para mejorar la eficiencia operativa y potenciar la innovación en el sector corporativo (ITSitio, 2024).

Casos concretos

El caso Patagonia CNC Machines

El caso Techint Argentina

El caso Edenor S. A.

Conclusiones

Referencias bibliográficas