Hay una reunión que muchos líderes de tecnología postergan más de lo que deberían: la presentación ante el directorio para pedir presupuesto para IA. No porque no crean en el proyecto — sino porque saben que las respuestas habituales no van a funcionar ahí.
«Vamos a implementar IA generativa» no es un argumento para el directorio. El directorio no financia ideas; financia proyecciones de retorno, reducción de riesgo y ventaja competitiva medible. Esta guía es para llegar a esa reunión con algo que realmente convenza — y no depender de una demo impresionante para cerrar el presupuesto.
Por qué el directorio rechaza las propuestas de IA (y no es falta de visión)
En los últimos 18 meses, los directorios de LATAM han visto decenas de proyectos de «transformación digital con IA» que no llegaron a ningún lado. No porque la tecnología fallara — sino porque las propuestas llegaron sin métricas de base, sin escenario de riesgo y sin un dueño claro del resultado.
El director financiero que rechaza tu propuesta de capacitación en IA no está siendo conservador por gusto. Está haciendo la pregunta correcta: «¿Cómo sé que esto no va a ser otro gasto de formación que nadie mide y del que nadie habla el año siguiente?» La respuesta tiene que estar en la propuesta antes de que la hagan.
El error más común: hablar de tecnología en lugar de negocio
«Queremos que el equipo aprenda LLMs, agentes y automatización con IA» es lo que escucha el directorio. Lo que debería escuchar: «Queremos reducir el tiempo de análisis de datos de 3 días a 4 horas, y tenemos el proceso piloto identificado.»
La diferencia no es cosmética. Una propuesta que habla de herramientas pide presupuesto para explorar. Una propuesta que habla de resultados pide inversión para ejecutar. El directorio entiende la segunda; la primera la percibe como riesgo sin retorno claro.
Los 4 argumentos que sí funcionan en la sala
El costo de no hacer nada. Calcula cuánto cuesta hoy la ineficiencia que querés resolver. Si un analista dedica 15 horas semanales a consolidar datos manualmente y tenés 8 analistas, son 120 horas/semana. A un costo promedio de $20/hora, eso es $2,400 semanales en un solo proceso. Anualizas eso y ya tenés el piso del ROI sin salir de la empresa.
El riesgo competitivo con dato real. Más del 65% de las empresas de Fortune 500 ya tienen iniciativas de IA en producción — no como piloto, en producción. En LATAM, el ritmo es más lento pero las empresas que se adelantaron 12-18 meses ya tienen ventaja operativa real. La pregunta para el directorio no es si adoptar IA, sino con cuánto retraso frente a la competencia directa.
El ROI medible del upskilling. Un equipo de 10 personas capacitado en automatización con IA puede recuperar el costo de formación en 3-4 meses si se enfoca en 2-3 procesos concretos. Eso es matemática que un directorio puede validar — especialmente si tenés los datos del proceso ineficiente como punto de partida.
El costo de contratar vs capacitar. Un AI Engineer externo en LATAM hoy cuesta entre $3,000 y $6,000 por mes. Capacitar a alguien de tu equipo en herramientas de IA aplicada puede costar una fracción de eso, y el resultado es alguien que ya conoce el negocio, los datos y los procesos. El tiempo de ramp-up es mínimo comparado con una contratación externa.
Métricas que el directorio entiende (y las que no)
El directorio entiende: tiempo ahorrado convertido a costo ($), reducción de errores con impacto medible, tiempo de salida al mercado de nuevos productos o reportes, y comparativas con competidores directos.
El directorio no entiende — o no le importa en ese contexto —: benchmarks de modelos, velocidad de inferencia, precisión de embeddings o cuántos tokens puede procesar el modelo en paralelo. Esos son argumentos para el equipo técnico, no para el directorio.
La trampa frecuente: mostrar una demo impresionante de IA y esperar que el directorio haga solo el puente hacia el negocio. Ese puente lo tenés que construir vos antes de entrar a la sala.
Cómo estructurar la propuesta: del problema al ROI
Una propuesta que funciona en el directorio tiene cuatro partes, en ese orden:
- ▸El problema en números de hoy: tiempo, costo, error o riesgo — con datos de tu propia empresa, no de benchmarks de industria.
- ▸El caso de uso piloto: un proceso específico, un equipo pequeño (5-10 personas), 60-90 días para ver resultados medibles.
- ▸La inversión total: capacitación + herramientas + tiempo interno, todo en un solo número. Nada de costos ocultos.
- ▸El criterio de éxito: cómo vas a saber si funcionó antes de pedir más presupuesto. Sin este punto, no hay propuesta seria.
El punto 4 es el que más se omite y el que más importa. Un directorio que aprueba un piloto sin criterio de éxito definido no tiene cómo defender esa decisión internamente si alguien pregunta. Dales esa herramienta antes de que te la pidan.
Por qué la capacitación en IA es inversión, no gasto
El problema histórico con el presupuesto de capacitación es que era difícil de medir. Con IA aplicada, eso cambió: si capacitás a alguien en automatización con n8n o en agentes de IA para procesos internos, hay un antes y un después claro en su output. El impacto se puede medir en semanas, no en años.
En DataPath hemos trabajado con equipos de empresas como Entel, BCP, Scotiabank y más de 100 organizaciones en LATAM. El patrón que vemos una y otra vez: las empresas que invierten en capacitación con un caso de uso real desde el primer día tienen ROI positivo antes de los 90 días. Las que hacen «formación general de IA para todos» sin foco en un proceso concreto, no. La diferencia no es el programa — es la intención detrás.
El siguiente paso concreto
No necesitás tener todo resuelto antes de hablar con el directorio. Lo que necesitás es llegar con un problema bien definido, un caso de uso piloto y una propuesta de medición. El resto lo pueden construir juntos.
En DataPath Empresas trabajamos con empresas para diseñar programas de capacitación a medida: desde el diagnóstico de qué habilidades necesita tu equipo hasta el diseño del programa y la medición del impacto. El proceso es: diagnóstico inicial gratuito → propuesta personalizada → ejecución con instructores en activo → medición de resultados.
Los programas más pedidos por empresas en 2026 son los de AI Engineering para equipos de desarrollo y los de Data Engineering en la nube. Ambos tienen versiones de 6, 12 y 16 semanas según el nivel del equipo y el caso de uso.
Si estás preparando esa presentación ante el directorio y querés apoyo para estructurar los argumentos con los datos de tu propia operación, el primer paso es contactarnos en /empresas. La consulta inicial no tiene costo y en 30 minutos podemos darte un marco de propuesta adaptado a tu industria.
