Hay una conversación que se repite en casi todas las empresas donde entro. Le pregunto a alguien si usa IA y me dice que sí, todos los días. Le pregunto para qué y me contesta: para redactar mails, para resumir cosas, para destrabar un texto. Le pregunto si la usa para algo que salga a un cliente o para una decisión de plata, y ahí el tono cambia: “No, para eso no. No me fío”.
Esa persona no es un caso raro. Es exactamente el promedio argentino, y hay datos que lo muestran.
Argentina llega al 80% de adopción de IA —por encima del 74% global— pero el 54% desconfía de la información que produce y el 58% teme que fomente la desinformación, según el WIN World AI Index 2026, que releva 44 países con cerca de 40.000 respuestas y midió a 1.007 argentinos. El índice ubica al país entre los “adoptantes cautelosos”, junto con Brasil, Perú, Estados Unidos y Alemania.
Esa brecha no se cierra cambiando de herramienta: se cierra con método. La desconfianza aparece porque la gente ya usó la IA lo suficiente como para verla equivocarse, pero en la mayoría de las empresas esa experiencia nunca se convierte en un procedimiento —cuándo hay que chequear, contra qué fuente, quién firma— y queda como sensación individual. El resultado es una organización que usa IA para lo intrascendente y la esquiva justo donde más rendiría.
¿Qué miden exactamente estos números?
Antes de sacar conclusiones conviene saber qué se midió, porque con la adopción de IA circulan cifras muy distintas y casi nunca se aclara que no hablan de lo mismo.
| Indicador | Argentina | Global |
|---|---|---|
| Usa IA (personal o profesional) | 80% | 74% (era 62% en 2025) |
| Desconfía de la información que produce | 54% | — |
| Teme que fomente la desinformación | 58% | 73% en América, 77% en Europa |
| La usa a diario en el trabajo | 9% | 39% la usa seguido o a diario (+24 pts) |
Tres lecturas que no son obvias. La primera: el 54% que desconfía tiene un espejo más incómodo —solo el 46% considera veraz la información que genera la IA—. La segunda: el 80% de adopción convive con apenas 9% de uso diario en el trabajo, o sea que la mayoría la probó pero no la incorporó a la rutina. Y la tercera, la que menos se dice: a nivel global la confianza en la IA subió respecto de 2025, pero la comodidad bajó. La gente cree cada vez más en lo que la IA produce y al mismo tiempo está cada vez más preocupada por lo que implica.
Vale aclarar también de qué habla este 80%: son personas, no empresas. Cuando lo que se mide es cuántas compañías argentinas aplican IA en su operación, el número cae drásticamente —lo desarmo en el estudio que Google presentó en Buenos Aires, donde la cifra es 20,4%—. No se contradicen: miden universos distintos. Y esa distancia entre “mi gente ya usa IA” y “mi empresa aplica IA” es, en el fondo, el mismo problema del que habla esta nota.
¿La desconfianza es un problema o una señal buena?
Acá me voy a poner a contramano del discurso habitual del sector. Ese 54% no me preocupa. Me parece la respuesta correcta.
Un modelo de lenguaje genera texto plausible. Plausible no es lo mismo que verdadero, y esa diferencia no es un defecto que se vaya a arreglar con la próxima versión: es cómo funciona la tecnología. Alguien que desconfía entendió eso, aunque no sepa explicarlo. Prefiero mil veces trabajar con un equipo escéptico que con uno que copia y pega lo primero que sale.
El problema real es otro: la desconfianza se queda en actitud y nunca se convierte en procedimiento. Y una persona que desconfía sin saber qué hacer con esa desconfianza termina siempre en uno de dos extremos, los dos malos:
- La parálisis. No usa la IA para nada que importe. Redacta mails con ella y sigue haciendo a mano el análisis que le llevaba tres horas. Es el caso mayoritario, y es el más caro: se paga la licencia y no se cobra el beneficio.
- La ruleta. La usa igual, sin chequear, cruzando los dedos. Funciona veinte veces y a la veintiuna manda un dato inventado a un cliente. Es menos frecuente pero mucho más costoso cuando pasa.
Entre esos dos extremos hay una franja enorme que casi nadie ocupa: usar la IA sabiendo cuándo alcanza con leerla y cuándo hay que verificarla. Esa franja no es intuitiva. Se enseña.
¿Cómo se verifica lo que responde una IA?
Cuatro hábitos. Ninguno es técnico, ninguno lleva más de una tarde de práctica, y juntos cubren la enorme mayoría de los errores que veo.
- Clasificar por consecuencia, no por dificultad. La pregunta no es “¿esto es complejo?” sino “¿qué pasa si esto está mal?”. Si el error se nota y se corrige solo —un borrador interno, una lluvia de ideas—, no hace falta chequear nada. Si sale a un cliente, a un organismo o alimenta una decisión de plata, se chequea siempre. La mayoría de la gente aplica el criterio al revés: verifica lo difícil y confía en lo simple, cuando el riesgo no vive ahí.
- Pedir la fuente y abrirla. No leer la cita: abrirla. La referencia inventada —o real pero que no dice lo que el modelo afirma— es el modo de fallar más habitual, y se detecta en diez segundos. Si la fuente no existe o no dice eso, el dato no entra.
- Dar el contexto propio en vez de pedir el dato. Es el cambio de hábito que más rinde y el que menos se practica. Si le pasás tu lista de precios y le pedís que arme la cotización, no puede inventar el precio. Si se lo preguntás de memoria, puede. La misma lógica vale para políticas, plazos, condiciones y cualquier número propio.
- Pedirle explícitamente que avise cuando no sabe. Una línea en el prompt —o mejor, en las instrucciones personalizadas, para no repetirla nunca más—: “si no tenés el dato, decime que no lo tenés en lugar de estimarlo”. Es gratis y baja mucho el trabajo de revisión posterior.
¿Sirve cambiar de herramienta para tener resultados más confiables?
Ayuda en el margen. Los modelos actuales alucinan bastante menos que los de hace un año y algunos citan fuentes verificables, así que elegir bien sube el piso. Si estás en esa decisión, la comparación honesta entre los dos que más uso con clientes está en Claude vs. ChatGPT para empresas en Argentina.
Pero no resuelve el problema de fondo, y conviene decirlo claro porque es donde más plata se pierde. La brecha que muestran estos datos no es de calidad de modelo: es de método. Una organización sin criterio de verificación va a desconfiar del mejor modelo del mercado exactamente igual, porque no tiene forma de distinguir cuándo la respuesta es sólida y cuándo no. Cambiar de herramienta sin cambiar el método es pagar dos veces por el mismo problema.
¿Por dónde empieza una empresa que ya usa IA pero no confía?
Por hacer explícito lo que hoy es implícito. Hay un ejercicio de una hora que uso como arranque y que no necesita consultor: que cada área liste las tres tareas donde ya usa IA y, al lado, qué pasaría si esa salida estuviera mal.
Ese cruce ordena todo. Separa lo que se puede automatizar tranquilo de lo que necesita una persona que revise y firme, y suele traer dos sorpresas: aparecen tareas de riesgo cero que nadie se anima a delegar, y aparece alguna de riesgo alto que ya se está delegando sin que nadie lo haya decidido. De ahí sale el material real de una capacitación —los casos son los de la empresa, no ejemplos genéricos— y también la lista de lo que conviene no delegar todavía.
Es más barato y más rápido que comprar otra licencia, y es lo que convierte ese 80% de adopción en resultados que alguien se anima a usar.
Conclusión: el problema no es la herramienta, es el criterio
El dato que abre esta nota se suele contar como una mala noticia —“la gente no confía en la IA”— y me parece justo al revés. Que la mitad del país desconfíe significa que ya la usó en serio. Lo que falta no es entusiasmo: falta el paso siguiente, que es convertir esa desconfianza sana en un criterio compartido sobre qué chequear y qué no.
Eso no lo instala una herramienta nueva ni un plan más caro. Se enseña, con los casos de la propia empresa y con gente practicando sobre su trabajo real. Es exactamente lo que hago en las capacitaciones corporativas en IA —y si querés ver primero cómo se estructura una que rinda, lo desarmo en cómo armar una capacitación en IA que funcione. Hablemos y vemos por dónde conviene empezar en tu caso.
Fuentes: WIN World AI Index 2026 (2ª edición) — metodología, fechas de campo, muestra y cifras globales tomadas del reporte oficial— y Perfil sobre la difusión local de Voices!, miembro argentino de la red WIN, de donde salen las cifras de Argentina. Análisis y criterio de implementación: Diego Ceredi, consultor de IA certificado por Anthropic.
Preguntas frecuentes.
Porque adoptaron la herramienta sin adoptar un método para verificarla. El WIN World AI Index 2026 lo muestra con claridad en Argentina: 80% de adopción, pero 54% que desconfía de la información que produce la IA y 58% que teme que fomente la desinformación. Esos números no son contradictorios, son consecutivos: la desconfianza aparece justamente porque la gente ya usa la herramienta lo suficiente como para haberla visto equivocarse. El problema es que en la mayoría de las empresas esa experiencia no se convierte en un procedimiento —cuándo hay que chequear, contra qué fuente, quién firma— y queda como sensación individual. El resultado típico es una organización que usa IA para lo intrascendente y la esquiva justo donde más rendiría.
Que Argentina llega al 80% de adopción de IA, por encima del promedio global de 74%, pero se ubica entre los «adoptantes cautelosos» junto con Brasil, Perú, Estados Unidos y Alemania. Las cifras locales que difundió Voices!, el miembro argentino de la red WIN: 54% desconfía de la información que produce la IA —el espejo de ese dato es que solo el 46% la considera veraz— y 58% cree que puede contribuir a crear y difundir información falsa. El uso diario todavía es bajo: 9% la usa a diario en el trabajo. Es la segunda edición del índice, con 44 países y cerca de 40.000 respuestas; la muestra argentina fue de 1.007 casos.
El trabajo de campo se hizo entre noviembre de 2025 y enero de 2026, y el reporte se publicó el 17 de mayo de 2026. Es la segunda edición del índice, que elabora WIN —la red mundial de institutos independientes de investigación de mercado y opinión— con Voices! como miembro argentino. El relevamiento del índice cubre 44 países con una muestra de 39.436 casos después de eliminar valores faltantes (45 países y 40.210 casos para la medición de frecuencia de uso), y este año todos los países fueron ponderados a aproximadamente 1.000 casos. Vale tener presente la fecha del campo al leer los números: es una foto del verano 2025-2026, no de hoy.
Es una señal buena mal aprovechada. Que el 54% dude de lo que produce la IA significa que la gente entendió algo correcto: estos sistemas generan texto plausible, y plausible no es lo mismo que verdadero. El problema no es la desconfianza en sí, es que se queda en actitud en vez de convertirse en procedimiento. Una persona que desconfía y no sabe qué hacer con esa desconfianza termina en uno de dos extremos igual de malos: o no usa la IA para nada que importe, o la usa igual y cruza los dedos. El objetivo de una capacitación seria no es convencer a nadie de que confíe: es darle un método para decidir cuándo puede avanzar sin chequear y cuándo no.
Con cuatro hábitos que se enseñan en una tarde y no requieren nada técnico. Primero, clasificar la tarea por consecuencia: si el error se nota y se corrige solo (un borrador interno), no hace falta chequear; si sale a un cliente, a un organismo o a una decisión de plata, sí. Segundo, pedir la fuente y abrirla, no leer la cita: la referencia inventada es el modo de fallar más habitual y se detecta en diez segundos. Tercero, dar el contexto propio en vez de pedir el dato: si le pasás tu lista de precios, no puede inventarla; si se la preguntás, puede. Cuarto, escribir en las instrucciones o en el prompt que avise cuando no tiene el dato en lugar de estimarlo. Es la diferencia entre usar IA a ciegas y usarla con criterio.
Ayuda en el margen, pero no resuelve el problema de fondo. Los modelos nuevos alucinan menos que los de hace un año y algunos citan fuentes verificables, así que elegir bien mejora el piso. Pero la brecha que muestran los datos no es de calidad de modelo: es de método. Una organización sin criterio de verificación va a desconfiar del mejor modelo del mercado igual, porque no tiene forma de distinguir cuándo la respuesta es sólida y cuándo no. Por eso conviene el orden inverso al habitual: primero el método y el criterio, después la discusión de qué herramienta conviene. Cambiar de herramienta sin cambiar el método es pagar dos veces por el mismo problema.
Por hacer explícito lo que hoy es implícito. Un ejercicio de una hora alcanza para arrancar: que cada área liste las tres tareas donde ya usa IA y, al lado, qué pasaría si esa salida estuviera mal. Ese cruce ordena todo, porque separa lo que se puede automatizar tranquilo de lo que necesita una persona que revise y firme. De ahí sale el material real de una capacitación —los casos son los de la empresa, no ejemplos genéricos— y también la lista de lo que conviene no delegar todavía. Es más barato y más rápido que comprar otra licencia, y es lo que convierte el 80% de adopción en resultados que alguien se anima a usar.
Si la Selección Argentina usa Gemini para ganar el Mundial, ¿qué excusa tiene tu empresa para no adoptar IA?
11 min de lectura
Argentina lidera América Latina en empleos de IA, según el ranking QS — pero la demanda le gana a la formación
8 min de lectura