El Ciclo del Hype Tecnológico: Por Qué LATAM Siempre Llega Tarde al Aprendizaje
ERP, Big Data, blockchain, transformación digital, IA. El patrón es el mismo ciclo. Las organizaciones latinoamericanas no aprenden entre ciclos porque el problema no es tecnológico.
MIT Sloan Management Review publicó en enero de 2026 una predicción que pasó relativamente desapercibida entre los titulares sobre agentes de IA y automatización: la burbuja de IA comenzará a desinflarse este año. El AI agéntico, que fue el tema dominante de 2025, todavía no está listo para uso masivo. La IA generativa se reencuadrará como recurso empresarial, no como disruptor universal. Gartner ubica formalmente a la IA en el “Trough of Disillusionment” —la fase de desilusión de su curva del hype— durante 2026.
Para quienes llevan tiempo observando ciclos tecnológicos en organizaciones latinoamericanas, esta noticia no sorprende. Sorprende, en todo caso, que sigamos sorprendiéndonos. Hemos visto exactamente este ciclo con cada tecnología transformacional de las últimas tres décadas, y el patrón de adopción organizacional en la región es consistente de una manera que debería generar más preguntas de las que genera.
El ciclo que se repite
Cada ola tecnológica relevante de los últimos treinta años siguió, en contextos organizacionales latinoamericanos, una secuencia reconocible.
Fase 1: Adopción tardía del hype. La tecnología emerge en mercados más maduros —Estados Unidos, Europa, Asia— y genera resultados tempranos en organizaciones con condiciones específicas: capacidad técnica instalada, procesos documentados, datos limpios, estructuras de governance claras. Esos casos se amplifican en medios especializados y conferencias. Las organizaciones de la región empiezan a recibir presión de proveedores, consultores y directorios que leyeron los mismos artículos.
Fase 2: Inversión en el pico de expectativas. Las organizaciones que tienen presupuesto y presión para modernizarse invierten cuando la expectativa está en su punto más alto —y el precio de la implementación también. El proveedor es competente. El caso de negocio es optimista. El piloto se hace en condiciones favorables.
Fase 3: Colisión con la realidad organizacional. La implementación sale del laboratorio y choca con las condiciones reales: procesos no documentados, datos fragmentados, resistencia de áreas que pierden poder, ausencia de un sponsor con mandato real para tomar decisiones difíciles. Los resultados del piloto no se replican en producción.
Fase 4: Decepción y reducción de alcance. La iniciativa se ajusta, se reduce o se abandona silenciosamente. El proveedor culpa a la implementación; la implementación culpa al proveedor; la organización aprende que “estas tecnologías no funcionan aquí” y espera la siguiente ola.
Fase 5: La siguiente ola, con el mismo patrón. Tres o cuatro años después, llega la nueva tecnología con nuevas promesas. El ciclo reinicia.
Este ciclo no es exclusivo de LATAM. Gartner lo documenta globalmente con su Hype Cycle. Pero en la región tiene características amplificadas: la distancia entre la adopción temprana y la adopción masiva es mayor, el aprendizaje institucional entre ciclos es más débil, y la presión por demostrar modernidad —especialmente en organizaciones con accionistas o directorios internacionales— hace que la adopción sea más reactiva que estratégica.
Por qué el aprendizaje entre ciclos no ocurre
La pregunta más interesante no es por qué ocurre el ciclo. La pregunta es por qué las organizaciones no aprenden de él.
Una hipótesis frecuente es que es un problema de memoria institucional: las personas que vivieron el ciclo anterior ya no están, o están en posiciones diferentes, y el conocimiento sobre por qué el proyecto anterior falló no se transfirió. Hay algo de verdad en esto. Pero no es suficiente para explicar el patrón.
Una hipótesis más robusta es que el ciclo no se repite por ignorancia sino por incentivos. Los ejecutivos que aprueban proyectos tecnológicos no son evaluados principalmente por los resultados de largo plazo de esos proyectos; son evaluados por su capacidad de demostrar iniciativa estratégica, mantenerse relevantes ante el directorio y alinearse con lo que los pares de industria están haciendo. En ese sistema de incentivos, aprobar el proyecto es la decisión racional, independientemente de lo que haya pasado con el proyecto anterior.
Los proveedores tecnológicos tienen incentivos alineados con el inicio del proyecto, no con su resultado. Los consultores de implementación son evaluados por la calidad del despliegue técnico, no por el cambio organizacional sostenido. Los integradores entregan el sistema y se van. Nadie en el ecosistema tiene el incentivo de resolver el problema de fondo.
El problema de fondo es organizacional, no tecnológico. Y es el mismo en cada ciclo: la organización no tiene las condiciones internas para convertir la herramienta en una capacidad. Esas condiciones son documentación de procesos, calidad de datos, ownership ejecutivo real, estructura de governance funcional, y cultura de medición de resultados. Ninguna de ellas viene incluida en la licencia de software.
El costo de llegar siempre en el punto de expectativas máximas
Hay un costo económico concreto en adoptar tecnología en el pico del hype que raramente se calcula. En ese momento, los precios de implementación son más altos, los consultores con experiencia real son escasos y cobran en consecuencia, y la competencia por talento técnico es más intensa. Las organizaciones que entran en el ciclo tardío —cuando la tecnología ya está en el plateau de productividad— pagan menos, tienen acceso a implementadores más experimentados y pueden aprender de los errores documentados de los que llegaron primero.
BCG documentó que las organizaciones “future-built” —el 5% que captura valor real de la IA— no son necesariamente las que adoptaron primero. Son las que construyeron las condiciones organizacionales correctas antes de escalar. Primero invirtieron en procesos, datos y governance. Luego escalaron la tecnología sobre esa base.
PwC identificó el mismo patrón desde otra dirección: las organizaciones que distribuyen iniciativas de IA en modo “crowdsourcing” —donde cada área lanza sus propios proyectos— generan números de adopción impresionantes pero rara vez producen transformación medible. Las que concentran inversión en pocos procesos de alto impacto, con mandato top-down y métricas de negocio claras, son las que obtienen resultados.
Ninguna de estas dos observaciones requiere estar en el pico de adopción tecnológica. Requieren rigor en el diagnóstico organizacional previo.
El momento actual como oportunidad, no como amenaza
La predicción de MIT Sloan y Gartner sobre el desinflado de la burbuja de IA en 2026 no es una mala noticia para las organizaciones latinoamericanas que todavía no han escalado sus iniciativas. Es, potencialmente, una oportunidad.
Durante la fase de desilusión, ocurren varias cosas que son útiles para el adoptante tardío con buenas bases. Los precios de implementación se normalizan. Los proveedores que sobreviven la desilusión son los que tienen metodologías probadas y casos de uso reales. El talento técnico se distribuye más ampliamente porque las organizaciones que apostaron todo al hype reducen equipos. Y —más importante— hay suficiente evidencia de lo que funciona y lo que no como para no repetir los errores de los adoptantes tempranos.
La pregunta para las organizaciones de la región que están evaluando sus estrategias de IA en 2026 no es “¿estamos llegando tarde?”. Es “¿tenemos las condiciones organizacionales para que esto funcione?”.
Si la respuesta a la segunda pregunta es sí —procesos documentados, datos confiables, ownership ejecutivo real, governance funcional— entonces el momento de entrada es secundario. Las organizaciones con esas condiciones pueden entrar ahora y ejecutar bien.
Si la respuesta es no, entrar ahora simplemente garantiza repetir el ciclo. Y el siguiente ciclo, con la siguiente tecnología, llegará antes de que esta inversión haya rendido lo que prometía.
La pregunta que nadie hace en el directorio
En las presentaciones que típicamente se hacen a directorios sobre adopción de tecnología, la pregunta central suele ser “¿cuánto estamos invirtiendo comparado con la competencia?” o “¿qué están haciendo los líderes del sector?”. Esas son preguntas de posicionamiento relativo. Son preguntas de reputación, no de capacidad.
La pregunta que raramente se hace —y que determina más el resultado— es “¿qué tiene que ser diferente en nuestra organización para que esta tecnología produzca el impacto que esperamos?”. Esa pregunta no tiene respuesta cómoda. Y su incomodidad explica, en buena medida, por qué el ciclo se repite.
Conclusión
El desinflado de la burbuja de IA en 2026 no es una crisis para las organizaciones que construyeron bien sus bases. Es una oportunidad para diferenciarse de las que invirtieron en el hype sin invertir en las condiciones. El patrón histórico de adopción tecnológica en LATAM muestra que llegar tarde con las bases correctas produce mejores resultados que llegar temprano sin ellas.
La tecnología cambia. El patrón organizacional que determina si una organización captura valor de ella permanece sorprendentemente estable. Resolver ese patrón es la inversión que no se deprecia.
Referencias
- Davenport, T. H., & Bean, R. (2026, enero). Five Trends in AI and Data Science for 2026. MIT Sloan Management Review.
- Gartner. (2026). Hype Cycle for Artificial Intelligence. Gartner Research.
- Christian & Timbers. (2026). Why Does Gartner Describe 2026 as a Trough of Disillusionment Year for AI?
- BCG. (2025, septiembre). The Widening AI Value Gap. Análisis de más de 1,250 empresas.
- PwC. (2026). AI Business Predictions 2026. PwC US Tech Effect.
- McKinsey & Company. (2025). The State of AI in 2025. Global survey, n=1,993.
- Rogers, E. M. (2003). Diffusion of Innovations. 5th Edition. Free Press.