Fernando Pérez Lizano — Director Académico Adjunto y Director del Programa Internacional de Inteligencia Artificial, PAD – Escuela de Dirección (Universidad de Piura)

Qué aprueba un directorio, qué mide y cuándo se detiene

Imaginemos una sesión de directorio de setiembre. En la carpeta hay una lámina con el presupuesto de tecnología del año siguiente y, dentro de esa lámina, una línea con la palabra inteligencia artificial. El monto no es grande: no compite con la ampliación de planta ni con la renovación de flota. Pasa casi sin discusión.

Casi. Un director pregunta cuánto se ejecutó el año anterior. La gerencia responde en segundos, porque ese dato existe y está en el sistema. El mismo director pregunta entonces qué devolvió ese gasto.

Sigue una pausa. No es la pausa de quien no tiene la cifra a mano: es la de quien nunca definió qué cifra había que tener. Alguien ofrece que los pilotos avanzaron bien. Alguien menciona que el equipo quedó más capacitado. Nadie miente y nadie responde. Al cabo de medio minuto la conversación vuelve al monto del año próximo, que es una pregunta que sí tiene respuesta, y la lámina se aprueba.

Esa pausa es el tema de este artículo. No es un problema de tecnología ni de talento. Es un problema de gobierno del capital, y admite instrumentos conocidos.

Lo que sabemos y lo que no se ha preguntado

Empecemos por lo que ya sabemos.

El Banco Central de Reserva del Perú incluyó en su Informe de la Encuesta Mensual de Expectativas Macroeconómicas de enero de 2026, publicado el mes siguiente, una consulta sobre inteligencia artificial dirigida a empresas de comercio, construcción, manufactura, minería e hidrocarburos y servicios. El resultado general: 49 % ya la utiliza. Por sectores, construcción encabeza con 64 %, seguida de comercio con 54 % y servicios con 51 %; minería e hidrocarburos llega a 45 % y manufactura cierra la tabla con 38 %.

Por su parte, EY Perú encuestó entre el 12 de enero y el 5 de marzo de 2026 a 250 miembros de directorio y alta gerencia de siete sectores económicos. Solo 10 % declaró que su empresa tiene una política de inteligencia artificial aprobada; 24 % asignó formalmente la supervisión a un comité y 18 % cuenta con protocolos de uso seguro y ético.

En un artículo anterior de esta serie sostuve que el Perú resolvió las capas regulatorias que dependen del Estado y dejó vacía la capa de verificación. Esta pieza se ocupa de una capa distinta y, en la práctica, anterior: la del dinero. Los datos que siguen están cortados al 5 de marzo de 2026, fecha en que cerró el trabajo de campo del último de los dos estudios.

La brecha entre esas dos cifras —adopción alta, gobierno bajo— ya fue diagnosticada, publicada y ampliamente comentada durante el primer semestre. No la voy a repetir. Me interesa otra cosa, que es lo que ninguno de los dos estudios preguntó: si algo de eso devuelve dinero. El estudio de EY Perú indaga por políticas, comités, protocolos, capacitación y especialistas; el del Banco Central, por adopción, usos, barreras y gasto previsto. Ninguno de los dos contiene una pregunta sobre retorno.

El problema no está en la medición, sino en el expediente de aprobación

Hay un dato en la encuesta del Banco Central que ha recibido poca atención en la discusión pública y que, a mi juicio, ordena todo el problema.

El sondeo pidió calificar los factores que limitan la adopción, en una escala de 0 a 5. La falta de personal con conocimientos y la falta de información clara sobre cómo aplicar la tecnología empataron en 2,3. La resistencia al cambio obtuvo 2,1; la incertidumbre legal y regulatoria, 1,9; las limitaciones de infraestructura, 1,8. El último lugar, con 1,4, lo ocupó la falta de recursos financieros o de acceso a financiamiento.

Es decir: el dinero es la barrera menos importante que declaran las empresas peruanas. Y sin embargo, 56 % de ellas señaló que no aumentará su gasto en inteligencia artificial en 2026 respecto del año anterior.

Hay que precisar qué mide ese ejercicio: son percepciones declaradas por las propias empresas, no una medición independiente de sus restricciones. Una compañía puede subestimar su limitación financiera o sobrestimar su brecha de talento. Aun con esa cautela, el orden relativo es informativo: cuando se pide a los directivos jerarquizar lo que los frena, el capital queda al final de la lista.

Cabe una objeción de peso: que la contención del gasto responda al ciclo y no al criterio. Ambos estudios recogieron sus datos en el primer trimestre, antes de las elecciones generales de abril; el argumento sería que, en un periodo preelectoral, las empresas contienen todos sus rubros y no solo este. Concedo el punto en cuanto al nivel del gasto previsto. No lo concedo en cuanto al orden de las barreras: una empresa efectivamente restringida por capital lo habría declarado como su principal limitación, con elecciones o sin ellas. Lo que zanjaría la discusión es una medición posterior a los comicios, y no dispongo de ninguna. Cuando el Banco Central repita el módulo, la comparación estará disponible y esta tesis quedará contrastada.

Esas dos cifras juntas no describen escasez. Describen una decisión. Las empresas no dejan de invertir porque no puedan; dejan de invertir porque no tienen cómo justificar que deban. Y no tienen cómo justificarlo porque evalúan estas iniciativas con el mismo expediente que usan para una planta, una flota o un centro de distribución: caso de negocio, valor actual neto, periodo de recuperación.

Ese aparato funciona bien para activos de flujo predecible. La inteligencia artificial no lo es. Se comporta como una cartera de opciones: la mayoría de las iniciativas no rinde, el valor se concentra en unas pocas, y buena parte del retorno de las que fallan es información sobre dónde no insistir. Exigirle a una opción el expediente de un activo produce dos errores simétricos, y ambos son caros.

Tres clases de iniciativa, tres expedientes distintos

La salida no es un indicador nuevo, y este artículo no va a entregar uno. No es una omisión: sostengo que el problema no es que falte una métrica, sino que se aplica un mismo criterio a inversiones de naturaleza distinta. La salida es dejar de tratar todas las iniciativas de inteligencia artificial como si fueran la misma cosa. En la práctica conviven tres, y cada una admite un tratamiento propio.

La primera es eficiencia. Un proceso conocido, con línea base medible, donde la tecnología reemplaza o acelera una tarea existente: conciliación de facturas, clasificación de solicitudes, extracción de datos de documentos. Aquí el caso de negocio convencional sí es exigible, y debería exigirse sin descuento. Si nadie puede decir cuál es el costo actual del proceso, el problema no es la inteligencia artificial.

La segunda es capacidad. Construye un activo reutilizable —un repositorio de datos ordenado, un modelo entrenado con información propia, un equipo que aprendió a desplegar— cuyo retorno no aparece en la iniciativa que lo financia, sino en la tercera o cuarta que lo usa. Pedirle valor actual neto a una capacidad es garantizar que nunca se construya.

La tercera es exploración. Una apuesta acotada cuyo entregable no es flujo de caja sino información: saber si algo funciona en el contexto específico de la empresa. Su presupuesto debe ser pequeño por diseño y su criterio de cierre, explícito desde el primer día.

Tabla 1. Régimen de aprobación diferenciado por clase de iniciativa. Los horizontes son orientativos, no valores medidos. Elaboración propia.

La clasificación errónea no ocurre por descuido. Ocurre porque el sistema de incentivos la premia. Una iniciativa de exploración presentada como iniciativa de eficiencia consigue aprobación más rápida, porque llega con un número —aunque ese número sea una estimación construida hacia atrás desde el monto que se quería pedir—. Una iniciativa de capacidad, en cambio, difícilmente prospera cuando se presenta como lo que es, porque su retorno depende de proyectos que todavía no existen. El resultado previsible es una cartera donde casi todo se declara eficiencia, casi nada se mide como eficiencia y nadie construye capacidad.

Hay una cuarta categoría que este marco deja fuera a propósito: el gasto que se hace para cumplir. Las inversiones que responden al plazo de cumplimiento que la normativa peruana de inteligencia artificial fijó al sector privado no se evalúan por retorno, porque no lo tienen. Se hacen porque no hacerlas tiene costo regulatorio, igual que una adecuación contable o una certificación obligatoria. Tratarlas como eficiencia obligaría a inventar un ahorro —la multa evitada— que es exactamente el número construido hacia atrás del que hablábamos hace un momento. Van en otra línea del presupuesto, con otro criterio de aprobación y sin pretender que devuelvan dinero.

El error más común, entonces, no es aprobar mal. Es no declarar a qué clase pertenece lo que se aprueba.

Qué debería exigir el directorio en cada clase o categoría

Clasificar no basta. Lo que convierte una cartera de apuestas en disciplina de capital es una regla de tres partes, y ninguna de ellas es sofisticada.

Primero, tramos. El monto no se aprueba completo: se libera por etapas, cada una condicionada al resultado de la anterior. Es exactamente lo que hace cualquier directorio con un proyecto de expansión que depende de un permiso pendiente.

Segundo, hito de verificación. Cada tramo tiene una fecha y una pregunta asociada, definidas antes de desembolsar. No «revisaremos el avance», sino «en marzo sabremos si el modelo clasifica correctamente ocho de cada diez casos, y ese es el requisito para el segundo tramo».

Tercero, criterio de cierre escrito antes de aprobar. Es el más incómodo de los tres: la condición bajo la cual la iniciativa se detiene, pactada cuando nadie tiene todavía nada que defender. Sin ese criterio, ninguna iniciativa muere nunca; simplemente se vuelve permanente, cambia de nombre en el presupuesto y sigue consumiendo capital y atención directiva.

El marco conceptual detrás de esta regla no es peruano ni es nuevo: es el planeamiento por descubrimiento que McGrath y MacMillan propusieron en 1995 para inversiones de alta incertidumbre. Lo declaro con todas sus letras porque no he encontrado evidencia peruana publicada sobre retorno de inteligencia artificial en empresas locales, y prefiero decir de dónde viene el instrumento antes que insinuar una base local que no tengo.

Lo que sí es local es el problema. Y también lo es el momento: esta regla se aplica en la sesión de presupuesto, no en un proyecto de gobernanza a dos años.

Dos errores simétricos

Sin esa clasificación, el directorio comete uno de dos errores. Normalmente comete los dos en la misma sesión.

El primero es descartar una opción por falta de caso. La iniciativa era de exploración o de capacidad, alguien pidió el valor actual neto, nadie pudo construirlo honestamente y la propuesta se archivó. El costo de este error es invisible porque no aparece en ningún estado financiero: es el aprendizaje que la empresa no compró.

El segundo es aprobar sin caso lo que sí admitía uno. La iniciativa era de eficiencia —proceso conocido, línea base disponible—, pero llegó envuelta en el lenguaje de la innovación y nadie exigió el número. Se financia, funciona más o menos, nadie mide, y al año siguiente se renueva porque cancelarla exigiría un argumento que tampoco se tiene.

Este segundo error es, en mi experiencia, el más frecuente y el más costoso. Una organización que aprobó sin criterio no puede demostrar después que algo funcionó; y sin esa demostración, no tiene con qué sustentar un aumento. Ofrezco esa cadena como interpretación, no como hallazgo: la encuesta del Banco Central registra que el capital no es la restricción y que la mayoría no ampliará su gasto, pero no indaga por las razones. Lo que sí permite descartar es la explicación más cómoda, que sería la falta de fondos.

Hoja de ruta: tres movimientos, con órgano y sesión

Los tres caben dentro del ciclo de presupuesto que se abre estas semanas, y cada uno tiene un responsable distinto. El calendario juega a favor: la mayoría de los directorios peruanos cierra presupuesto entre setiembre y noviembre, y esa ventana coincide este año con el vencimiento del plazo normativo, de modo que la cartera de inteligencia artificial va a llegar a la mesa de todas formas. La decisión no es si se discute, sino con qué criterio.

La gerencia, antes de la sesión de presupuesto: clasificar la cartera vigente. Listar todo lo que hoy se financia bajo el rótulo de inteligencia artificial y asignar cada línea a una de las tres clases. El ejercicio suele revelar que casi todo estaba en la tercera y se presentaba como si fuera la primera. En un país donde 66 % de las empresas que ya adoptaron la tecnología la usa principalmente para consultas mediante herramientas generativas, es previsible que buena parte de la cartera no sea inversión sino consumo de licencias. Lo cual está bien, siempre que se llame así y se presupueste como gasto corriente.

El comité de inversiones o, si no existe, el directorio, en la sesión de aprobación: fijar el hito y el criterio de cierre. Fecha y pregunta, por escrito, para cada iniciativa que pase al ejercicio siguiente, decididas antes de aprobar el monto y no después. Sin fecha no hay verificación; sin pregunta, la verificación se convierte en una presentación de avance.

El directorio, en la primera sesión del año: nombrar al responsable del reporte. No de la iniciativa: del reporte. Quién presenta, en qué sesión y contra qué criterio pactado. Mientras nadie tenga esa obligación agendada, la pregunta de la apertura seguirá produciendo la misma pausa.

Reflexiones finales

El Perú tiene hoy una fotografía razonablemente completa de su relación con la inteligencia artificial. Sabe cuántas empresas la usan, en qué sectores, para qué, qué las frena y cuánto piensan gastar el año próximo. Lo que no aparece en ninguna de esas mediciones es si algo de ese gasto devuelve dinero.

Esa ausencia no se resuelve con una política aprobada, aunque haga falta y aunque solo una de cada diez empresas la tenga. Una política define límites; no define cómo se asigna capital bajo incertidumbre. Son dos conversaciones distintas, y la segunda casi no ha empezado en el mercado peruano.

La buena noticia es que la segunda es más fácil que la primera. No requiere un especialista en el directorio, ni un comité nuevo, ni esperar a que el mercado madure. Requiere que, antes de aprobar la línea del próximo año, alguien pregunte a qué clase pertenece cada iniciativa y bajo qué condición se detiene. Es una pregunta de directorio. Y se puede hacer en setiembre.

Ideas fuerza

Primera. Un directorio no puede exigir certeza y experimentación con el mismo instrumento de aprobación. Cuando el criterio de evaluación no corresponde a la naturaleza de la inversión, la decisión no se encarece: se anula.

Segunda. Bajo incertidumbre, el aprendizaje es un entregable y debe presupuestarse como tal. Un piloto que descarta una hipótesis con evidencia no fracasó: entregó exactamente lo que se le encargó.

Tercera. Toda iniciativa sin condición de término pactada por adelantado acaba convertida en gasto estructural. Es probable que su directorio esté financiando hoy alguna, y que nadie sepa cuál.

Preguntas al directorio

1. De las iniciativas de inteligencia artificial que financiamos este año, ¿cuántas son de eficiencia, ¿cuántas de capacidad y cuántas de exploración? ¿Quién hizo esa clasificación y cuándo la aprobamos?

2. ¿Cuál de ellas tiene hoy, por escrito, la condición bajo la cual se detiene? Si ninguna la tiene, ¿sobre qué base decidiremos el año próximo cuál continúa?

3. Cuando aprobamos el presupuesto del año pasado, ¿definimos qué evidencia pediríamos doce meses después? Si no la definimos, ¿vamos a aprobar el de este año con la misma información con la que aprobamos aquel?

4. ¿Quién presentará al directorio, con fecha en el calendario, el resultado de esta cartera contra el criterio con el que se aprobó?

Referencias

Banco Central de Reserva del Perú. (2026). Informe de la Encuesta Mensual de Expectativas Macroeconómicas — Enero 2026 (Notas de Estudios del BCRP N.° 08). BCRP.

EY Perú. (2026). La IA ya está aquí. ¿Quién la gobierna? Resultados de la encuesta a Directores y Accionistas AI & Boards 2026. EY Perú.

McGrath, R. G., & MacMillan, I. C. (1995). Discovery-driven planning. Harvard Business Review, 73(4), 44–54.