La adopción de inteligencia artificial en México avanza a dos velocidades. Mientras los medios y las telecomunicaciones ya incorporan estas herramientas en casi una de cada cinco empresas, el suministro de electricidad, agua y gas natural permanece en el último lugar del ranking sectorial, con una penetración de apenas 5.7 por ciento. La diferencia no es un detalle estadístico: revela que los sectores más críticos para la vida cotidiana y la seguridad económica del país son también los que enfrentan mayores dificultades para modernizar sus procesos.
Los datos fueron presentados durante el foro “México Inteligente-La adopción de Inteligencia Artificial en tres sectores estratégicos”, organizado a partir de estudios del Centro México Digital. El análisis mide el porcentaje de empresas que utilizan IA y compara su retorno económico y sus obstáculos estructurales. En el extremo opuesto al agua y la electricidad se encuentra el sector de medios y telecomunicaciones, con una adopción de 18.7 por ciento, más del doble del promedio nacional, situado en 8 por ciento.
La distancia internacional es todavía mayor. México se encuentra 38.6 puntos porcentuales por debajo del promedio de adopción registrado entre los países de la Organización para la Cooperación y el Desarrollo Económicos, que alcanza 57.3 por ciento. Sin embargo, las cifras requieren una lectura cuidadosa: medir si una empresa usa IA no equivale a saber cuánto valor obtiene de ella, si la emplea en tareas estratégicas o si apenas realiza pruebas aisladas. El rezago, por tanto, puede ser más profundo en productividad que en simple disponibilidad tecnológica.
El dato más preocupante no está en las telecomunicaciones
La primera conclusión es aparentemente paradójica: el sector que más necesita continuidad operativa, mantenimiento preventivo y capacidad de respuesta es el que menos está incorporando IA. Redes eléctricas, plantas de tratamiento, sistemas de distribución de agua y cadenas de suministro de gas generan grandes volúmenes de información: consumos horarios, presión, temperatura, calidad del agua, fallas, interrupciones y patrones de demanda. En teoría, ese entorno es especialmente propicio para algoritmos de predicción y optimización.
El problema es que disponer de datos no significa tener datos utilizables. Muchas entidades operan con sistemas antiguos, bases fragmentadas y sensores insuficientes. En una red de agua, por ejemplo, un modelo capaz de anticipar fugas necesita registros históricos consistentes, medición sectorizada y comunicación en tiempo real. Si el operador desconoce con precisión qué ocurre en cada tramo de la red, la IA no corrige la deficiencia: la oculta detrás de una predicción aparentemente sofisticada.
En electricidad sucede algo similar. La incorporación de fuentes renovables, la generación distribuida y la electrificación del transporte vuelven más compleja la gestión de la demanda. Una plataforma de IA podría ayudar a pronosticar cargas, identificar anomalías y equilibrar recursos, pero su eficacia depende de la calidad de los medidores, de la interoperabilidad entre sistemas y de la capacidad de los operadores para actuar sobre las recomendaciones. El rezago tecnológico no es solamente una carencia de software; es una consecuencia de años de inversión insuficiente en infraestructura digital y gobernanza de datos.
La primera brecha es organizacional, no algorítmica
Un segundo hallazgo se desprende de la comparación sectorial: la adopción de IA parece avanzar primero donde los procesos son digitales por naturaleza y donde el retorno puede observarse con rapidez. Medios y telecomunicaciones trabajan con grandes volúmenes de información, usuarios conectados y operaciones que ya pasan por plataformas digitales. Automatizar atención al cliente, segmentar audiencias, detectar fraude o predecir fallas en una red puede producir resultados medibles en meses.
El agua y la electricidad enfrentan ciclos de inversión más largos, regulación intensa y activos físicos que pueden operar durante décadas. Una empresa de telecomunicaciones puede actualizar un sistema en la nube con relativa rapidez; una compañía eléctrica no puede modificar de la misma manera una subestación, una red de distribución o un protocolo de seguridad. Además, una interrupción en un servicio esencial tiene costos sociales y políticos mucho mayores que el fallo de una herramienta comercial.
Esta diferencia explica por qué el porcentaje de adopción no debe interpretarse como una carrera sencilla entre empresas innovadoras y empresas atrasadas. En los servicios públicos, la prudencia puede ser razonable cuando está en juego la continuidad del suministro. Pero la cautela se vuelve un problema cuando sirve para justificar la inmovilidad. La ausencia de pilotos controlados, estándares de datos y equipos especializados puede terminar elevando los costos de operación, las pérdidas técnicas y la vulnerabilidad frente a eventos extremos.
Una brecha de 38.6 puntos que revela un problema de escala
La comparación con la OCDE sitúa el desafío en otra dimensión. Si el promedio internacional de adopción alcanza 57.3 por ciento y el nacional apenas 8 por ciento, México no está enfrentando una diferencia marginal, sino una distancia de escala. El país corre el riesgo de convertirse en consumidor de soluciones desarrolladas en otros mercados, sin construir suficiente conocimiento local para adaptarlas a sus condiciones regulatorias, climáticas y operativas.
La brecha también puede ampliar las desigualdades entre grandes compañías y operadores pequeños. Las primeras tienen más posibilidades de contratar especialistas, invertir en nube y realizar proyectos experimentales. Los organismos municipales de agua, las empresas regionales y los proveedores con márgenes reducidos pueden quedar excluidos de esa transformación. En consecuencia, la IA podría mejorar el servicio en zonas con mayor capacidad financiera mientras deja intactos los problemas de fugas, cortes y baja calidad en regiones con menos recursos.
El impacto laboral merece una lectura menos simplista que la amenaza de sustitución. En estos sectores, la IA probablemente automatizará tareas de inspección, clasificación de incidencias y elaboración de pronósticos antes que reemplazar de manera masiva a técnicos y operadores. No obstante, cambiará el perfil de los puestos: se necesitarán trabajadores capaces de interpretar alertas, validar modelos y responder cuando las predicciones fallen. Si la capacitación no acompaña la inversión, la tecnología puede concentrar el conocimiento en proveedores externos y debilitar la autonomía operativa de las empresas mexicanas.
Quién gana y quién asume el riesgo
Para los usuarios, una adopción bien diseñada podría traducirse en menos interrupciones, detección temprana de fugas, mantenimiento más barato y tarifas más estables. Para las empresas, la promesa está en reducir pérdidas, optimizar inventarios y anticipar averías. Para los gobiernos, la IA ofrece una herramienta para supervisar contratos, detectar consumos anómalos y asignar inversiones con mayor precisión.
Pero cada beneficio tiene un reverso. Los consumidores pueden ser objeto de decisiones automatizadas sin saber cómo se calculan. Un sistema que identifique “consumos sospechosos” podría generar sanciones erróneas o afectar de forma desproporcionada a determinados barrios. En electricidad, los modelos de pronóstico pueden influir en compras de energía y en la planeación de cortes; en agua, pueden definir prioridades de reparación en comunidades con menor capacidad de presión política. La eficiencia no garantiza por sí misma equidad.
Los trabajadores y sindicatos también tienen motivos para exigir transparencia. Si un algoritmo recomienda reducir cuadrillas, modificar turnos o clasificar zonas de riesgo, la decisión no debe presentarse como neutral e inevitable. Es necesario conocer qué datos utiliza, con qué margen de error y quién responde por sus consecuencias. La responsabilidad no puede diluirse entre una empresa de tecnología, un operador público y una interfaz que simplemente “sugiere” acciones.
Los proveedores tecnológicos, por su parte, pueden impulsar la modernización, pero tienen incentivos para vender soluciones cerradas y difíciles de auditar. La dependencia de un solo fabricante genera riesgos de costos, continuidad y seguridad. Para México, la discusión no consiste únicamente en comprar más inteligencia artificial, sino en evitar que la digitalización de servicios esenciales produzca una nueva forma de dependencia tecnológica.
Tres decisiones determinarán si el rezago se reduce
La primera decisión es abandonar la idea de que la adopción se mide por el número de licencias contratadas. Un proyecto relevante debe vincularse con indicadores concretos: reducción de agua no contabilizada, disminución de pérdidas eléctricas, tiempo de reparación, calidad del suministro, consumo energético y número de interrupciones. Sin métricas de resultado, las empresas pueden anunciar innovación mientras mantienen intactos sus problemas centrales.
La segunda es construir una arquitectura mínima de datos antes de escalar algoritmos. Eso implica sensores confiables, catálogos comunes, protocolos de intercambio y reglas claras sobre propiedad, privacidad y conservación de la información. En los organismos públicos, la estandarización permitiría compartir desarrollos y evitar que cada municipio pague por soluciones incompatibles. En el sector privado, facilitaría la competencia entre proveedores y reduciría el riesgo de quedar atado a una plataforma.
La tercera consiste en priorizar casos de uso con beneficios operativos y bajo riesgo social. El mantenimiento predictivo de bombas, transformadores y tuberías puede ser un punto de partida más seguro que automatizar decisiones sobre tarifas, cortes o acceso al servicio. Los pilotos deben ser auditables, reversibles y evaluados por equipos independientes. Si un modelo falla, debe existir un procedimiento manual para corregirlo y una obligación de informar el incidente.
La oportunidad está en los problemas que México ya conoce
El país no necesita copiar de manera mecánica los modelos de adopción de las economías más digitalizadas. Sus mejores oportunidades pueden surgir de problemas locales: fugas en redes urbanas, robo de energía, conexiones irregulares, variaciones de presión, sequías, olas de calor y demanda eléctrica asociada a nuevas inversiones industriales. Resolver esos desafíos generaría un retorno más tangible que desplegar herramientas genéricas de productividad.
La relocalización de cadenas industriales añade presión. Nuevas plantas requieren electricidad confiable, agua suficiente y respuestas rápidas ante variaciones de consumo. Si los operadores no modernizan su capacidad de planeación, el país puede atraer inversiones productivas sin contar con servicios capaces de sostenerlas. La IA no sustituirá la ampliación física de redes ni resolverá por sí sola la escasez hídrica, pero puede mejorar la asignación de recursos y evitar que la infraestructura existente opere a ciegas.
En los próximos años, es razonable esperar una adopción desigual: primero en telecomunicaciones, finanzas y grandes empresas industriales; después en operadores de infraestructura con capacidad para financiar proyectos propios. El indicador nacional probablemente crecerá, pero esa mejora podría ocultar una concentración en pocas compañías. La prueba decisiva será si el sector de agua y electricidad supera el uso experimental y convierte la IA en una capacidad permanente, con personal propio, datos confiables y supervisión pública.
El riesgo de digitalizar sin gobernar
La ciberseguridad será uno de los principales límites. Conectar sistemas de control industrial, medidores y plataformas de análisis aumenta la superficie de ataque. Un incidente no solo podría exponer información de usuarios; también podría alterar presiones, desconectar circuitos o manipular señales operativas. Cuanto más automatizado sea el sistema, mayor será la necesidad de segmentar redes, actualizar equipos antiguos y probar planes de contingencia.
Existe además un riesgo de falsa precisión. Los modelos pueden producir pronósticos convincentes aun cuando los datos sean incompletos o estén sesgados. En un contexto de sequía, una predicción basada en patrones históricos puede fallar precisamente porque las condiciones actuales ya no se parecen al pasado. El cambio climático, el crecimiento urbano y la volatilidad de la demanda reducen la confiabilidad de extrapolar tendencias sin incorporar escenarios extremos.
La cifra de 5.7 por ciento debe leerse, por ello, como una señal de alerta y no como una invitación a adoptar tecnología sin condiciones. El rezago de agua y electricidad refleja una deuda acumulada de infraestructura, capacidades y regulación. Reducirla exige inversiones sostenidas, compras públicas más inteligentes, formación técnica y reglas que protejan a los usuarios. Si esas condiciones se cumplen, la IA puede convertirse en una herramienta para hacer más resilientes los servicios esenciales; si se ignoran, solo añadirá complejidad y nuevos puntos de falla a sistemas que ya enfrentan presiones críticas.
