{"id":43037,"date":"2026-06-23T13:58:00","date_gmt":"2026-06-23T13:58:00","guid":{"rendered":"https:\/\/www.iprofesional.com\/tecnologia\/458046-ia-corporativa-por-que-el-95-de-los-proyectos-falla-y-como-lograr-impacto-real"},"modified":"2026-06-23T13:58:00","modified_gmt":"2026-06-23T13:58:00","slug":"la-startup-argentina-que-busca-destrabar-la-ia-corporativa-con-datos-conectados-en-minutos","status":"publish","type":"post","link":"https:\/\/latecordoba.com\/index.php\/2026\/06\/23\/la-startup-argentina-que-busca-destrabar-la-ia-corporativa-con-datos-conectados-en-minutos\/","title":{"rendered":"La startup argentina que busca destrabar la IA corporativa con datos conectados en minutos"},"content":{"rendered":"\n
<\/div>\n

La inteligencia artificial<\/a> <\/strong>(IA) ya forma parte de la agenda de los directorios empresarios en la Argentina y en el exterior. Pero muchas compa\u00f1\u00edas todav\u00eda chocan contra una dificultad concreta: convertir esa promesa tecnol\u00f3gica en impacto medible sobre el negocio.<\/p>\n

Bruno Ruy\u00fa<\/strong>, fundador de la empresa Teramot, lo resumi\u00f3 ante iProfesional<\/strong> con la siguiente cifra: “El MIT (Instituto de Tecnolog\u00eda de Massachussets) public\u00f3 un estudio que deber\u00eda estar en el escritorio de todo CEO que analiza implementar inteligencia artificial en su empresa: el 95% de los proyectos corporativos no generan ning\u00fan impacto en el balance financiero”. Para el emprendedor rosarino, ese dato expone un problema frecuente: inversiones elevadas que no modifican los resultados reales de la organizaci\u00f3n.<\/p>\n

El origen de esa baja eficacia <\/strong>aparece en varios planos. Muchas empresas eligen proyectos con alto impacto visual, pero escasa profundidad operativa. Priorizan asistentes para gestionar vacaciones, bots de preguntas frecuentes de recursos humanos o herramientas para resumir correos. Son iniciativas atractivas para una presentaci\u00f3n interna, aunque rara vez alteran el funcionamiento central del negocio.<\/p>\n

Tambi\u00e9n pesa una tensi\u00f3n cultural: las \u00e1reas comerciales piden respuestas r\u00e1pidas, mientras que los equipos t\u00e9cnicos suelen optar por desarrollos propios desde cero, con costos altos y plazos extensos. Ruy\u00fa lo ilustr\u00f3 con un caso concreto: “Una empresa del mundo de los servicios financieros, despu\u00e9s de una conversaci\u00f3n con nosotros, decidi\u00f3 que su equipo t\u00e9cnico interno iba a construir algo parecido. Un a\u00f1o despu\u00e9s volv\u00ed a hablar con el CEO. El proyecto todav\u00eda no funcionaba. Se hab\u00edan gastado 800 mil d\u00f3lares. Con Teramot <\/strong>lo habr\u00edan tenido operativo en una hora”.<\/p>\n

El obst\u00e1culo de fondo es t\u00e9cnico<\/strong>. Los modelos actuales de inteligencia artificial<\/a> no siempre pueden trabajar con la complejidad de los datos que produce una corporaci\u00f3n todos los d\u00edas. Herramientas masivas como ChatGPT o Claude muestran un rendimiento destacado en textos, art\u00edculos, fotograf\u00edas o transcripciones. Su arquitectura proviene de un trabajo cient\u00edfico publicado por Google en 2017, pensado para comprender lenguaje humano convencional. El mundo empresario opera con otra l\u00f3gica.<\/p>\n

“El coraz\u00f3n de cualquier negocio no son textos ni im\u00e1genes, son bases de datos<\/span>. Millones de registros de ventas, inventario, clientes, producci\u00f3n, finanzas. Tablas enormes, con c\u00f3digos internos, con una l\u00f3gica espec\u00edfica de cada empresa y que no est\u00e1 escrita en ning\u00fan lado”, fundament\u00f3 el fundador de la compa\u00f1\u00eda rosarina.<\/p>\n

Para una inteligencia artificial de uso masivo, una etiqueta interna como “COD_PROD_047” no tiene significado propio. Ese conocimiento suele estar en la experiencia de los empleados, no en una documentaci\u00f3n disponible para el modelo. A eso se agrega una barrera de escala<\/strong>: los modelos generalistas no pueden abarcar, sin preparaci\u00f3n previa, el volumen de datos de una empresa grande. Ruy\u00fa lo compar\u00f3 con “pedirle a alguien brillante que resuelva un problema despu\u00e9s de leer solo dos p\u00e1ginas de un libro de mil”. All\u00ed se ubica el problema que Teramot afirma resolver.<\/p>\n

Un sistema nervioso digital para ordenar los datos empresarios<\/h2>\n

Teramot desarroll\u00f3 una plataforma capaz de construir en forma autom\u00e1tica un “data lakehouse<\/strong>“. En t\u00e9rminos simples, se trata de una capa centralizada que re\u00fane informaci\u00f3n dispersa y le da contexto. En una organizaci\u00f3n tradicional, ventas, recursos humanos, log\u00edstica y finanzas suelen generar datos en sistemas separados. Esa fragmentaci\u00f3n limita la reacci\u00f3n ante cambios del mercado. La propuesta de la empresa consiste en recibir esas se\u00f1ales, unificar registros, interpretar relaciones internas y ordenar la informaci\u00f3n en un repositorio com\u00fan.<\/p>\n

El valor aparece cuando esos datos dejan de verse por separado. Al cruzar ventas con env\u00edos e historial de clientes<\/strong>, una empresa puede detectar por qu\u00e9 determinados productos crecen en una regi\u00f3n durante ciertos meses o qu\u00e9 usuarios muestran se\u00f1ales de baja. “Esa informaci\u00f3n siempre estuvo ah\u00ed. Pero nadie la hab\u00eda conectado. Y cada nueva conexi\u00f3n genera conocimiento que antes no exist\u00eda en ning\u00fan lado. El sistema nervioso no solo transmite, aprende”, enfatiz\u00f3 Ruy\u00fa.<\/p>\n

El funcionamiento se apoya en un sistema propietario con m\u00e1s de 50 agentes de inteligencia artificial especializados<\/span>. “Si el data lakehouse es el sistema nervioso de la empresa, los agentes de Teramot son las neuronas”, ilustr\u00f3 el directivo principal de la empresa santafesina.<\/p>\n

Cuando una compa\u00f1\u00eda conecta sus servidores, un primer grupo de agentes explora el terreno inform\u00e1tico. Releva registros, identifica campos y detecta relaciones internas. <\/strong>Ese proceso ocurre de manera aut\u00f3noma, con agentes que observan el entorno de datos, plantean hip\u00f3tesis y las verifican hasta comprender la l\u00f3gica de la organizaci\u00f3n. Tambi\u00e9n documentan los hallazgos para facilitar el uso posterior por parte de los equipos humanos.<\/p>\n

Despu\u00e9s llega la etapa de limpieza<\/strong>. Muchas bases corporativas acumulan usuarios duplicados, errores de tipeo, fechas incompatibles y registros incompletos. Los agentes de Teramot detectan esas inconsistencias y las corrigen sin instrucciones manuales. Una tarea que hist\u00f3ricamente pod\u00eda demandar meses o a\u00f1os de ingenieros, arquitectos de software y consultores especializados, ahora se resuelve en plazos mucho m\u00e1s breves. Seg\u00fan la compa\u00f1\u00eda, la plataforma puede conectar bases heterog\u00e9neas en pocos minutos.<\/p>\n

\"Teramot<\/p>\n

Teramot comenz\u00f3 sus operaciones en Rosario.<\/p>\n<\/div>\n

IA generativa con contexto del negocio<\/h2>\n

Con los datos limpios y unificados, herramientas como ChatGPT o Claude <\/strong>pueden operar sobre informaci\u00f3n empresarial con mayor precisi\u00f3n. Teramot funciona como puente entre los modelos de lenguaje generativo<\/a> y los registros confidenciales de la compa\u00f1\u00eda. Ante una consulta del usuario, la plataforma interpreta el pedido, escribe las b\u00fasquedas en lenguaje inform\u00e1tico y recurre a las capas de informaci\u00f3n ya organizadas.<\/p>\n

De ese modo, el modelo recibe el contexto necesario para responder con datos propios de la empresa. Puede considerar normas internas, cat\u00e1logos de productos o particularidades contables <\/span>de cada sucursal. Consultas que antes exig\u00edan semanas de trabajo de analistas pueden resolverse con respuestas r\u00e1pidas y verificables. Procesos t\u00e9cnicos que demandaban meses pasan a ejecutarse con una carga operativa mucho menor.<\/p>\n

La empresa sostiene que esta automatizaci\u00f3n no apunta a reemplazar talento humano<\/strong>. Su foco est\u00e1 en liberar a los equipos de tareas repetitivas y permitir que dediquen m\u00e1s tiempo al an\u00e1lisis. Ruy\u00fa describi\u00f3 el problema as\u00ed: “El d\u00eda a d\u00eda de un analista de datos en la mayor\u00eda de las empresas hoy es frustrante de una manera muy particular. No porque no sepa lo que hace. Sino porque el 80% de su tiempo lo gasta en tareas que no tienen nada que ver con analizar. Limpia datos manualmente. Busca d\u00f3nde vive cierta informaci\u00f3n. Cruza planillas”.<\/p>\n

Con esa base automatizada, los analistas encuentran informaci\u00f3n depurada, sin duplicaciones y lista para trabajar<\/strong>. As\u00ed pueden concentrarse en patrones de consumo, modelos predictivos y oportunidades de mejora econ\u00f3mica. El rol cambia: dejan de responder solo preguntas sobre lo que ya pas\u00f3 y pasan a construir escenarios futuros con datos confiables.<\/p>\n

La compa\u00f1\u00eda tambi\u00e9n se\u00f1ala un efecto interno: menor fricci\u00f3n entre gerencias que necesitan respuestas urgentes y \u00e1reas t\u00e9cnicas sobrecargadas por tareas de ordenamiento manual. <\/span>“De repente el equipo de datos deja de ser el que frena y se convierte en el que habilita. Ese cambio de rol, de cuello de botella a motor de decisiones, es uno de los impactos m\u00e1s profundos que vemos en las empresas”, relat\u00f3 el CEO de la compa\u00f1\u00eda.<\/p>\n

Clientes corporativos, seguridad y planes para pymes<\/h2>\n

El modelo de Teramot despert\u00f3 inter\u00e9s en compa\u00f1\u00edas de gran tama\u00f1o. La empresa rosarina trabaja con clientes como Coca-Cola, Johnson & Johnson, La Caja y Grupo Sancor Seguros<\/strong>. Son organizaciones que exigen visibilidad sobre m\u00faltiples sucursales, integraci\u00f3n de plataformas heredadas y capacidad para detectar problemas operativos antes de que escalen.<\/p>\n

Ese tipo de clientes tambi\u00e9n demanda est\u00e1ndares altos de privacidad y control. Teramot obtuvo certificaciones como SOC 2 Tipo I y Tipo II. “Cuando fundamos Teramot en 2021, una de las primeras decisiones que tomamos fue esta: vamos a trabajar con los datos m\u00e1s sensibles de las empresas<\/strong>, y eso significa que la seguridad y la privacidad no pueden ser una caracter\u00edstica m\u00e1s del producto. Tienen que ser la base”, dijo Ruy\u00fa.<\/p>\n

La plataforma registra la trazabilidad <\/strong>de cada acci\u00f3n de sus agentes. Los datos pueden quedar en servidores del cliente o en la nube de Teramot, con encriptaci\u00f3n de punta a punta.<\/p>\n

La empresa santafesina asegura que su personal no accede a la informaci\u00f3n confidencial de las empresas usuarias<\/span>. Ruy\u00fa utiliz\u00f3 esa pol\u00edtica para responder a un temor habitual sobre el uso de IA en compa\u00f1\u00edas.<\/p>\n

“Hay que entender la diferencia entre dos cosas que parecen similares pero son completamente distintas. Una es la memoria de una conversaci\u00f3n. <\/strong>Otra cosa distinta es que un modelo modifique su red neuronal<\/a> a partir de lo que escucha. Eso implicar\u00eda reentrenar el modelo desde cero, un proceso que lleva meses de trabajo y cuesta millones de d\u00f3lares. No es algo que suceda en tiempo real. Los datos de tu empresa no terminan mezclados en el modelo general que usa otra empresa”, dijo.<\/p>\n

Otro punto de la propuesta es el acceso para empresas m\u00e1s chicas. Seg\u00fan Teramot, el mismo producto utilizado por grandes corporaciones tambi\u00e9n est\u00e1 disponible para pymes con planes desde 50 d\u00f3lares mensuales. Las compa\u00f1\u00edas conectan sus servidores a la herramienta web y acceden a los procesos aut\u00f3nomos de la plataforma. “El mismo producto que usan las empresas Fortune 500 est\u00e1 disponible desde 50 d\u00f3lares al mes<\/strong>. No una versi\u00f3n reducida, no un producto distinto. La misma infraestructura, la misma tecnolog\u00eda, el mismo nivel de autonom\u00eda”, detall\u00f3 el l\u00edder de la firma.<\/p>\n

\"Ejecutivos<\/p>\n

Ejecutivos de Teramot. En el centro, Bruno Ruy\u00fa, el CEO de la compa\u00f1\u00eda.<\/p>\n<\/div>\n

Capital, Endeavor y expansi\u00f3n regional<\/h2>\n

El crecimiento comercial de Teramot tambi\u00e9n tuvo impacto en su relaci\u00f3n con inversores. La compa\u00f1\u00eda reuni\u00f3 2,5 millones de d\u00f3lares mediante distintas rondas de capital<\/strong>. Adem\u00e1s, ingres\u00f3 al programa Scale Up de Endeavor, una iniciativa selectiva para compa\u00f1\u00edas con potencial de crecimiento en la Argentina.<\/p>\n

Ruy\u00fa explic\u00f3 el destino de esos fondos: “El destino del capital est\u00e1 completamente orientado a una sola cosa: crecer. Tres frentes en paralelo. Primero, equipo. Segundo, expansi\u00f3n geogr\u00e1fica: Brasil y Colombia <\/strong>est\u00e1n en plena tracci\u00f3n, M\u00e9xico es el pr\u00f3ximo mercado, y Estados Unidos est\u00e1 en el horizonte inmediato. Tercero, producto: el foco est\u00e1 en profundizar la autonom\u00eda de los agentes”.<\/p>\n

Con oficinas en Buenos Aires, Rosario y Sao Paulo<\/strong>, la empresa sigue de cerca la madurez tecnol\u00f3gica de los mercados vecinos. En la compa\u00f1\u00eda sostienen que los problemas de infraestructura y conectividad se repiten en Brasil, Colombia y la Argentina. Datos fragmentados y equipos recargados por tareas rutinarias aparecen como un patr\u00f3n com\u00fan.<\/p>\n

Las diferencias aparecen en la velocidad de adopci\u00f3n<\/strong>. Seg\u00fan la lectura de Teramot, las organizaciones brasile\u00f1as deciden con mayor rapidez, asignan m\u00e1s presupuesto a software avanzado y muestran mayor predisposici\u00f3n a innovar a gran escala. Para las empresas argentinas, ese contraste marca una advertencia: la competencia ya es regional y postergar la adopci\u00f3n de estas plataformas puede implicar p\u00e9rdida de terreno frente a compa\u00f1\u00edas de pa\u00edses vecinos.<\/p>\n

El futuro de la infraestructura de datos<\/h2>\n

La visi\u00f3n a cinco a\u00f1os de Teramot apunta a que su tecnolog\u00eda se convierta en una pieza b\u00e1sica de la infraestructura corporativa. Ruy\u00fa y su equipo de 24 profesionales <\/strong>buscan ir m\u00e1s all\u00e1 de la venta de licencias de software. El fundador vincula esa mirada con una experiencia acad\u00e9mica presencial en la Universidad de Stanford, que influy\u00f3 en su forma de pensar la compa\u00f1\u00eda.<\/p>\n

“Aprend\u00ed en Stanford <\/strong>algo que desde entonces gu\u00eda cada decisi\u00f3n que tomamos: una gran empresa es aquella que logra construir un sistema de funcionamiento que encuentra el camino solo. Donde cada decisi\u00f3n es una hip\u00f3tesis, cada resultado es un dato y cada error es un experimento que ense\u00f1a algo”, rememor\u00f3 el empresario. “Las empresas que construyen ese sistema no dependen de que alguien les diga a cada momento hacia d\u00f3nde ir. Se adaptan, aprenden y evolucionan solas. Y es exactamente lo que Teramot ayuda a construir en cada empresa que lo adopta”, reflexion\u00f3.<\/p>\n

El objetivo final de la compa\u00f1\u00eda es que m\u00e1s empresas latinoamericanas tomen decisiones basadas en evidencia interna<\/strong>, y no solo en intuici\u00f3n o inercia del mercado. Con analistas m\u00e1s enfocados en tareas de valor y con acceso a procesos aut\u00f3nomos de IA, Teramot busca que las bases de datos dejen de ser un activo subutilizado. La compa\u00f1\u00eda apuesta a un futuro en el que la eficiencia corporativa dependa menos de proyectos largos y costosos, y m\u00e1s de informaci\u00f3n conectada, confiable y disponible a tiempo.<\/p>\n","protected":false},"excerpt":{"rendered":"\n

<\/div>\n

El objetivo final de la compa\u00f1\u00eda es que m\u00e1s empresas tomen decisiones basadas en evidencia interna, y no solo en intuici\u00f3n o inercia del mercado.