La integración de inteligencia artificial (IA) en las agencias aduanales privadas suele abordarse desde la selección de herramientas, cuando su viabilidad depende también de condiciones organizacionales previas. Este artículo analiza, a partir de un estudio de caso cualitativo en una agencia aduanal privada, los factores que facilitan y dificultan una adopción sostenible de IA en procesos operativos. La investigación tuvo alcance exploratorio y descriptivo; utilizó entrevistas semiestructuradas, revisión documental, análisis de contenido, matrices de sistematización y comparación, triangulación, diagrama de Ishikawa y mapa de procesos. Los hallazgos muestran una relación entre mayor comprensión de la IA y mayor apertura al cambio; además, evidencian barreras culturales, técnicas, humanas, organizacionales y comunicacionales que se refuerzan entre sí. También se identificaron dependencias manuales, duplicidad de información, fragmentación de sistemas y brechas de trazabilidad en procesos como gestión documental, elaboración y transmisión de declaraciones y coordinación logística. La preparación organizacional se valoró como medio-baja, con una fortaleza relativa en la disposición del personal y una debilidad principal en la dimensión técnica. A partir de estos resultados se propone una ruta transferible de ocho etapas que articula diagnóstico, preparación del personal, priorización de procesos, fortalecimiento de capacidades, piloto, evaluación con indicadores, mejora continua y ampliación progresiva.
Artificial intelligence (AI) integration in private customs agencies is often approached as a matter of tool selection, even though its feasibility also depends on prior organizational conditions. Based on a qualitative case study conducted in a private customs agency, this article examines the factors that enable or hinder sustainable AI adoption in operational processes. The study was exploratory and descriptive and used semi-structured interviews, documentary review, content analysis, systematization and comparison matrices, triangulation, an Ishikawa diagram, and process mapping. Findings show that greater understanding of AI is associated with greater openness to change. They also reveal cultural, technical, human, organizational, and communication barriers that reinforce one another. Manual dependencies, duplicated information, fragmented systems, and traceability gaps were identified in document management, customs declaration preparation and transmission, and logistics coordination. Organizational readiness was assessed as medium-low, with a relative strength in employees' willingness to learn and a major weakness in the technical dimension. Drawing on these results, the article proposes an eight-stage transferable pathway that connects organizational diagnosis, workforce preparation, process prioritization, capability building, pilot implementation, indicator-based evaluation, continuous improvement, and progressive scaling.
El comercio exterior requiere rapidez de respuesta, exactitud documental, cumplimiento regulatorio y trazabilidad de la información. En este contexto, las agencias aduanales privadas articulan datos provenientes de clientes, transportistas, autoridades y plataformas tecnológicas.
La incorporación de inteligencia artificial no puede reducirse a la selección de herramientas, debido a que su viabilidad depende de procesos, datos, infraestructura, competencias, cultura, liderazgo y gobernanza.
El objetivo del artículo es analizar los factores organizacionales que facilitan y dificultan la integración de IA en agencias aduanales privadas y proponer, a partir de un estudio de caso cualitativo, una ruta de adopción gradual transferible a otras organizaciones del sector.
La inteligencia artificial puede apoyar tareas de reconocimiento de patrones, clasificación, predicción, extracción de información y automatización en ámbitos como revisión documental, análisis de riesgos, clasificación arancelaria, trazabilidad y priorización de expedientes.
La incorporación de IA modifica rutinas, responsabilidades y criterios de decisión, por lo que debe gestionarse simultáneamente como cambio tecnológico y organizacional.
La adopción tecnológica depende de la capacidad del personal para comprender las funciones, límites y responsabilidades asociadas con la IA. La capacitación debe incorporar alfabetización en IA, validación de resultados, seguridad, calidad de datos y gestión de excepciones.
Antes de automatizar es necesario comprender y ordenar los procesos existentes, identificar responsables, controles, duplicidades, excepciones y calidad de datos.
El enfoque integra cinco dimensiones interdependientes: personas, procesos, tecnología, cultura y estrategia.
El estudio adoptó un enfoque cualitativo, con alcance exploratorio y descriptivo y diseño de estudio de caso desarrollado en una agencia aduanal privada.
La organización participante fue anonimizada y la transferencia de resultados se plantea en términos analíticos y contextuales, no estadísticos.
Se procuró incorporar perspectivas de distintos niveles y funciones relacionadas con actividades administrativas, coordinación, supervisión y ejecución de procesos aduanales.
Se envió el censo a una población de 100 personas y se obtuvieron 75 respuestas efectivas. La información descriptiva fue utilizada como apoyo para identificar tendencias y recurrencias dentro del caso, sin aplicar pruebas estadísticas inferenciales ni desarrollar una fase cuantitativa independiente.
Las principales técnicas de recolección fueron entrevistas semiestructuradas y revisión documental. Los instrumentos utilizados fueron un guion de entrevista semiestructurada y una ficha de análisis documental.
La evidencia se analizó mediante análisis de contenido, matrices de sistematización y comparación, triangulación, diagrama de Ishikawa y mapa de procesos.
La investigación tuvo un alcance diagnóstico y propositivo. No incluyó la implementación de herramientas de IA ni la medición posterior de sus efectos.
El estudio identificó niveles no uniformes de conocimiento sobre IA. Las personas que mostraban mayor comprensión de sus aplicaciones tendían a manifestar mayor apertura al cambio, aunque esta relación se interpreta como un patrón del caso y no como prueba causal.
Se identificaron barreras organizacionales, culturales, de capacitación, técnicas y comunicacionales que se refuerzan mutuamente.
La revisión documental y el mapa de procesos evidenciaron dependencias manuales, transcripciones entre sistemas, duplicidad de datos, validaciones repetitivas y dificultades de trazabilidad en gestión documental, declaraciones y coordinación logística.
La valoración integrada ubicó la preparación organizacional en un nivel medio-bajo. La dimensión humana mostró una fortaleza relativa, mientras que la dimensión técnica constituyó la principal debilidad debido a la fragmentación de sistemas y dependencia de actividades manuales.
Entre los principales facilitadores se identificaron la disposición del personal para aprender, el conocimiento operativo especializado, la posibilidad de priorizar procesos repetitivos y controlables, el desarrollo de mecanismos de gobernanza y la orientación hacia la mejora continua.
Las dificultades se agrupan en barreras humanas y culturales, brechas de competencias digitales, fragmentación técnica, problemas de calidad y disponibilidad de datos y ausencia de mecanismos sólidos de gobernanza y estrategia.
La propuesta constituye el principal aporte aplicado del estudio y busca establecer las condiciones organizacionales necesarias para incorporar inteligencia artificial con control, trazabilidad y capacidad de aprendizaje.
El modelo se estructura mediante cuatro ejes transversales y una ruta operativa de ocho etapas.
Define patrocinio gerencial, responsables, reglas de decisión, comunicación interna, gestión de riesgos y mecanismos de seguimiento.
Busca documentar, estandarizar e integrar procesos, datos, controles y excepciones antes de automatizar.
Desarrolla rutas de aprendizaje según rol, formación en IA, calidad de datos, validación, seguridad y gestión de excepciones.
Incorpora indicadores, líneas base, seguimiento, lecciones aprendidas y acciones correctivas antes del escalamiento.
Establece una línea base mediante el mapeo de procesos, sistemas, datos, roles, competencias, barreras y riesgos.
Busca reducir incertidumbre, comunicar propósito, explicar usos y límites de la IA y construir comprensión compartida.
Prioriza casos de uso de acuerdo con repetitividad, volumen, calidad de datos, impacto, riesgo y capacidad de supervisión.
Documenta y estandariza procesos, depura datos, desarrolla integraciones mínimas, forma al personal y define controles.
Prueba la solución en un alcance limitado, reversible y bajo supervisión humana, registrando desempeño e incidencias.
Compara los resultados con la línea base para determinar si existe valor operativo sin debilitar el control.
Ajusta procesos, datos, capacitación, reglas y configuración antes de ampliar el alcance.
Extiende la solución únicamente cuando existen condiciones técnicas, humanas y de gobernanza demostradas.
La selección debe comenzar por el problema operativo y no por la herramienta. Deben valorarse frecuencia, volumen, tiempo, recurrencia de errores, disponibilidad y calidad de datos, riesgo regulatorio y capacidad de supervisión humana.
La gobernanza debe establecer derechos de decisión, responsabilidades, reglas de uso, mecanismos de revisión humana, controles de acceso, gestión de excepciones y procedimientos ante errores o fallos.
El modelo incorpora cuatro puertas de decisión: antes del piloto, durante el piloto, al cierre y antes del escalamiento. Estas permiten reducir, detener, ajustar o ampliar la iniciativa según evidencia y tolerancia al riesgo.
El seguimiento contempla cuatro perspectivas: operativa, humana, técnica y de datos y control. Los indicadores deben contar con definición, fuente, responsable, periodicidad y umbral de decisión.
La propuesta articula cinco dimensiones interdependientes: personas, procesos, tecnología, cultura y estrategia, entendiendo que la IA genera capacidad organizacional únicamente cuando estas dimensiones se conectan.
Los beneficios potenciales incluyen reducción de reprocesos, mayor trazabilidad, consistencia documental, fortalecimiento de competencias digitales y decisiones apoyadas en datos. Estos resultados se presentan como beneficios esperados y no como efectos garantizados.
La integración de inteligencia artificial en agencias aduanales privadas debe abordarse como una transformación organizacional y no únicamente como una adquisición tecnológica.
El estudio evidencia la interdependencia entre conocimiento, cultura, competencias, procesos, datos, infraestructura, comunicación y gobernanza.
La adopción debe comenzar por procesos priorizados, documentados y medibles, utilizando pilotos que permitan aprender, corregir y escalar únicamente cuando exista evidencia suficiente.
La preparación medio-baja observada en el caso respalda una estrategia gradual basada en diagnosticar, preparar, priorizar, fortalecer, pilotear, medir, mejorar y escalar.
Se recomienda comenzar con un diagnóstico de preparación organizacional, seleccionar uno o dos procesos prioritarios, establecer una estructura mínima de gobernanza y desarrollar capacitación diferenciada según roles.
Los procesos deben documentarse y estandarizarse y las fuentes de información deben depurarse antes de alimentar automatizaciones.
Los proyectos piloto deben contar con línea base, indicadores, criterios de aceptación y mecanismos de mejora continua antes de cualquier ampliación.