Computer vision consultor en LATAM: qué se contrata en 2026 — y a quién le sale caro

Resumen en un minuto

Hoy en mi inbox: «necesitamos computer vision para 47 góndolas en Lima, presupuesto USD 40k». A los 30 minutos queda claro: el cliente no tiene catálogo SKU centralizado, el out-of-stock se trackea en un Excel que el merchandiser llena dos veces por semana. Aquí CV no resuelve nada — paga de más por algo que no existe.

Esta nota es el mapa real del mercado de computer vision consultor en Latinoamérica en 2026: cifras por país, sectores que sí pagan, fallos típicos, escenarios que funcionan y presupuestos honestos.

• Mercado AI en LATAM: CEPAL y McKinsey coinciden en USD 3–5 mil millones en 2026, crecimiento de 28–34% interanual. Computer vision toma 18–22% del total.
• Quién compra: cadenas retail, QSR, minería, agritech, security. El 90% del gasto se concentra en cuatro países: Brasil, México, Colombia y Chile.
• Qué hace un consultor real: no vende una red neuronal. Vende la integración del pipeline con el ERP/POS/SCADA existente — si no, el modelo corre en vacío.
• Ticket de entrada: USD 25k–80k para un pilot en una sola sede, USD 80k–300k para deployment multi-locación.
• Bloqueadores principales: compliance de privacidad (Ley 29733 en Perú, LFPDPPP en México, LGPD en Brasil), infraestructura edge (sin fibra en mina o en finca), costo de GPU y de operadores.
• Tiempo a pilot: 6–12 semanas hasta primeras métricas. Quien promete «producción en 4 semanas» vende hype.

Si vienes evaluando contratar a un consultor — o eres uno y quieres calibrar tu propuesta — esta nota complementa el framework de contratación para ML consultor en LATAM con la capa específica de visión.

Por qué el mercado de CV en LATAM crece más rápido que en EE. UU.

Paradoja de 2024–2026: en Estados Unidos el crecimiento del mercado de computer vision se desaceleró a 14–17% interanual (mercado maduro), mientras que en Latinoamérica se mantiene en 28–34% interanual. La explicación combina base baja con tres drivers estructurales.

#1. El costo laboral sube más rápido que la inflación

En Chile el salario mínimo pasó de CLP 410.000 en 2022 a CLP 500.000 en 2024. En Colombia subió de COP 1.300.000 en 2022 a COP 1.423.500 en 2025 (~12% interanual). El turno de un guardia que reposiciona cámaras o de un merchandiser que fotografía góndola cuesta hoy 30–40% más que en 2021. El punto de equilibrio de una cámara con detección automática se cruzó hace rato para una porción creciente de operaciones.

#2. Volumen de facturación electrónica → madurez digital

Para 2026, los 10 países del bloque (PE, CL, CO, AR, MX, PY, EC, UY, PA, CR) exigen factura electrónica al 100%. Eso significa que millones de PYMEs ya tienen ERP, master-data y APIs corriendo en producción. Sin esa base, los proyectos de CV son técnicamente inviables. La factura electrónica funciona como piso desde donde CV se empuja hacia arriba — el panorama por país está bien resumido en este análisis de infraestructura de datos para PYME LATAM.

#3. La inflación de GPU corre por detrás de la inflación regional

El precio de las GPU NVIDIA L4 y A10 subió 15–20% en Estados Unidos desde 2023, pero en LATAM la disponibilidad de data centers regionales (AWS São Paulo, GCP Santiago, Azure México) frenó la subida local. Un NVIDIA Jetson Orin Nano se consigue en Perú por ~USD 1.500 y en México por ~USD 1.300. Eso ya entra en bolsillo de un retail mid-market.

En conjunto: CV salió del laboratorio enterprise y aterrizó en PYME. Ahí arranca el trabajo real del consultor — en el cruce entre una tecnología accesible y procesos que todavía no están listos para recibirla.

Qué hace realmente un computer vision consultor (no lo que promete)

Cuando el cliente escribe «necesitamos computer vision» casi nunca se refiere a una red neuronal de investigación. Se refiere a una de cinco cosas concretas — y la sorpresa suele estar en cuál.

#1. Pipeline de inferencia sobre modelos pre-entrenados

El 80% de los proyectos comerciales de CV en LATAM usa modelos abiertos: YOLOv8/v9 para object detection, Florence-2 o LLaVA-1.5 para tareas vision-language, PaddleOCR para OCR, MediaPipe para pose estimation. El consultor elige el modelo según la tarea, lo re-entrena con 500–5.000 imágenes locales (transfer learning) y lo embebe en un pipeline de producción. La novedad rara vez está en el modelo.

#2. Data pipeline y labeling workflow

Es la parte que subestima todo cliente nuevo. Para entrenar un detector sobre tu góndola específica con productos «Inca Kola 1.5L» y «San Luis 625ml» juntos, hacen falta 2.000–5.000 imágenes etiquetadas. El labeling cuesta USD 0.10–0.30 por objeto en LATAM (Workana, Toloka, agencias en Lima, Bogotá, CDMX). Eso son USD 200–1.500 por proyecto. Saltarse este paso es el primer motivo de fracaso silencioso.

#3. Orquestación edge ↔ cloud

¿Dónde corre la inferencia: en el dispositivo en tienda o en la nube? La decisión depende de latencia (real-time vs batch), bandwidth (¿hay LTE o fibra en cada punto?) y costo. Compromiso típico en LATAM: inferencia en el edge (Jetson o Coral TPU) y agregación en cloud (BigQuery, ClickHouse). Esa arquitectura la diseña el consultor antes de tocar una línea de modelo.

#4. Integración con el stack operativo

La salida de CV es un JSON con coordenadas y labels. Para que aporte ROI hay que conectarlo a ERP (Odoo, SAP), POS (Square, Loyverse), WMS (Manhattan, Mecalux) o SCADA (Wonderware, Ignition). El 60% de la dificultad del proyecto vive en esta capa. Un audit Odoo de 50 puntos antes de iniciar el proyecto te ahorra tres meses de sorpresas.

#5. Compliance de privacidad y change management

Cámara en tienda → datos personales. Cámara en oficina → biometría. Cámara en zona productiva → datos de trabajadores. En Perú la Ley 29733 y su Reglamento (D.S. 003-2013-JUS) exigen aviso explícito y consentimiento opcional. En México la LFPDPPP exige aviso de privacidad visible en zona de videocaptura. En Brasil la LGPD (Ley 13.709) impone los requisitos más duros, con multas hasta 2% del revenue. Argentina regula vía AAIP bajo Ley 25.326. El consultor diseña la arquitectura para no cruzar la línea — y eso muchas veces significa procesamiento local sin guardar el raw frame.

Cuándo CV funciona, cuándo no, cuándo es directamente innecesario

Esta es la sección más importante de la nota. Mi estimación: el 70% de los pedidos de CV nunca debió convertirse en proyecto de CV. Cinco escenarios — tres que funcionan, dos que no.

Escenario A (funciona): QSR speed-of-service con carga medible

Dado: cadena de 30+ restaurantes, datos POS de tiempo orden→entrega, kitchen layout fijo, velocidad de servicio como KPI principal. Cámaras CV (1–2 por punto) miden timing por estación: «inicio de cocción», «topping», «empaque», «entrega». Resultado: foto en tiempo real de los cuellos de botella. ROI: 8–14 meses. Caso público: Dodo Pizza, sistema desplegado en 700+ puntos en Europa del Este y Latinoamérica.

Escenario B (funciona): retail shelf monitoring + auto-replenishment

Dado: retailer con 20+ tiendas, ERP con módulo de inventario, estándar de planograma centralizado. Cámaras CV (1 por shelf section, 4–8 por tienda) detectan out-of-stock en realtime, generan ticket en Odoo Helpdesk e inician transfer desde RDC. Funciona porque cierra el loop completo: detection → action → resolution. Walmart, Carrefour y Falabella tienen pilotos públicos en esta categoría.

Escenario C (funciona con asterisco): mining safety — wearable y zone monitoring

Dado: empresa minera (Codelco, Antofagasta Minerals, Buenaventura, Cerro Verde) con CV que detecta ausencia de EPP (casco, lentes) o intrusión en safety zones. Funciona, pero solo si existe un SLA con el centro de operaciones — la alerta sin reacción es ruido caro. En Perú y Chile ya es estándar para minera grande. PYME no aplica: la escala no cierra.

Escenario D (no funciona): «CV en vez de arreglar un proceso roto»

Cliente: «nos roban mercadería, pongamos CV». Si no existe inventory control (no se cuenta el stock semanalmente), no hay videoarchivo (no se puede revisar el incidente) ni proceso HR para accionar — CV no resuelve nada. Primero se fija el proceso, después se pone tecnología. Saltar este orden quema el budget y deja al CTO explicando por qué la cámara «no funcionó».

Escenario E (innecesario): analítica con volumen bajo

PYME con 1–3 sucursales, hasta 200 clientes por día, sin ERP. Venderles CV es facturar de más por algo que después nadie opera. La respuesta honesta: Power BI sobre datos POS. Cuesta USD 3k–8k y resuelve el 80% de lo que el cliente realmente necesita ver.

Un consultor que vale lo dice así: «esto no lo necesitas». Y no pierde el proyecto — entra con: hay un roadmap de tres pasos, Excel → BI → CV. Hoy estás en el paso 0. Hagamos el paso 1 por USD 5k y volvemos al CV dentro de ocho meses».

Errores típicos al contratar a un computer vision consultor

#1. Comprar el modelo en vez del pipeline

«Necesitamos YOLOv9 para distinguir nuestros productos» — ese pedido ya viene mal armado. YOLOv9 es la herramienta, no el resultado. Pregunta mejor: «esta es una foto de mi góndola en Cusco a las 17:00 — ¿qué dirías del nivel de Pilsen Callao 650ml?». Si el consultor responde «vamos a etiquetar 3.000 fotos y entrenar un detector», es un plan real. Si responde «tengo un modelo universal que reconoce todo», es marketing.

#2. Ignorar el costo de labeling

USD 30k para desarrollo y USD 0 para etiquetado es el split más común — y el más lento de cobrar. Termina con la asistente del PM etiquetando los fines de semana, calidad pobre, modelo que no funciona, proyecto cancelado. Split realista: 30% desarrollo e integración, 25% labeling, 20% infraestructura (cámaras, edge devices), 15% privacidad y compliance, 10% change management y training.

#3. Edge sin plan para escenario offline

En Perú, Colombia y el norte argentino los cortes de internet son frecuentes. Si el pipeline de CV depende críticamente de llamadas a cloud, en el momento del corte la línea se cae. Cualquier sistema CV grado-producción en LATAM debe operar en degraded-mode: inferencia en edge con buffer local de resultados, sincronización cuando vuelve la red.

#4. Privacidad sin aviso oficial

En Perú instalar una cámara con reconocimiento facial sin notificar a la Autoridad Nacional de Protección de Datos Personales y sin cartelería visible en zona de captura tiene multa de hasta 100 UIT (~S/ 535.000 en 2026, USD ~140.000). En México el INAI puede aplicar hasta 320.000 UMA. En Brasil hasta 2% del revenue por incidente. La PYME suele pensar «¿quién nos va a fiscalizar?» — hasta que un trabajador presenta denuncia.

#5. Calcular GPU solo para inferencia

La GPU de inferencia cuesta ~USD 200/mes en cloud o USD 1.500 one-time en edge. Pero la GPU de training cuesta USD 5k–20k por iteración. Si el cliente necesita un modelo entrenado con su data y hay que iterar varias veces, el presupuesto de GPU es bastante más alto. Un consultor honesto lo dice al inicio.

Caso anónimo: implementación de CV en una cadena QSR

Dado: cadena latinoamericana de 45 puntos estilo fast-casual (hamburguesas y ensaladas), revenue ~USD 28M/año, ticket promedio USD 8, throughput medio de 280 órdenes/día/punto. KPI principal: speed of service (SoS). Punto de partida: 11 min 40 s promedio. Target: ≤9 min.

Qué hicieron: 2 cámaras por cocina (una en estación de preparación, otra en entrega), un NVIDIA Jetson Orin Nano por punto. Modelo: YOLOv8 fine-tuned para object detection (hamburguesa, plato, empaque) más un tracker custom para el paso del objeto por las etapas. Pipeline: detection → stage → POS-mapping → BigQuery → Looker dashboard al gerente de tienda. Pilot: 3 puntos, 8 semanas. Rollout a las 45 sedes: 16 semanas adicionales.

Lo que no funcionó al primer intento: el primer modelo daba 23% de falsos positivos en «hamburguesas dobles» (dos porciones en un plato). Hubo que etiquetar 1.200 fotos adicionales solo para ese escenario. Total de labeling: 6.300 objetos, USD 1.890.

Lo que salió a producción: SoS promedio bajó a 9 min 18 s al sexto mes posterior al rollout total. Los datos CV se integraron a staffing optimization — los puntos con días recurrentes ≥11 min sumaron una persona adicional al turno. ROI directo: caída del 4% en customer churn, suba del revenue por sede de USD 42k/año. Recupero de pilot + rollout (~USD 165k): 11 meses.

Lo decisivo: ni el modelo ni las cámaras. Lo decisivo fue que cada gerente de tienda recibió un dashboard con contexto operativo concreto — «tu estación de topping corre 38% más lento que la media entre 12:30 y 13:45». Sin ese loop operativo, el sistema se hubiera quedado en juguete caro.

Checklist antes de iniciar un proyecto de CV

Antes de pagar el primer dólar a un consultor, responde estas 10 preguntas. Si en 4 o más no tienes respuesta concreta, no estás listo para CV — necesitas un paso atrás (limpiar master-data, montar BI, ordenar procesos) y volver dentro de seis meses.

1. ¿Qué métrica de negocio quieres mover (SoS, OOS rate, shrinkage, yield)?
2. ¿Cuál es el baseline numérico de esa métrica hoy? ¿De dónde sale?
3. ¿Quién y cómo va a accionar sobre la alerta del sistema CV?
4. ¿Tienes ERP, POS o WMS donde aterrice el resultado? ¿Hay API?
5. ¿Cuál es tu presupuesto de labeling (mínimo USD 200, realista USD 1.000–5.000)?
6. ¿Qué infraestructura de red tiene cada sede del deploy? ¿Qué pasa si se cae?
7. ¿Cuál es tu marco de privacidad? ¿Quién es el DPO en la empresa?
8. ¿Quién dentro de la empresa va a tomar ownership del proyecto post-implementación?
9. ¿Qué estás dispuesto a cambiar en los procesos si los datos CV muestran un problema?
10. ¿Cuál es tu timeline de expectativa hasta primeros resultados? (Si es menos de 12 semanas, no es realista.)

Descarga el checklist completo de 47 puntos con ejemplos de cálculo de ROI →

Marcos de privacidad por país — la tabla que pocos consultores muestran

Antes de elegir consultor, exige claridad sobre cómo va a tratar la capa regulatoria de cada país donde despliegues. Esta tabla resume los puntos no negociables en 2026.

Si tu consultor no tiene una respuesta cerrada para cada fila aplicable a tu deployment, el proyecto está en riesgo legal antes de empezar.

Cierre: dónde encontrar reality check

Computer vision consultor en Latinoamérica en 2026 no es una profesión sobre «redes neuronales». Es una profesión sobre coser tres capas que casi nunca encajan: el proceso operativo del cliente (caótico), la infraestructura digital (fragmentaria) y el marco de privacidad (ignorado). Quien vende el modelo vende envoltorio. Quien vende la integración vende un ROI medible.

Si eres PYME y evalúas iniciar CV: pasa el checklist de arriba, calcula labeling, habla con al menos dos consultores con casos reales de deployment, no creas la promesa de «producción en 4 semanas».

Si eres enterprise: invierte 2 semanas en discovery con el consultor antes de firmar contrato grande, no pagues contratos importantes antes de tener un pilot funcionando, exige ownership de la tecnología (código fuente, pesos del modelo) tras el pago total. El framework completo de contratación para AI consultor en LATAM aplica casi entero a CV — la diferencia clave es la capa de cámara, edge y privacy.

Preguntas frecuentes