Por Mariluz Rodríguez - Gerente Comercial de ACL
Seamos honestos: en los últimos dos años la conversación sobre inteligencia artificial se ha llenado de nombres de modelos, benchmarks y gráficos espectaculares. Todos hemos visto comparativas que prometen “mejoras del 30 %”, “10x en productividad” o capacidades casi mágicas. Es fácil caer en la idea de que la carrera se gana eligiendo el modelo adecuado.
Pero cuando uno se sienta con los equipos que sostienen la operación diaria, la imagen es otra: procesos críticos montados en Excel, integraciones manuales, datos que nadie se atreve a tocar por miedo a “romper algo” y pilotos de IA que brillaron en una presentación… pero nunca se convirtieron en parte estable del negocio.
Ahí, se cruza la línea con la realidad y por eso vale la pena poner sobre la mesa una idea incómoda, pero clave: en 2026, la ventaja no va a estar en quién tenga el modelo más nuevo, sino en quién tenga la mejor infraestructura de datos.
No lo digo solo por intuición. El Reporte 2026: datos e IA, desarrollado por DataArt, confirma algo que muchos ya veníamos observando: el cuello de botella no está en la potencia de los modelos, sino en la base sobre la que intentamos hacerlos funcionar.
La obsesión con el modelo perfecto…
En muchas reuniones estratégicas la conversación empieza más o menos así:
- ¿Qué modelo deberíamos usar?
- ¿Conviene migrar a X o Y?
- ¿Qué está usando la competencia?
Son preguntas legítimas, pero a menudo llegan demasiado pronto. Porque antes de discutir modelos, deberíamos responder otras mucho más incómodas:
-
¿Qué tan preparados están nuestros datos?
-
¿Qué tan trazables y confiables son?
-
¿Quién gobierna su uso?
-
¿Cuánto tiempo toma construir un dataset decente para un piloto?
Mientras esas respuestas sigan en blanco, cambiar de modelo es como cambiar de auto sin haber pavimentado el camino.
El reporte muestra con claridad este desajuste: organizaciones que hablan de transformación con IA, pero siguen operando con arquitecturas de datos frágiles, sistemas legados y decisiones que se toman “a pulso”.
En servicios financieros, por ejemplo, funciones core como finanzas, riesgo o gestión de fondos todavía dependen de archivos de Excel cargados manualmente desde plataformas de los años 90 o 2000, incluso cuando GenAI domina la agenda del directorio. No es falta de modelos, es falta de base.
Un dato que debería incomodarnos: 82 % sin gobernanza
Uno de los números más reveladores del reporte no proviene de banca ni de retail, sino del sector cultural. Allí, muchas organizaciones han adoptado IA y tecnologías inmersivas para enriquecer la experiencia del visitante: recomendaciones personalizadas, recorridos interactivos, contenidos generados dinámicamente. Suena a vanguardia.
Pero cuando se revisa la base, el diagnóstico es otro: alrededor del 82% no cuenta con marcos de gobernanza de datos ni capacidades internas para llevar esas iniciativas a producción.
Es decir, hay creatividad en los pilotos, pero falta casi todo lo necesario para convertirlos en servicios estables, auditables y escalables.
Cuando llamamos “adopción de IA” a algo que no lo es
Otra confusión frecuente —y riesgosa— es llamar adopción de IA a lo que en realidad es solo su uso superficial.
El propio reporte lo plantea con claridad: en muchas empresas, la IA se traduce hoy en personas usando herramientas como ChatGPT para buscar información, resumir documentos o redactar correos. Es útil, positivo, pero no es suficiente.
La diferencia, para mí, es esta:
-
Uso puntual de IA: mejora la productividad individual.
-
Adopción real de IA: rediseña procesos, automatiza tareas críticas, habilita capacidades nuevas y mide impacto en indicadores concretos.
La IA deja de ser un “gadget” cuando toca el corazón del negocio. Y para eso, el factor determinante no es el modelo, sino la calidad y disponibilidad de los datos que lo alimentan.
Por qué un 10–20 % puede ser mejor noticia que un “10x”
Uno de los aciertos del reporte es aterrizar expectativas. En lugar de prometer transformaciones instantáneas, plantea algo mucho más realista: mejoras del 10–20% en productividad o eficiencia ya son materialmente relevantes cuando el proceso es crítico.
Traducido a lenguaje de negocio:
-
15% menos tiempo en procesar un crédito.
-
20% menos errores en carga de datos.
-
10% más efectividad en una campaña segmentada.
Qué entendemos realmente por infraestructura de datos
Hablar de infraestructura de datos no es hablar solo de “subirse a la nube” o adoptar una tecnología específica. Es hablar de:
-
Pipelines robustos para ingestar, transformar y distribuir datos.
-
Plataformas que escalen sin colapsar.
-
Modelos de datos y catálogos comprensibles.
-
Gobernanza clara sobre calidad, seguridad y cumplimiento.
-
Capas de servicio que permitan consumir datos sin parches.
-
Equipos que entiendan negocio y datos al mismo tiempo.
Sin todo esto, un modelo de IA es un invitado de lujo en una casa sin cimientos.
Tres decisiones que ya no podemos seguir postergando
1. Dejar de coleccionar pilotos
Menos experimentos “por probar” y más foco en pocos casos de uso con problema claro, datos disponibles, dueño de negocio y métrica de éxito definida.
2. Invertir en la base, aunque no venda titulares
Modernizar plataformas de datos y establecer gobernanza nunca será glamoroso, pero es lo que determina si la IA escala o se queda en demo.
3. Pensar IA como estrategia a 3–5 años
No como una lista de proyectos sueltos, sino como una hoja de ruta que conecte datos, plataformas, talento y gobierno con objetivos de negocio.
Chile: menos FOMO, más realidad de datos
En industrias como retail, banca y seguros, muchas organizaciones en Chile viven esta misma tensión: discurso de innovación hacia afuera y fricción operativa hacia adentro.
La alternativa más sostenible no es “aplicar IA en todo”, sino priorizar 2 o 3 procesos con datos razonables, responsables claros y capacidad de medir impacto, mientras se fortalece la infraestructura para escalar en los próximos años. Es menos vistoso, pero funciona.
Antes de cerrar: una pregunta clave
Si estás decidiendo dónde poner el foco de aquí a 2026, tal vez valga más preguntarte:
-
¿En qué estado están mis datos y mi arquitectura?
-
¿Qué tan serio es mi gobierno de datos e IA?
-
¿Cuántos pilotos tengo versus soluciones en producción con impacto medible?
Próximos pasos: usa el reporte como base para tu planificación 2026
Si hoy tu organización está entre el entusiasmo por la IA y la dificultad de llevarla a producción, el punto no es sumar más pilotos, sino fortalecer la base que permite escalar: datos confiables, gobernanza y una infraestructura preparada para operar.
Si estás planificando 2026 y quieres una guía concreta para pasar de pilotos a producción, descarga el Reporte 2026: datos e IA. Incluye tendencias, hallazgos por industria y los errores que más frenan la escala.
Gerente Comercial, ACL Tecnología
.png)
