En los últimos dos años, casi todas las organizaciones han tenido “algo con IA” en su agenda: un piloto de chatbot, una prueba de asistente para ejecutivos, un POC de clasificación de documentos o algún experimento con analítica avanzada. En los comités se habla de transformación, productividad y automatización; en las presentaciones, de casos de uso inspiradores y “potencial”.
Pero cuando bajamos a la operación diaria, la historia es otra: procesos críticos que siguen corriendo en Excel, datos dispersos en múltiples sistemas, pocas iniciativas realmente en producción y mucha confusión sobre qué significa de verdad adoptar IA.
El Reporte 2026: datos e IA de DataArt parte exactamente desde esa tensión: hay una brecha fundamental entre lo que las organizaciones esperan de la IA y lo que se necesita para entregarla. Los decisores buscan victorias transformacionales a bajo costo, mientras se posterga el trabajo fundacional que hace posibles esos resultados.
La tesis central del reporte es directa: si 2025 fue el año de la experimentación con IA, 2026 será el año de la verdad. Y el éxito no dependerá del “modelo más nuevo”, sino de la infraestructura de datos sobre la que construimos todo lo demás.
Este artículo toma algunos datos y hallazgos del reporte como punto de partida, pero no busca resumirlo, sino aterrizar una pregunta muy concreta para organizaciones en Chile:
¿Qué hace falta para que la IA deje de ser un conjunto de pilotos interesantes y se transforme en impacto medible en 2026?
Entre 2023 y 2025 vimos un ciclo bastante similar en muchas empresas:
Presión por “no quedarse atrás” en IA.
Multiplicación de pilotos y POCs, muchas veces desconectados entre sí.
Uso creciente de herramientas generativas por parte de personas individuales.
Dificultad para justificar ROI cuando toca renovar presupuestos.
DataArt plantea que este período de aprendizaje y experimentación ya está terminando. Lo que viene ahora es un cambio de foco: del laboratorio a la producción, de la curiosidad a la disciplina de ingeniería.
En la etapa de pilotos, el objetivo era “probar cosas”.
En la etapa que abre 2026, el objetivo pasa a ser “hacer que las cosas funcionen, escalen y aporten valor medible”.
El propio reporte reconoce que tal vez los resultados no sean multiplicaciones por diez, pero subraya algo que a veces se pierde en la conversación: mejoras del 10–20% en productividad o eficiencia ya son materiales y significativas cuando se aplican a procesos relevantes.
El primer bloque del reporte describe lo que llama “la gran desconexión”: la distancia entre el relato de transformación y la realidad operativa.
Empresas que anuncian iniciativas de IA, mientras sus equipos financieros siguen copiando datos manualmente entre sistemas.
Ejecutivos que promueven la toma de decisiones basada en datos, pero desestiman la analítica cuando contradice su intuición.
Áreas de tecnología tratadas como proveedores internos más que como socios estratégicos, lo que deriva en arquitecturas fragmentadas e interfaces lentas que frenan la innovación.
En el sector cultural, por ejemplo, el reporte señala que las organizaciones adoptan con entusiasmo herramientas de IA y realidad extendida para mejorar la experiencia del visitante, pero que alrededor del 82% carece de marcos de gobernanza de datos y habilidades internas para llevar esas iniciativas a producción.
En servicios financieros, el patrón no es tan distinto: GenAI domina las conversaciones sobre productividad, recortes y ventajas competitivas, pero la implementación real se concentra en equipos de tecnología y analítica avanzada. Funciones core como finanzas, riesgos o gestión de fondos siguen dependiendo de archivos Excel cargados manualmente desde bases legadas de los años 90 o principios de los 2000.
El mensaje es claro: la IA se está usando, sí, pero a menudo se monta sobre una base de datos y procesos que no están preparados para soportar operación crítica, auditoría ni escala.
Otro punto clave del reporte es cómo describe la adopción actual de IA. DataArt observa que, en la práctica, lo que hoy se etiqueta como adopción se reduce muchas veces a empleados usando herramientas como ChatGPT para hacer búsquedas, resumir documentos o redactar correos.
Eso no es malo en sí mismo. De hecho, es una buena señal de curiosidad y apertura al cambio. Pero el informe insiste en distinguir entre:
Uso puntual de IA, centrado en productividad personal.
Adopción real de IA, cuando la tecnología se utiliza para automatizar procesos, habilitar nuevas capacidades de negocio y resolver necesidades específicas de clientes.
El desafío para 2026, entonces, no es “cuánta IA usamos”, sino en qué parte del negocio la estamos usando y cómo medimos el resultado.
El reporte dedica un apartado a las razones por las que muchos esfuerzos de IA no pasan de la etapa de piloto. Allí plantea que las empresas están replanteando enfoques “tech-first” que no escalan y resume cinco errores críticos que frenan el progreso.
El error más frecuente es tratar la IA como un proyecto tecnológico y esperar que el área de IT “invente” casos de uso en aislamiento. Cuando se parte desde el modelo y no desde el problema de negocio, el piloto puede ser interesante, pero irrelevante.
Muchas compañías declaran ser “data-driven”, pero conviven con calidad irregular, fuentes duplicadas, baja trazabilidad y procesos manuales para consolidar información. Si el piloto se apoya en datos débiles, llegar a producción será difícil y la confianza en los resultados se erosiona rápido.
El reporte describe organizaciones que aseguran tener una estrategia de datos clara y cohesiva, cuando en realidad solo cubren una parte del problema. En IA, declarar “estrategia” cuando solo hay pilotos dispersos termina generando frustración interna.
Otro error común es abordar la IA como una lista de casos de uso desconectados, sin habilitar el camino a producción. El informe enfatiza la necesidad de una estrategia a 3–5 años que incluya mapa de valor, tecnología requerida y capacidades organizacionales para escalar.
DataArt advierte sobre asumir que la IA opera con lógica determinista. En realidad, los modelos trabajan con probabilidades y un resultado del 90% puede ser “bueno” según contexto. Si se esperan certezas absolutas, cualquier desviación se interpreta como fracaso, incluso cuando el modelo funciona dentro de lo esperable.
A partir de lo anterior, ¿Qué puede hacer una organización que ya probó pilotos de IA, pero aún no ve el impacto que esperaba? Tomando como referencia las prioridades estratégicas que DataArt identifica para los próximos 18 meses, y cruzándolas con realidades comunes en empresas de la región, estas son cinco líneas de acción:
Antes de hablar de modelos o herramientas, la pregunta correcta es: ¿Qué proceso queremos cambiar? ¿Qué decisión queremos mejorar?, ¿Qué indicador queremos mover? Un piloto con un problema bien definido, un dueño claro y una métrica específica tiene muchas más probabilidades de llegar a producción.
¿Qué tan completa y consistente es la información? ¿Cuánto tiempo toma preparar un dataset? ¿Cuántos procesos manuales sostienen la operación? El reporte es categórico: los datos son el activo más importante y el área de inversión más crítica, incluyendo adquisición, almacenamiento, gobernanza, analítica y acceso.
DataArt recomienda modernizar plataformas de datos legadas ahora, porque mientras más se retrase, más complejo y costoso se vuelve. En la práctica, implica simplificar arquitecturas fragmentadas y diseñar interoperabilidad real entre plataformas, equipos y tecnologías.
El reporte subraya que las organizaciones tienen éxito cuando sus empleados pueden explorar y analizar datos bajo demanda, y cuando los modelos de datos están diseñados para un uso amplio. No basta con un equipo pequeño de especialistas: hay que elevar la fluidez en datos e IA en toda la organización.
El impacto medible de la IA suele venir en forma de mejoras del 10–20% en procesos específicos, no en transformaciones instantáneas. Pero cuando esos procesos son críticos, el efecto acumulado puede ser enorme.
En Chile, muchas empresas viven una realidad parecida a la que describe el reporte:
Sistemas legados importantes que “no se tocan” porque son críticos.
Equipos que conviven con hojas de cálculo y procesos manuales.
Presión por mostrar avances en IA sin necesariamente haber resuelto la base de datos y gobernanza.
Para sectores como retail, banca y seguros, el análisis de DataArt ofrece un mensaje práctico: la especificidad vence al hype. Las empresas que comienzan con problemas concretos obtienen retornos nítidos. En retail, por ejemplo, el reporte destaca que la IA ya está entregando ROI claro en pronóstico de demanda, precios dinámicos, automatización del servicio al cliente y optimización de la cadena de suministro, con resultados medibles en meses, no en años.
¿Qué pocos casos de uso vale la pena priorizar en 2026?
¿Qué tan lista está nuestra base de datos y nuestra arquitectura para soportarlos?
¿Qué capacidades humanas necesitamos desarrollar para operarlos y escalarlos?
Si tu organización ya está discutiendo presupuestos, roadmaps o ajustes a su estrategia de datos e IA, vale la pena contar con insumos más allá de la intuición y los casos anecdóticos.
El Reporte 2026: datos e IA, desarrollado por DataArt, recopila tendencias transversales en datos e IA, errores que se repiten al intentar escalar pilotos, prioridades estratégicas para los próximos 18 meses y predicciones por industria.
Desde ACL powered by DataArt lo ponemos a disposición como un recurso para quienes están tomando decisiones en Chile y necesitan una mirada comparada de lo que está ocurriendo en otros mercados y sectores.
Si quieres usar este enfoque como base para tu planificación 2026, descarga el “Reporte 2026: datos e IA” y revisa qué prioridades están marcando el cambio desde pilotos hacia producción, con ejemplos y hallazgos por industria.