Hay una expectativa instalada en casi todas las mesas directivas chilenas desde hace un par de años, comprar inteligencia artificial y ver el retorno aparecer solo. La realidad que muestran los datos es bastante más incómoda. Un estudio del MIT que analizó cientos de implementaciones de inteligencia artificial en empresas concluyó que cerca del 95% no obtuvo un retorno medible, y que apenas una de cada veinte logró capturar valor real. El hallazgo se discutió en Chile en julio de 2026 durante un conversatorio del Comité de Innovación, Tecnología y Data de AmCham Chile, con la participación de Patricio Cofré, socio de Datos, Analítica e Inteligencia Artificial de EY, y Francisco Rojas, director ejecutivo de Applied Intelligence, la unidad de datos e IA de Accenture Chile.
El dato del MIT no dice que la inteligencia artificial no funcione. Dice que la mayoría de las empresas la está aplicando de una forma que no puede funcionar, sin importar qué tan bueno sea el modelo que están usando por debajo.
El error más común, automatizar la ejecución sin tocar la estructura
Rojas fue directo en ese conversatorio, "este es un problema humano, no es un problema técnico". Después de acumular una trayectoria de cerca de cien proyectos, propuso seis criterios de diseño para que un proyecto de inteligencia artificial efectivamente capture valor, alineamiento con la estrategia del negocio, rediseño real de procesos en vez de parches, foco en la visión de producto por sobre los entregables intermedios, cultura y adopción como criterio central, una arquitectura capaz de crecer sin rehacerse desde cero, y medición estructurada del retorno. La frase que mejor resume el punto es la que usó él mismo, "cuando trabajas con inteligencia artificial siempre tienes que tener una visión de producto y de construir activos para las compañías, si no, es una pérdida de tiempo".
Cofré llegó a un diagnóstico parecido usando un esquema de madurez que atribuyó a Gartner, con tres niveles. El primero es la productividad individual, el terreno de herramientas como los asistentes integrados en programas de oficina, accesibles pero de techo bajo, con un ahorro de tiempo modesto que no altera los procesos de fondo. El segundo nivel implica rediseñar procesos completos, por ejemplo cómo una empresa incorpora nuevos clientes o evalúa una solicitud, en vez de aplicarles un parche. El tercero es transformar el modelo de negocio y abrir líneas de ingreso nuevas. Según Cofré, la mayoría de las empresas chilenas se estanca en el primer nivel, "en Chile, muchos de los modelos que nos ha tocado hacer tienden más a evitar perder que a ir a buscar ganar".
Esta idea del primer nivel es exactamente lo que otros especialistas del ecosistema chileno describen como productividad invisible, la sensación de que se está usando inteligencia artificial todos los días, en el correo, en la redacción de documentos, en resúmenes de reuniones, sin que ese uso se traduzca en un resultado medible a nivel de la operación completa. Se automatiza la tarea, no el proceso. Se hace más rápido lo que ya se hacía, pero lo que ya se hacía seguía teniendo el mismo cuello de botella estructural de antes.
El caso típico, un proceso que ya funcionaba mal antes de la inteligencia artificial
Pensemos en un ejemplo concreto y bastante común. Una empresa de servicios recibe solicitudes internas de soporte por WhatsApp, por Teams, por correo y hasta de pasillo. Nadie las centraliza, cada área las gestiona a su manera, y cuando alguien necesita saber el estado de su solicitud tiene que perseguir a la persona que se supone que la está resolviendo. Si esa empresa decide "meterle inteligencia artificial" a ese caos comprando un chatbot que responde preguntas frecuentes, no está resolviendo el problema, solo está poniendo una capa de conversación encima de un proceso que seguía sin dueño, sin prioridad clara y sin trazabilidad. El chatbot va a responder más rápido a la pregunta "¿cómo pido vacaciones?", pero la solicitud de diseño urgente que se perdió en un grupo de WhatsApp va a seguir perdiéndose exactamente igual.
La automatización, en este caso, no corrige el problema de fondo, lo que hace es acelerar el ritmo al que la empresa produce el mismo desorden. Un proceso mal diseñado, ejecutado a mayor velocidad, sigue siendo un proceso mal diseñado, solo que ahora genera resultados equivocados más rápido y con menos oportunidad de que alguien lo detecte a tiempo.
Qué significa realmente rediseñar el proceso antes de automatizar
Rediseñar no quiere decir levantar un proyecto de meses ni contratar una consultora de transformación completa. Quiere decir, como mínimo, tres cosas concretas antes de sumar cualquier herramienta de inteligencia artificial. Primero, definir con claridad quién es dueño de cada tipo de solicitud y qué pasa con ella paso a paso, desde que se genera hasta que se resuelve. Segundo, asegurarse de que la información que va a alimentar al agente o al modelo esté centralizada y sea consistente, en vez de estar repartida entre cinco sistemas que no se hablan entre sí. Tercero, y este es el punto que más se salta, medir cómo se comporta el proceso antes de automatizarlo, para tener una línea base real contra la cual comparar después. Sin esa línea base, cualquier afirmación de mejora es una sensación, no un dato.
Esto conecta directamente con uno de los hallazgos más citados sobre por qué fallan los equipos de trabajo modernos. El informe State of Teams 2025 de Atlassian, que encuestó a doce mil trabajadores del conocimiento y doscientos ejecutivos, encontró que los equipos pierden en promedio un 25% de su tiempo solo buscando información que ya existe en algún lugar de la empresa, y que en las compañías Fortune 500 eso equivale a 2.400 millones de horas perdidas cada año. El 72% de los encuestados dijo que la única forma real de conseguir la información que necesita es preguntarle a otra persona o agendar una reunión. Ese es exactamente el tipo de fragmentación que ninguna herramienta de inteligencia artificial resuelve por sí sola si antes no existe un lugar único y confiable donde esa información viva.
Dónde entra un agente bien diseñado, y dónde no
Un agente de inteligencia artificial puede ser exactamente la pieza que ordena ese proceso, pero solo si se construye alrededor del proceso real y no como un parche estético encima del caos existente. El Atlas de AgentLayer aborda justamente el problema que describe el informe de Atlassian, se carga con la documentación interna de la empresa, políticas, organigrama, productos y procesos, y responde con autoridad en vez de devolver una lista de enlaces para que el trabajador siga buscando por su cuenta. Respeta la jerarquía de accesos de la empresa, de forma que gerencia ve todo, cada área ve lo que le corresponde y un nuevo contratado solo ve lo público, y queda un registro de quién preguntó qué y cuándo. La diferencia con un buscador tradicional es que Atlas no indexa documentos para que el trabajador los revise uno por uno, los interioriza y entrega la respuesta directa, con el enlace al documento original cuando corresponde.
La razón por la que este tipo de agente funciona donde un chatbot genérico no lo hace es justamente la que señalan Cofré y Rojas, no reemplaza el trabajo de ordenar la información de la empresa, se construye sobre una base ya ordenada y la mantiene accesible. Si la documentación interna está desactualizada o dispersa entre seis plataformas distintas, ningún agente por sí solo va a arreglar eso mágicamente, primero hay que centralizar las fuentes, conectar Google Drive, Notion, Confluence o SharePoint, y definir los niveles de acceso. Una vez que ese trabajo de orden está hecho, el agente empieza a devolver valor desde el primer día, en vez de sumar una fuente más de respuestas contradictorias.
La ventaja de decisión sobre la ventaja de ejecución
Un artículo reciente publicado en Forbes Chile plantea una idea que resume bien hacia dónde apunta esta discusión, la inteligencia artificial vale más por las decisiones que libera que por las tareas que automatiza. Cofré cerró el conversatorio de AmCham con una proyección apoyada en una carta reciente del CEO de Microsoft, Satya Nadella, la próxima ventaja competitiva va a estar en los ciclos de aprendizaje, es decir, en la capacidad de una organización de mejorar de forma recursiva a partir de cada interacción con sus clientes. Esa capacidad de aprendizaje no aparece automáticamente con la compra de una licencia, aparece cuando el proceso subyacente está diseñado para generar información útil en cada ciclo, y la tecnología solo acelera ese aprendizaje en vez de reemplazarlo.
Para un gerente general o un líder de transformación que está evaluando dónde invertir el próximo presupuesto de inteligencia artificial, la pregunta que vale la pena hacerse antes de firmar cualquier contrato no es qué tan avanzado es el modelo detrás de la herramienta, es si el proceso que se va a automatizar ya está claro, ya tiene dueño y ya está midiendo lo que produce hoy. Si la respuesta es no, ese es el primer proyecto, y probablemente el más rentable de todos, aunque no involucre ni una sola línea de código de inteligencia artificial.
