Gerentes de operaciones y TI, por qué la inteligencia artificial no rinde si los datos de la empresa siguen atrapados en silos

Un gerente de operaciones le pide a su equipo un reporte de inventario cruzado con ventas de la última semana. La respuesta llega dos días después, armada a mano, porque el dato de inventario vive en un ERP antiguo, el de ventas en una planilla que exporta el sistema de punto de venta y el de cobertura por canal en el correo de un ejecutivo comercial que lo actualiza cuando se acuerda. Ese mismo gerente acaba de aprobar un piloto de inteligencia artificial para automatizar justamente ese reporte. El piloto no fracasa por el modelo que eligieron ni por la falta de entusiasmo del equipo. Fracasa porque nadie resolvió antes el problema de fondo, los datos que la IA necesita están repartidos, desactualizados y en formatos que no conversan entre sí.

Esta escena se repite en empresas chilenas de todos los tamaños y explica una parte importante de por qué tantos proyectos de inteligencia artificial se quedan en la fase de piloto. No es un problema de tecnología de punta. Es un problema de plomería.

El optimismo avanza más rápido que la base que lo sostiene

El estudio "Adopción de IA en las Empresas Chilenas", desarrollado por Entel Digital junto a CENIA y diversas instituciones académicas y gremiales, encuestó a más de 526 dueños, directores y gerentes de empresas de todo el país. El resultado es alentador en la superficie, el 93% de las empresas considera que la inteligencia artificial tendrá un impacto positivo, más del 80% de las grandes empresas ya la utiliza y un 70% de las pymes también la ha incorporado de alguna forma.

Pero el mismo estudio, ampliado luego con CADEM, expone la grieta detrás de ese optimismo. Aunque cerca del 50% de las empresas con mayor adopción de IA ya la implementa en sus procesos centrales, solo un 10% de las empresas con adopción baja o inicial lo hace. Las que recién empiezan usan la IA en tareas secundarias, mientras que las más avanzadas la integran en el corazón de su operación. Esa diferencia no se explica por presupuesto ni por voluntad. Se explica porque unas tienen datos ordenados y accesibles, y otras no.

Antonio Moreno, gerente de Soluciones Digitales de Entel Digital, lo resume de forma directa, el desafío ya no es probar inteligencia artificial, sino llevarla a la operación con gobierno, seguridad y métricas claras de impacto. Advierte además que sin esa mirada integrada es fácil caer en licencias subutilizadas, demos que no escalan o proyectos sin visibilidad sobre consumo y desempeño. El estudio concluye que para avanzar hacia una implementación más completa y transformadora es fundamental fortalecer la infraestructura digital y contar con una sólida gobernanza de datos, junto con una visión estratégica clara y talento capacitado.

El cuello de botella no es el modelo, es lo que le entregas para trabajar

Esta no es una particularidad chilena. Deloitte publicó en 2024 la tercera edición trimestral de su reporte "State of Generative AI in the Enterprise", basado en una encuesta a 2.770 líderes de nivel director a C-level en 14 países, todos con experiencia directa pilotando o implementando IA generativa en sus organizaciones. El hallazgo central es contundente, los problemas relacionados con datos hicieron que un 55% de las empresas encuestadas evitara ciertos casos de uso de inteligencia artificial generativa por completo. No los pospusieron, los descartaron.

El mismo reporte muestra que un 75% de las organizaciones aumentó su inversión en gestión de datos como consecuencia directa de sus proyectos de IA generativa, y que las empresas están reforzando tres frentes en paralelo, la seguridad de los datos, la calidad de los datos y la gobernanza de los datos. En otras palabras, antes de que la IA pueda generar valor, alguien tiene que ordenar la casa. Los ejecutivos que participaron del estudio de Deloitte no describen la falta de gobernanza como un tema de compliance abstracto, la describen como la razón concreta por la que un proyecto de automatización de conciliación financiera, de atención al cliente o de análisis de ventas se estanca antes de llegar a producción.

Esto conecta con un patrón que muchos equipos de tecnología conocen de memoria, el problema rara vez es que el modelo de IA no sea lo suficientemente bueno. El problema es que el modelo recibe información parcial, contradictoria o simplemente inaccesible, y entrega respuestas igual de parciales.

Sistemas legados y silos, la arquitectura invisible que frena todo

Detrás de la palabra "gobernanza de datos" hay una realidad mucho más concreta y menos elegante, sistemas que se instalaron hace diez o quince años y nunca se pensaron para conversar con nada más, planillas paralelas que cada área mantiene porque no confía en el sistema oficial, y plataformas de mensajería, correo y documentos donde vive el conocimiento real de la empresa sin que nadie lo haya estructurado.

En una empresa mediana es normal encontrar el inventario en un ERP, los contratos en carpetas de Google Drive organizadas por quien las creó, las políticas internas en un PDF que circula por correo desde hace tres años, y el organigrama actualizado solo en la cabeza de la gerente de RRHH. Cuando se intenta conectar un agente de inteligencia artificial a esa realidad, el agente no tiene una fuente de verdad a la cual consultar, tiene cinco fuentes que a veces coinciden y a veces no. El resultado no es una IA que falla de forma dramática, es una IA que responde con seguridad usando el dato equivocado, lo que a menudo es peor.

Migrar todos esos sistemas a una plataforma única suena como la solución obvia, pero en la práctica es un proyecto de años que casi ninguna empresa puede pausar su operación para ejecutar. La alternativa más realista, y la que empieza a marcar la diferencia entre las empresas que logran escalar sus proyectos de IA y las que se quedan en el piloto, es conectar las fuentes que ya existen sin obligar a nadie a migrar nada, y ponerle encima una capa que entienda, organice y respete los permisos de esa información dispersa.

Un mismo dato, contado tres veces distintas

Vale la pena aterrizar esto en un ejemplo cotidiano. Un nuevo vendedor entra a trabajar a una empresa comercial y pregunta cómo se solicitan vacaciones. Recibe una respuesta de RRHH, otra distinta de su jefe directo, que recuerda una política anterior, y una tercera de un compañero que asume que las reglas no cambiaron desde que él entró. Ninguno miente, todos están trabajando con la versión del dato que tienen a mano. Ese mismo patrón se repite con el catálogo de productos, con el estado de un contrato vigente o con quién es el ejecutivo de cuenta correcto para un cliente enterprise.

Cuando una empresa intenta apurar este problema con inteligencia artificial sin resolver primero la dispersión de la información, lo único que logra es automatizar la confusión y entregarla más rápido. Por eso la conversación seria sobre adopción de IA en una empresa no debería empezar preguntando qué modelo usar, sino preguntando dónde vive cada pieza de información crítica y quién puede confirmar que sigue vigente.

Qué cambia cuando alguien conecta las fuentes sin migrarlas

Esto es exactamente el problema que resuelve Atlas, el agente de base de conocimiento interna del marketplace de AgentLayer. Atlas se conecta con Google Drive, Notion, SharePoint, Slack, Confluence, OneDrive, Gmail y Outlook sin exigir que la empresa migre nada, procesa esa documentación dispersa, la organiza y responde las consultas del equipo con la fuente exacta detrás de cada respuesta. Respeta además la jerarquía de accesos de la empresa, de forma que gerencia ve todo, un equipo de operaciones ve lo que le corresponde y un nuevo contratado solo accede a lo público, con auditoría de quién preguntó qué y cuándo. Es, en esencia, la respuesta operativa al mismo problema que describen los estudios de Entel Digital y Deloitte, que la inteligencia artificial no falla por falta de ambición, falla quedándose sin una base de información confiable sobre la cual trabajar.

Este tipo de conexión entre la IA y los sistemas reales de una empresa es también el centro de la metodología con la que AgentLayer implementa cualquiera de sus agentes. Antes de entregar un agente en producción, hay una fase de prueba real y co-creación de una a dos semanas junto al equipo del cliente, donde se valida contra los datos y procesos concretos de esa empresa, no contra un caso genérico. Esa fase existe precisamente porque cada empresa tiene su propia combinación de sistemas legados, planillas paralelas y fuentes dispersas, y ningún agente puede funcionar bien si se instala sin entender primero esa realidad. El proceso completo, desde el diagnóstico inicial hasta un agente funcionando de forma estable, está diseñado para completarse en 30 días, con manual de uso y soporte continuo al cierre.

El primer paso no es comprar más inteligencia artificial

Las cifras de Entel Digital, CENIA y Deloitte cuentan la misma historia desde dos países distintos, la brecha entre las empresas que sacan valor real de la inteligencia artificial y las que se quedan en el piloto no se explica por el modelo elegido ni por el presupuesto invertido en licencias. Se explica por si la empresa hizo antes el trabajo menos vistoso de ordenar, conectar y dar gobernanza a su información. Un 40% de las empresas chilenas que aún no adopta IA identifica precisamente la falta de capacitación y de gobernanza de datos como la principal barrera, según el mismo estudio de Entel Digital.

Para un gerente de operaciones o de TI que está evaluando dónde poner el próximo esfuerzo de transformación digital, la pregunta más útil no es qué modelo de lenguaje es más potente este trimestre. Es más simple y más incómoda. Si hoy mismo alguien de su equipo necesitara la versión correcta y actualizada de un dato crítico del negocio, ¿sabría exactamente dónde encontrarla, o tendría que preguntarle a tres personas distintas y esperar que coincidan? Mientras esa respuesta siga siendo la segunda, cualquier proyecto de inteligencia artificial que se construya encima seguirá heredando el mismo problema que quería resolver.