Chile no tiene un problema de adopción de IA: tiene un problema de escalamiento
La Cámara de Comercio de Santiago, Corfo y PMG Chile publicaron este año la primera versión del Índice de Transformación Digital en Inteligencia Artificial, un estudio que encuestó a 740 empresas chilenas de distintos tamaños, sectores y regiones del país, utilizando como referencia internacional el modelo del MIT Center for Information Systems Research.
El resultado principal muestra una realidad incómoda: Chile ya comenzó a experimentar con inteligencia artificial, pero todavía está lejos de convertir esos experimentos en capacidades permanentes dentro de las organizaciones. El 66% de las empresas se encuentra actualmente en etapa de pilotaje, mientras que solo un 8% ha logrado avanzar hacia una fase de escalamiento y apenas un 1% se ubica en la categoría de liderazgo, donde la IA está integrada al modelo de negocio, con gobernanza formal y mejora continua.
La comparación internacional muestra la magnitud de la brecha. Según los datos presentados por PMG Chile, a nivel global un 64% de las empresas se encontraba en etapas de escalamiento o liderazgo durante 2025. La diferencia no está en si las organizaciones están probando inteligencia artificial; está en si tienen la estructura necesaria para convertir esas pruebas en resultados repetibles.
El problema no es empezar pilotos, es saber cuándo dejar de pilotear
Dentro del mismo índice aparece uno de los datos más reveladores: solo un 9% de las empresas chilenas tiene criterios definidos para decidir cuándo un piloto de IA debe escalarse o cuándo debe descartarse.
Esto significa que gran parte de los proyectos quedan atrapados en una zona intermedia. Funcionan lo suficiente como para no ser cancelados, pero no tienen una métrica clara que permita justificar su crecimiento. El resultado es una acumulación de pilotos que consumen tiempo y recursos sin llegar necesariamente a convertirse en una capacidad real del negocio.
El problema no es menor. El mismo estudio muestra que el 79% de las empresas no mide el retorno de sus iniciativas de IA y que el 67% todavía no cuenta con un plan de inteligencia artificial alineado con su estrategia corporativa.
Sin una definición previa de éxito, cualquier piloto puede parecer prometedor durante meses. Una demostración funciona, los equipos muestran interés y la herramienta sigue operativa, pero nadie responde la pregunta más importante: ¿qué tendría que ocurrir para decidir que esto merece escalarse?
Un piloto de IA no fracasa necesariamente porque la tecnología no funcione. En muchos casos, fracasa porque nunca existió un momento formal donde la organización tuviera que decidir, con datos sobre la mesa, si debía invertir más o detenerlo.
La gobernanza es el punto donde muchos proyectos se detienen
Cuando el índice analiza las cuatro dimensiones de madurez, estrategia, tecnología, cultura y gobernanza, esta última aparece como una de las principales debilidades.
El 85% de las empresas encuestadas no cuenta con un comité formal de gobernanza de IA, mientras que un 82% no tiene políticas de uso responsable comunicadas a sus equipos. A esto se suma un desafío estructural: muchas organizaciones todavía trabajan con información fragmentada, sin una arquitectura de datos preparada para escalar soluciones de inteligencia artificial.
Esto explica una paradoja frecuente: una empresa puede tener acceso a modelos avanzados de IA, pero no necesariamente las condiciones necesarias para utilizarlos de manera segura, medible y repetible.
Sin responsables definidos, permisos claros, criterios de evaluación y trazabilidad de las decisiones, un piloto puede funcionar técnicamente y aun así fracasar como iniciativa empresarial.
La barrera no es la resistencia de las personas
Uno de los hallazgos más interesantes del estudio es que la cultura organizacional no parece ser el principal freno. Más de la mitad de los equipos evaluados muestra baja resistencia a adoptar inteligencia artificial.
El problema es otro: las organizaciones tienen personas dispuestas a utilizar estas herramientas, pero muchas veces no cuentan con la capacitación, los procesos ni la estructura necesaria para hacerlo correctamente.
La oportunidad existe. El desafío es construir el camino que permita transformar esa disposición en resultados concretos.
Qué hacen distinto las empresas que sí logran escalar IA
El índice identifica algunos sectores que han avanzado más rápido, entre ellos minería, servicios financieros, tecnologías de información y servicios empresariales.
El patrón que conecta a estas organizaciones no es únicamente el tamaño de su presupuesto tecnológico. La diferencia está en que incorporan gobernanza desde el inicio del proyecto, definiendo quién será responsable, qué información puede utilizar el sistema, cómo se medirán los resultados y qué condiciones determinarán si una iniciativa pasa de piloto a producción.
La gobernanza no aparece como una etapa posterior cuando el proyecto ya demostró funcionar. Es parte del diseño inicial.
Cómo se ve esto aplicado a un agente real
Un ejemplo concreto es Atlas, el agente de AgentLayer diseñado para aprender la documentación interna de una organización y responder preguntas utilizando el conocimiento propio de la empresa.
Su valor no está solamente en responder consultas más rápido. Atlas incorpora desde el diseño elementos fundamentales para escalar IA dentro de una organización: control de permisos, protección de información sensible y trazabilidad de las interacciones.
Cada consulta queda registrada, permitiendo saber qué información fue solicitada, cuándo ocurrió y quién realizó la interacción. Esa capacidad es especialmente relevante en empresas donde la IA debe operar con información financiera, legal, comercial o de recursos humanos.
La diferencia entre un experimento y una herramienta empresarial está precisamente en estos elementos: no solo debe funcionar, debe poder administrarse, auditarse y escalarse.
La pregunta que cada directorio debería responder antes de aprobar otro piloto
La conclusión del índice no es que las empresas deban esperar para implementar inteligencia artificial. De hecho, las organizaciones que esperan tener todo perfecto antes de comenzar probablemente quedarán atrás.
La lección es distinta: cada piloto debe comenzar con una definición clara de qué problema busca resolver y cómo se medirá su impacto.
Antes de aprobar una nueva iniciativa de IA, un directorio debería poder responder tres preguntas:
¿Qué número concreto debe mejorar este proyecto?
¿Quién será responsable de medir ese resultado?
¿Qué ocurrirá si el piloto no alcanza ese objetivo dentro del plazo definido?
La próxima etapa de la inteligencia artificial empresarial no estará marcada por quién pruebe más herramientas. Estará marcada por quién sea capaz de transformar esas pruebas en resultados medibles.
Porque el verdadero desafío ya no es demostrar que la IA existe.
Es demostrar que funciona.
