Actualmente se habla mucho alrededor de la inteligencia artificial (AI). Sin embargo, siempre será importante diferenciar la señal del ruido.
En la comunidad de AI ya se ha vuelto un lugar común hablar del reporte State of AI in Business 2025 del MIT, que encontró que el 95% de los proyectos en las empresas no estaban mostrando un retorno positivo sobre la inversión.
Más recientemente está el caso de Uber, cuyo CTO afirmó que, si bien habían visto un incremento importante en la cantidad de código que estaban generando con agentes de AI, esto no se había reflejado en nuevas funcionalidades ni en cambios sustanciales en los ingresos o la rentabilidad de la empresa.
Aquí podemos parafrasear al premio nobel de economía Robert Solow con su paradoja de la productividad: “Se puede ver la era de la computación en todo lado excepto en las estadísticas de productividad”. Hoy podríamos decir: “La AI está en todo lado, excepto en el ROI”.
Con el taller desarrollado en el IT Masters Forum 2026 buscamos precisamente dar a los asistentes una serie de marcos para entender la ruta que pueden seguir en sus organizaciones para cerrar esa distancia y hacer que la implementación de AI resulte en generación real de valor.
Índice de temas
Marcos de madurez para la estrategia de AI en empresas
El primer framework es el modelo de madurez del MIT CISR, que ubica a la organización en una de cuatro etapas: experimenta, aplica, industrializa y AI ready.
El impacto positivo sobre la rentabilidad de las empresas ocurre entre aplicar e industrializar, cuando se pasa de pilotos sueltos a una plataforma reusable. Antes de ese salto, el margen suele quedar por debajo del promedio de cada industria.
El segundo describe 10 capacidades organizativas agrupadas en cuatro dominios: fundacionales, de cliente, de operaciones y de ecosistema. Las primeras, que son los datos como activo, el talento, el liderazgo y el aprendizaje rápido, sostienen a las demás.
El tercer framework es la gobernanza, que opera en dos niveles. En el nivel ejecutivo define tres claridades: quién responde, cómo se mide y dónde se integra al marco de riesgo existente.
En el nivel operativo trabaja cuatro capas en simultáneo: política, proceso, control y cultura. Atender una sola capa compromete a las demás.
Barreras y preguntas clave en la implementación
Sin embargo, implementar estos frameworks dentro de las organizaciones puede ser retador si se parte solamente de la teoría. Por esta razón, el taller se enfocó en casos específicos que ayudan a entender la forma en que estos marcos se aplican a la realidad de organizaciones en México.
Cada mesa tomó uno de cinco casos anonimizados, basados en situaciones reales de empresas de la región. Los frameworks se organizaron en cinco preguntas que les permitieron a los asistentes tener discusiones estructuradas sobre la implementación de soluciones de AI a nivel organizacional.
La primera identifica las dos o tres capacidades que faltan para que la herramienta funcione. La segunda jerarquiza el problema central entre seis barreras: datos, silos, talento, gobernanza, estrategia y cultura.
La tercera resuelve si conviene construir, comprar o asociarse, según la ventaja estratégica, la sensibilidad de los datos, el time to value, el talento interno y el costo de salida.
La cuarta fija el nivel de autonomía del sistema, desde que la AI solo informa hasta que decide y ejecuta sin intervención. La quinta aterriza la gobernanza en un MVP con tres controles, tres métricas, tres roles, un criterio de salida y el riesgo regulatorio aplicable.
Inteligencia aumentada, regulación y shadow AI
Una de las mesas resolvió el caso industrial con inteligencia aumentada, usando una técnica aprendida en el taller del año anterior. Convirtieron el caso en PDF, cargaron el formato a llenar, definieron el rol y el contexto, y escribieron un prompt para identificar el problema central y la metodología.
En unos cinco minutos tenían un análisis sobre el cual discutir. Para la parte estratégica usaron modelos de razonamiento y sumaron un modelo distinto como abogado del diablo, encargado de criticar sus propias conclusiones.
Resultados
Varios temas se repitieron en la plenaria. Casi todas las mesas ubicaron la estrategia de AI por delante y trataron la cultura como un resultado de las decisiones previas. Frente a la disyuntiva de construir o comprar, el crear alianzas con proveedores expertos apareció como punto medio.
El modo de despliegue preferido fue que la AI sugiera y la persona elija, sobre todo en decisiones críticas o reguladas, mostrando una aproximación de gobernanza responsable en las decisiones que decidieron tomar las mesas frente a los casos.
La regulación también funcionó como criterio de diseño, especialmente porque algunas de las industrias de los casos cuentan con agencias reguladoras específicas en México y trazan lineamientos sectoriales para la implementación de herramientas predictivas.
También apareció el shadow AI: sin una política clara sobre cuándo usar la AI, los equipos la adoptan por su cuenta y exponen a la organización a fugas de información y a riesgo legal.
El mensaje de cierre resumió el trabajo de los próximos años como una práctica continua: diagnosticar la madurez de cada una de sus organizaciones, construir las capacidades que faltan, establecer responsabilidades claras entre los colaboradores y anticipar la regulación.
Sostener esa cadena de forma sistemática separa a las empresas que escalan la AI de las que se quedan atrás.
