Ya estamos en septiembre. En las próximas semanas, la mayoría de equipos de dirección van a definir el presupuesto de 2027. La IA va a aparecer en esa reunión — la pregunta es si llega con un plan o como una partida vaga que alguien va a gastar de forma reactiva. Si eres CTO, Head of Data, líder de L&D o CEO y quieres que esa conversación tenga sustancia, este es el mapa que necesitas.
Por qué el planning de IA en 2026 es diferente al de años anteriores
Hace tres años, los proyectos de IA eran pilotos: un chatbot de soporte, un dashboard de analytics, un modelo de predicción de churn que nadie terminó de operacionalizar. En 2026, empresas en LATAM ya tienen agentes en producción automatizando compras, generando reportes regulatorios y atendiendo clientes por WhatsApp a escala. La pregunta para 2027 ya no es si experimentamos con IA — es si lo que tenemos escala o si volvemos a empezar.
El mercado de modelos también cambió. Solo esta semana Mistral cerró una ronda de €3.000M liderada por Samsung; GPT-6 Astra de OpenAI llegó a la API el 3 de septiembre. El ecosistema se está moviendo rápido y las empresas que no tienen una estrategia definida terminan comprando herramientas sin criterio, formando a su equipo en tecnologías que van a quedar obsoletas o dependiendo de proveedores externos para decisiones que deberían ser internas.
Las 4 fases de una hoja de ruta de IA que funciona
No existe un template que aplique igual para una empresa de manufactura de 500 personas y un banco con 5.000 empleados. Pero sí hay una estructura de fases que se repite en los proyectos que he visto terminar bien:
- ▸Fase 1 — Diagnóstico (octubre-noviembre 2026): mapear qué procesos son candidatos a automatización o asistencia por IA, qué datos tienes disponibles y qué habilidades tiene el equipo hoy.
- ▸Fase 2 — Diseño del roadmap (noviembre-diciembre 2026): priorizar los casos de uso por impacto y viabilidad, definir el stack tecnológico y diseñar el plan de formación del equipo.
- ▸Fase 3 — Ejecución (Q1-Q3 2027): implementación por olas. Empezar con los casos de alto impacto y bajo riesgo, medir, iterar y escalar.
- ▸Fase 4 — Medición continua (desde Q1 2027): definir métricas de impacto antes de lanzar cada iniciativa. Sin métricas acordadas de antemano, cualquier resultado parece aceptable.
Checklist del diagnóstico: las preguntas que tienes que responder primero
Antes de diseñar cualquier roadmap, este es el diagnóstico mínimo que necesitas hacer. Cada pregunta sin respuesta es un riesgo que se va a materializar en 2027:
- ▸¿Qué procesos tienen alto volumen y baja variabilidad? Son los mejores candidatos para automatización con agentes. Los procesos muy variables o que requieren juicio humano frecuente tienen ROI bajo al principio.
- ▸¿Qué habilidades de IA tiene el equipo hoy? ¿Alguien usa LLMs más allá de ChatGPT para responder correos? ¿Hay alguien que pueda construir un pipeline de datos o un agente simple?
- ▸¿Qué datos tienes organizados y accesibles? La mayoría de proyectos de IA que fallan lo hacen porque los datos están en silos, en Excel o en sistemas que no tienen API. La IA no genera datos — los consume.
- ▸¿Tienes gobernanza de datos mínima? Quién puede acceder a qué, cómo se controla la calidad, dónde está documentado el linaje. Sin esto, los agentes de IA acceden a datos incorrectos o confidenciales.
- ▸¿Ya tienes algo en producción con IA? Si no, el primer proyecto tiene que ser pequeño, medible y con un campeón interno que lo soporte políticamente cuando aparezcan los primeros problemas.
El error más caro en el planning de 2027
Comprometer presupuesto en herramientas antes de tener claridad en casos de uso. Lo veo constantemente: el proveedor de software llega antes que el diagnóstico, presenta una demo impresionante, y se firma un contrato de 12 meses para una plataforma que nadie terminó de usar porque no había un problema definido al que conectarla.
La IA no es una categoría de herramientas — es una forma de resolver problemas que ya existen en el negocio. Si no sabes cuál es el problema, cualquier herramienta va a parecer un gasto.
El orden correcto es siempre: identificar el proceso que duele → entender si la IA puede ayudar → elegir la herramienta. No al revés.
Qué talento necesita tu empresa en 2027
Aquí el mapa es más claro de lo que parece. Hay tres perfiles que se repiten en las empresas que logran escalar la IA de forma sostenible:
- ▸AI Agentic Engineers: construyen y mantienen los agentes. Diseñan la arquitectura de orquestación, eligen los modelos correctos para cada tarea y garantizan que el sistema funcione en producción a escala.
- ▸Data Engineers: alimentan los agentes. Sin pipelines de datos limpios y accesibles, los agentes de IA producen respuestas incorrectas o no escalan. Este perfil es el cuello de botella en muchos proyectos de IA.
- ▸Data Analysts con IA: miden el impacto. Saben construir los dashboards que conectan el uso de IA con métricas de negocio reales — productividad, costo por transacción, tiempo de resolución.
El patrón que más veo en empresas que lo hacen bien: forman internamente a perfiles que ya conocen el negocio en lugar de contratar externos que tienen que aprender el contexto desde cero. Un analista de operaciones que aprende a construir agentes aporta más valor que un AI Engineer externo brillante que no conoce los procesos internos.
Build, buy o formar: cómo decidir para 2027
Para la mayoría de empresas en LATAM con 100-2000 empleados, la respuesta en 2027 es una combinación: herramientas SaaS para los casos de uso genéricos (asistentes de redacción, búsqueda interna) y desarrollo propio para los procesos diferenciales del negocio. Construir todo desde cero es muy caro. Depender de SaaS para todo es perder la ventaja competitiva.
Lo que decidirá si tu empresa gana o pierde con IA en 2027 no es cuánto gastas en herramientas — es si tienes el talento interno para integrar, mantener y mejorar lo que construyas.
Cómo construir este plan con soporte
En DataPath hemos acompañado la formación de equipos de IA y datos en más de 100 empresas en LATAM — desde startups hasta Entel, BCP y Scotiabank. El proceso siempre empieza con un diagnóstico sin costo: entendemos dónde está el equipo hoy, cuáles son los casos de uso prioritarios y diseñamos el programa a medida. Si quieres arrancar ese proceso para tu empresa, el primer paso es hablar con el equipo en /empresas.
Si quieres revisar qué aprenderían los perfiles técnicos de tu equipo, la ruta de AI Agentic Engineer y la ruta de Data Engineer son el currículo completo que llevarías al equipo — desde fundamentos hasta sistemas en producción.
