La mayoría de las empresas que me dicen que ya están implementando IA tienen dos o tres proyectos piloto, algunos empleados que usan ChatGPT de forma informal, y un presupuesto aprobado en el último trimestre. Eso es un nivel 2 de madurez sobre 5. No está mal — pero está muy lejos de lo que la mayoría imagina cuando habla de IA en su empresa. El problema no es el punto de partida: es no saber exactamente dónde estás y cuánto te falta para el siguiente nivel.
Evaluar la madurez de IA de tu organización no es un ejercicio teórico. Es una herramienta operativa: te dice dónde invertir, qué capacidades desarrollar primero, y qué proyectos son prematuros dado el estado actual de tu infraestructura y talento. Lo que presento acá es el modelo que usan consultoras como McKinsey y las grandes firmas tech — adaptado para que puedas aplicarlo en una reunión de liderazgo sin necesidad de contratar una consultoría de seis meses.
Los 5 niveles de madurez en IA
El modelo tiene cinco niveles. No son etapas que se superan en orden perfecto — muchas empresas tienen áreas en nivel 4 y otras en nivel 1 al mismo tiempo. Pero sirve como mapa para saber dónde estás y adónde querés ir:
- ▸Nivel 1 — Sin conciencia: No hay estrategia de IA ni responsable designado. Se usa IA de forma casual y aislada. "Alguien usa ChatGPT a veces."
- ▸Nivel 2 — Exploración: Hay experimentos aislados, 1-3 personas entusiastas y quizás un piloto que nadie sabe muy bien cómo escalar. El conocimiento está concentrado en pocas personas.
- ▸Nivel 3 — Piloto: Dos o más casos de uso en producción, un sponsor en el C-Level, algo de infraestructura. Pero no hay governance formal ni proceso para escalar lo que funciona.
- ▸Nivel 4 — Escalando: IA integrada en múltiples procesos críticos, equipo dedicado, governance activo, ROI siendo medido. La empresa empieza a operar de forma diferente gracias a la IA.
- ▸Nivel 5 — AI-native: La IA está en el ADN operativo de la empresa. Loops de mejora continua, modelos propios o finamente tuneados, ventaja competitiva diferenciada y difícil de replicar.
Una aclaración importante: no necesitás estar en el nivel 5 para ser competitivo. La mayoría de las empresas que generan valor real con IA en 2026 están en nivel 3-4. El nivel 5 es el destino correcto para empresas cuyo modelo de negocio central depende de la IA — software, fintech, plataformas digitales. Para una empresa industrial o de servicios, llegar al nivel 4 con consistencia ya es una ventaja competitiva diferenciada.
El checklist de 15 preguntas
Respondé estas 15 preguntas con sí o no. Cada sí suma un punto. Al final, el puntaje te ubica en el modelo. Sé honesto — no estás en un examen de certificación, estás diagnosticando para tomar mejores decisiones:
- ▸¿Hay un responsable designado (Chief AI Officer, Head of Data o similar) con autoridad real para decidir sobre iniciativas de IA?
- ▸¿La alta dirección tiene una hipótesis de valor clara sobre cómo la IA va a impactar el negocio en los próximos 12 meses?
- ▸¿Hay al menos un caso de uso de IA funcionando en producción real — no en piloto eterno ni en demo?
- ▸¿Los pipelines de datos son reproducibles, versionados y confiables para el resto del equipo — no solo para quien los construyó?
- ▸¿El equipo técnico usa herramientas de IA en su workflow diario más allá de ChatGPT para redactar emails?
- ▸¿Hay un budget dedicado para herramientas y capacitación de IA, separado del presupuesto general de IT?
- ▸¿Saben cuánto cuesta cada llamada a la API del LLM que usan en producción — en tokens, en dólares por request?
- ▸¿Tienen una política clara de qué datos pueden salir a proveedores de IA externos y qué datos deben quedarse internos?
- ▸¿Pueden medir el impacto de un proyecto de IA en métricas de negocio concretas — no solo en métricas técnicas como precisión o latencia?
- ▸¿Los equipos de datos y los equipos de negocio trabajan juntos desde el diseño de los proyectos de IA — no solo al final cuando ya está construido?
- ▸¿Los modelos en producción tienen monitoreo activo — drift detection, alertas automáticas, logging de errores — o alguien los revisa manualmente de vez en cuando?
- ▸¿Tienen un proceso para evaluar y adoptar nuevos modelos o herramientas de IA sin que sea un proyecto de seis meses cada vez?
- ▸¿La capacitación en IA está en el plan de desarrollo formal del equipo — no solo en "cuando haya tiempo" o "si alguien se motiva"?
- ▸¿Los líderes no técnicos entienden cómo funciona un LLM a nivel básico — sin jargon, sin confundirlo con el buscador de Google?
- ▸¿Los contratos con proveedores de IA incluyen cláusulas sobre confidencialidad y propiedad de los datos que les enviás?
Cómo interpretar tu puntaje
0-4 puntos: Nivel 1-2. Hay apetito pero no estructura. El primer paso no es una plataforma de IA enterprise — es designar un responsable con autoridad real y elegir un caso de uso concreto para llevar a producción en los próximos 90 días. Un win pequeño genera momentum.
5-9 puntos: Nivel 3. Ya tenés algo funcionando, pero la escala es el problema. Lo que falta suele ser governance, datos confiables, y equipo capacitado para operar en producción sin depender de 2-3 personas clave. El conocimiento está demasiado concentrado.
10-12 puntos: Nivel 4. Estás escalando. La prioridad es sistematizar lo que ya funciona, llenar las brechas específicas que el checklist reveló, y empezar a medir el impacto con números de negocio. A este nivel, la capacitación del equipo pasa de opcional a crítica.
13-15 puntos: Nivel 5 o cerca. Usá el checklist para identificar qué preguntas específicas dieron "no" — ahí están los puntos débiles a reforzar. A este nivel, las brechas suelen ser en governance, seguridad o en la distribución del conocimiento hacia equipos no técnicos.
Lo que pocas consultoras admiten
La mayoría de las empresas en LATAM están entre nivel 2 y 3. Y eso no es un problema en sí mismo — el problema es creer que están en el 4. La brecha entre lo que reporta el directorio y lo que ve el equipo técnico suele ser de uno o dos niveles. Si el CEO dice que "ya somos una empresa de IA" pero el equipo de datos todavía limpia hojas de Excel manualmente, hay un desalineamiento que va a costar caro cuando llegue la presión de resultados.
El nivel 3 es donde más empresas se quedan atascadas — no por falta de talento ni de budget, sino por falta de estructura. Los pilotos funcionaron, hay entusiasmo, pero no hay un proceso claro para llevar eso a producción de forma repetible. El salto de nivel 3 a nivel 4 requiere exactamente eso: procesos, governance y capacitación sistemática del equipo — no más experimentos.
Una trampa que vale mencionar: comprar plataformas de IA enterprise antes de tener el equipo y los datos que las soporten. He visto empresas gastar seis cifras en plataformas de MLOps que nadie terminó usando porque el equipo no tenía las bases para operarlas. La secuencia importa: primero el equipo y los datos, después la infraestructura. No al revés.
Qué hacer según tu nivel
Nivel 1-2: Lo primero es un caso de uso concreto con impacto medible en un número de negocio real, no una estrategia de IA global. Elegí algo que el equipo pueda entregar en 90 días y que tenga un KPI claro asociado. Un win pequeño genera credibilidad y momentum para lo que viene después.
Nivel 3-4: El foco es la escala y la capacitación sistemática. Ya saben qué funciona — el problema es que depende de 2-3 personas clave que concentran todo el conocimiento. Necesitás repartir esa capacidad hacia más personas del equipo, establecer governance básica, y tener métricas de negocio para cada proyecto en producción.
En DataPath trabajamos con equipos en este salto desde hace varios años. El proceso que usamos con empresas como Entel, BCP y Scotiabank empieza con un diagnóstico real del estado actual — parecido a este checklist pero más profundo — y termina con un programa de capacitación a medida con métricas de impacto medibles. No es un catálogo de cursos: es un plan estructurado desde el diagnóstico hasta la ejecución. Si tu empresa está lista para ese paso, hablemos en /empresas — el diagnóstico no tiene costo y tarda menos de una semana.
Las rutas de formación para tu equipo técnico
Los programas que más demandan las empresas que están escalando de nivel 3 a nivel 4: la ruta AI Agentic Engineer para los que van a construir y operar agentes en producción, la ruta Data Engineer para los que necesitan la infraestructura de datos que lo soporta todo, y el programa AI Engineer para quienes necesitan los fundamentos antes de profundizar en agentes o data engineering avanzado.
La madurez de IA no se salta — se construye paso a paso, con la secuencia correcta de inversiones en personas, datos y procesos. El checklist es el punto de partida. Si los resultados confirman que el siguiente paso requiere una capacitación estructurada para tu equipo, en DataPath para empresas armamos el programa desde el diagnóstico. Sin costo y en menos de una semana.
