Tu piloto de IA funciona, pero ¿a qué costo?
Cómo ponerle línea base, métrica y criterio de cierre a una iniciativa de inteligencia artificial antes de llevarla a producción. Escrito para gerencias que ya tienen pruebas corriendo y que van a tener que defenderlas en la próxima discusión de presupuesto.
En los últimos dos años casi cualquier empresa mediana o grande de Chile probó algo con inteligencia artificial: un asistente para el equipo de soporte, un clasificador de solicitudes, un resumidor de documentos, un agente conectado al CRM. La parte entretenida ya ocurrió. Montar una prueba hoy toma semanas y el resultado se ve rápido, porque una demostración bien preparada casi siempre impresiona. La pregunta que llega después es la incómoda: de todo lo que está corriendo, ¿cuál mejoró un indicador del negocio?
El Índice de Transformación Digital en Inteligencia Artificial (ITD-IA Nacional 2026), elaborado por la Cámara de Comercio de Santiago, Corfo y PMG Chile sobre 740 empresas, pone número a esa brecha: 79% de las compañías no mide con suficiente profundidad el retorno de sus iniciativas de IA. El mismo estudio le asigna a Chile 34 puntos de 100 en madurez y ubica apenas a 9% de las empresas en etapa de escalar o liderar.
En este artículo revisamos por qué un piloto que funciona igual se queda detenido, qué costos aparecen recién cuando la prueba tiene que operar todos los días y cómo definir la métrica antes de invertir en escalar, con dos diagnósticos propios donde ese trabajo se hizo al revés de como suele hacerse.
Chile saca 34 de 100 en madurez de inteligencia artificial
El estudio de la CCS, Corfo y PMG Chile es la primera medición nacional con esa cobertura, así que conviene leer el dato con cuidado. Lo que mide no es cuántas empresas están usando IA, sino cuántas llegaron a la etapa donde esa IA opera todos los días con resultados comparables. Solo 9% de las 740 compañías evaluadas está escalando o liderando. El resto explora o pilotea.
Lo que separa una etapa de la otra tiene poco de tecnológico. Las herramientas están disponibles para cualquiera, cuestan parecido y se implementan en plazos similares. La distancia la marca si alguien dentro de la empresa puede explicar, con una cifra al lado, qué cambió en el negocio desde que la iniciativa partió.
Ese requisito dejó de ser opcional este año por una razón práctica. El gasto en IA salió del presupuesto experimental, donde nadie pedía cuentas porque los montos eran chicos, para competir ahora con el resto de las inversiones de la compañía. Cuando un proyecto de IA se sienta en la misma mesa que una renovación de infraestructura o una expansión de planta, se le exige lo mismo que a ellas: costo total, línea base, beneficio verificable y plazo. La iniciativa que llega sin esos elementos pierde, aunque en lo técnico sea la mejor de la cartera.
Ahí aparece la paradoja que estamos viendo en las conversaciones con clientes. Empresas que invirtieron temprano, que tienen equipos entusiasmados y varias pruebas andando, quedan atrapadas en una nueva ronda de validación porque nadie midió la primera. Mientras tanto, los pilotos siguen consumiendo horas de gente cara.
¿Cuántos pilotos de IA tienes corriendo hoy?
La pregunta parece simple. En la mayoría de las organizaciones medianas y grandes que hemos acompañado, nadie la responde de memoria. Marketing probó una herramienta de generación de contenido, operaciones contrató un asistente para clasificar tickets, alguien del área comercial habilitó una funcionalidad que venía incluida en su licencia mientras finanzas evalúa otra cosa por su cuenta. Cada iniciativa nació bien intencionada. Ninguna nació con un número asociado.
Así se forma lo que podríamos llamar el cementerio de pilotos. Ahí terminan el chatbot que lució en la presentación al comité, pero que nunca se conectó a los sistemas donde vive la información real; el modelo que funcionó sobre una muestra limpia de mil registros y se cayó con la base completa; el asistente que usan seis personas de un equipo de cuarenta; la automatización que dejó de operar cuando cambió el formato de los datos o cuando renunció quien la mantenía. Ninguno fracasó de forma visible. Simplemente dejaron de mencionarse.
El patrón técnico detrás es siempre parecido. Una prueba de IA rinde bien porque trabaja en condiciones controladas: pocos casos, datos ordenados, excepciones fuera del alcance, una persona revisando cada salida. Llevarla a producción significa atender miles de casos, consultar información que cambia todos los días, respetar los permisos de cada perfil, manejar los casos raros que nadie documentó y sostener una calidad estable cuando nadie está mirando. En esa transición el modelo deja de ser una novedad y tiene que demostrar que movió un indicador concreto.
Sin línea base, esa demostración es imposible. Si no sabes cuánto demoraba el proceso antes, cuántos errores tenía, cuánto costaba cada caso o qué porcentaje se resolvía sin intervención, cualquier resultado posterior es una impresión. Y las impresiones no ganan presupuesto. Una empresa puede sostener quince iniciativas en paralelo mientras sepa cuáles va a cerrar; lo que nadie sostiene por mucho tiempo es la ignorancia sobre las quince.
La métrica nace con el proyecto, no después
El trabajo empieza antes de elegir la herramienta. Primero hay que identificar un proceso que le importe al negocio, registrar cómo funciona hoy con números que ya existen en los sistemas y recién entonces fijar una meta auditable. Reducir el tiempo de respuesta al cliente, bajar los errores de digitación en el ingreso de pedidos, recuperar ventas que se pierden por falta de seguimiento, anticipar una falla antes de que detenga la operación, liberar horas de un equipo saturado: todos son objetivos que se pueden verificar. "Usar inteligencia artificial" no lo es.
El segundo paso es calcular el costo completo, que casi nunca aparece en la primera demostración. Un piloto parece barato porque corre sobre una muestra acotada y sobre datos que alguien preparó a mano. Pasarlo a producción exige limpiar y conectar datos, integrar con plataformas antiguas que no fueron diseñadas para esto, resolver la seguridad y los permisos, montar monitoreo, capacitar a quienes lo van a usar, dejar revisión humana donde el riesgo lo amerite y mantener todo eso funcionando. Esa suma es la que se compara contra el beneficio, no el costo de la licencia.
El tercer paso es el que más cuesta instalar: definir por adelantado los umbrales que gatillan seguir o cerrar. Si la precisión no llega a cierto nivel, si el ahorro no aparece en el plazo acordado, si la adopción se queda en un grupo reducido, la iniciativa se corrige o se termina. Cuando ese criterio se conversa al inicio, cerrar un piloto deja de leerse como un fracaso personal de quien lo impulsó.
"Escalar no significa repartir más licencias. Significa que una solución puede operar todos los días, conectada a los sistemas correctos, bajo reglas claras y con resultados comparables con la situación anterior. La métrica debe nacer junto con el proyecto, no inventarse cuando llega el momento de defenderlo." Cristina Fritz, cofundadora y CXTO
En Digital eXp este es el tramo inicial de cualquier proyecto de Enterprise Technology. El diagnóstico de madurez levanta qué hay corriendo, en qué estado están los datos que alimenta cada iniciativa y cuánta deuda técnica hay debajo; el modelamiento del caso de negocio traduce eso a una cifra que el directorio pueda discutir. Cuando el proyecto vive sobre Salesforce, el Quick Audit cumple la misma función sobre la plataforma: muestra qué capacidades ya están pagadas, cuáles están apagadas y qué habría que ordenar antes de montar un agente encima.
Dos diagnósticos que empezaron por la línea base
Una distribuidora de maquinaria pesada tenía Salesforce operando hace años, pero lo usaba casi solo para generar cotizaciones. Sus indicadores comerciales eran de presupuesto, ingresos y resultado; ninguno medía conversión, tasa de cierre ni ciclo de venta, de modo que nadie podía decir dónde se caían los negocios. La postventa, que es el margen más rentable del rubro, dependía de que el ejecutivo se acordara de llamar. Partimos por levantar el modelo comercial completo antes de proponer una sola funcionalidad nueva: qué pasa en cada línea de negocio, qué información queda fuera de los sistemas y cuántas oportunidades entraron sin que nadie las tomara. Con esa base construimos un modelo financiero a cinco años que ordenó las iniciativas según cuánto aportaba cada una. La conversación cambió de lugar: dejó de girar en torno a qué plataforma comprar y pasó a girar en torno a cuál iniciativa se paga primero, con la cifra de partida de cada una anotada para poder contrastarla después.
Un operador regional de centros comerciales llegó con un problema distinto. El proceso de habilitación de locales pasaba por hasta ocho plataformas que no se hablaban entre sí, con informes redactados por duplicado y sin actualizaciones automáticas para nadie. En vez de automatizar lo primero que saltaba a la vista, medimos el ciclo completo tal como estaba funcionando y calculamos cuánto cuesta cada mes que un local permanece sin operar. Ese número, que hasta entonces nadie había puesto sobre la mesa, ordenó el backlog: priorizamos las intervenciones que acortaban el ciclo y dejamos para después las que solo mejoraban la comodidad de uso.
Los dos casos tienen el mismo orden. Medir primero, decidir después.
Cinco preguntas antes de aprobar el próximo piloto
Vale la pena hacer este ejercicio antes de la próxima reunión de presupuesto. ¿Puedes nombrar todas las iniciativas de IA activas hoy en tu empresa, o cada área está probando por su cuenta? ¿Cada una tiene un indicador definido desde el inicio y un dato de partida contra el cual compararlo? ¿Alguien calculó el costo total de llevar la más prometedora a producción, incluyendo integración, seguridad, capacitación y mantención, o el único número disponible es el de la licencia? ¿Existe un umbral escrito que indique cuándo corregir la iniciativa y cuándo cerrarla? ¿Hay un responsable de negocio que rinda cuentas del resultado, además del responsable técnico que la hace funcionar?
Si dos o más de estas preguntas quedan sin respuesta inmediata, tu empresa está en el mismo lugar que el 79% del estudio: con inteligencia artificial en marcha y sin forma de saber qué está devolviendo. Ninguna de las cinco preguntas exige comprar nada: son decisiones de gestión que puedes tomar esta semana, sobre los pilotos que ya tienes andando.
El piloto sin número igual cuesta dinero
La carrera por la IA entró en una fase menos vistosa que la anterior. Ya no lleva ventaja quien anuncia más pruebas, sino quien sabe cuáles abandonar, cuáles corregir y cuáles llevar a la operación. Con casi ocho de cada diez empresas sin medir el retorno, ponerle números a la inteligencia artificial puede ser hoy la innovación más urgente que tienes disponible.
"La señal de alerta no es tener muchos pilotos, sino no saber cuáles merecen seguir vivos. Si una empresa no define desde el inicio qué resultado busca, quién responde por él y cómo se medirá, la IA se convierte en una vitrina tecnológica. Puede impresionar, pero no transforma el negocio." Cristina Fritz, nuestra cofundadora y CXTO
En Digital eXp trabajamos ese tramo: diagnosticamos qué tienes corriendo, cuánto cuesta sostenerlo y qué iniciativa justifica la inversión de escalarla. Si tu empresa tiene pilotos de IA activos y no puedes decir cuál de ellos está devolviendo algo, conversemos:
