El 2025 finalizó con una paradoja que no puede seguir siendo ignorada por las organizaciones: jamás existió tanto despliegue de proyectos de IA pero nunca fue tan evidente la brecha entre la adopción y su valor tangible.
Según el último informe de McKinsey, The State of IA in 2025, el 88% de las compañías ya usa IA en al menos una función de negocio, pero solo un tercio logró escalar más allá de la fase experimental. Lo que nos deja prever que la tecnología está dentro de las organizaciones, pero las empresas aún no están diseñadas para poder convivir con ella. Esta distancia explica por qué tantas iniciativas terminan diluyéndose con el tiempo: el problema no está en el modelo, sino en la estructura base que debería sostenerlo y permitirle generar impacto real.
Lo llamativo es que las empresas que han logrado demostrar beneficios se comportan particularmente distinto. Estás empresas son conocidas como las “AI high performers” y son un grupo selecto que ha logrado obtener hasta un 5% de su EBIT gracias a esta tipología de iniciativas, y curiosamente, representan únicamente un 6% del total. Ese grupo comparte un patrón. No buscan escalar modelos, sino que se enfocan en escalar decisiones. Dentro de sus operaciones, no están invirtiendo en herramientas independientes entre sí, sino que están creando ecosistemas que alinean estrategia, gestión y gobernanza de sus datos. Su diferencia es tan marcada con el resto de empresas, que los high performers tienen casi tres veces más probabilidades de haber rediseñado flujos de trabajo completos para integrarlos con IA. Mientras la mayoría está aún intentando adaptar y comprender sus procesos, estas empresas ya están reorganizando cómo toman decisiones.
Paralelamente, en una investigación de MIT Sloan en colaboración con BCG, The Emerging Agentic Enterprise, aparece un fenómeno todavía más claro. La adopción de IA generativa alcanzó 70% en apenas tres años, y los agentes autónomos llegaron al 35% en sólo dos años, con otro 44% de organizaciones planificando su despliegue. Es innegable que la tecnología está avanzando más rápido que la real capacidad institucional para absorberla.
Esta casuística revela una evidente tensión estructural que dominará el 2026. Los agentes no son un mero experimento, ya se proyectan como una nueva capa organizativa y, cuando las empresas logren delegar etapas completas de un proceso a estos sistemas autónomos, la forma de gobernar deja de ser opcional y pasa a ser indispensable.
Gobernanza semántica
La gobernanza del dato, tradicionalmente centrada en el cumplimiento y la estandarización, se ha vuelto ineficiente frente a modelos capaces de aprender, planificar y ejecutar de manera autónoma. Una gran porción de empresas han experimentado incidentes derivados del uso de IA sin un gobierno adecuado, y la inexactitud de su información figura como uno de los factores más comunes.
Es aún más preocupante el gap que existe entre la importancia atribuida a la explicabilidad, es decir, comprender qué datos intervienen, cómo se transforman y bajo qué reglas se utilizan, y las medidas efectivas que han implementado para gestionarla. El propio ciclo de vida del dato se sigue percibiendo como una caja negra, incluso en aspectos esenciales como la trazabilidad y la procedencia. Este vacío erosiona la confianza, y expone la fragilidad de los enfoques tradicionales de gobernanza, que ya no alcanzan para sostener inversiones estratégicas en IA y datos a escala.
Desde Keepler, observamos una evolución inminente en la gobernanza. Operativamente, dejará de funcionar como un conjunto de políticas estáticas, y pasará a convertirse en el mecanismo operativo que interviene justo dónde se toman decisiones, acompañando a modelos, agentes, y equipos en el punto exacto dónde se genera el impacto.
Pero gobernar decisiones requiere algo más profundo: significado. Aquí es donde la gestión del dato entra en un punto de inflexión importante. Durante muchos años, la disciplina se posicionó entre arquitecturas, pipelines y estandarización. Sin embargo, el crecimiento de la IA solicita una capa de lenguaje común que le permita a los sistemas interpretar el negocio con exactitud. Se debe comprender a nivel técnico y funcional qué representa cada entidad, qué reglas gobiernan su uso, cómo se relacionan los dominios y qué variaciones semánticas son aceptables.
La transición hacia modelos basados en ontologías, grafos de conocimiento y productos de datos cognitivos son cada vez más, no como mera teoría sino como un requisito operativo para que tecnología, personas y negocio razonen sobre el mismo contexto. En este nuevo contexto, la gobernanza ya no tratará únicamente el dato, sino que pondrá su foco en que las condiciones de negocio están fielmente representados por los casos de uno que se decidan implementar.
Desde Keepler, ayudamos a las empresas a identificar que el valor real emerge cuando los datos se preparan para la IA de forma consistente, semántica y gobernable. La evidencia del mercado muestra que las compañías con mayor madurez del dato obtienen mejoras de hasta un 20% en ingresos, costes, riesgos y productividad. A medida que avanza esta transición, la estrategia del dato reafirma su propia evolución dejando de ser una brújula conceptual convirtiéndose en el sistema operativo que conecta objetivos de negocio con capacidades técnicas.
Economía de la IA
La otra dimensión crítica es la priorización basada en el impacto económico. Las compañías ya no aceptan invertir sin una estimación clara de retorno, y esta es una exigencia que vemos evidente en las empresas que acompañamos. La búsqueda es inminente, quieren capturar el valor potencial de sus datos pero aún no han logrado ordenar con coherencia y cohesión su portafolio.
La conversación dejó de centrarse en “qué podemos automatizar” para enfocarse en “qué decisiones mueven realmente la aguja de los objetivos empresariales y cuánto vale moverla”.
Si bien los análisis de mercado sitúan el potencial económico de la IA con una contribución global entre 17,1 y 25,6 billones de dólares, cifra que ayuda a dimensionar la oportunidad, muchas empresas siguen sin poder explotarla. La razón es más simple y más incómoda, la mayoría sigue priorizando casos de uso técnicos, no decisiones con valor de negocio.
Ahí es donde metodologías como el Navigator de Keepler se vuelven diferenciales. No porque evalúen IA y Data Initiatives, sino porque estructuran el razonamiento empresarial alrededor del business value. En lugar de producir listas interminables de iniciativas con un atractivo tecnológico difuso, Navigator fuerza a vincular equipos técnicos con equipos de negocio y responder conjuntamente preguntas que normalmente se evitan:
- ¿Qué decisión concreta estamos intentando mejorar?
- ¿Qué impacto económico tiene hoy lo que queremos desplegar?
- ¿Qué dependencia técnica y organizativa hay detrás?
- ¿Cuánto cuesta no hacer nada?
Cuando se ordena el portafolio desde esta metodología, el roadmap cambia, se disminuyen los esfuerzos que no escalan para priorizar decisiones estratégicas con retornos más cercanos a la realidad operativa y menos inflados o teóricos, garantizando la sincronización de la inversión en IA & Data con objetivos reales del negocio.
Paralelamente, otras grandes consultoras están llegando a conclusiones similares. Bain, por ejemplo, ha estimado incrementos entre el 10% y el 25% en EBITDA en las empresas que lograron integrar exitosamente la IA en su modelo operativo. Otros estudios identifican cómo los agentes bien gobernados pueden automatizar hasta el 80% de ciertas tareas y reducir los handoffs manuales, generando beneficios tangibles en la operativa diaria.
Aunque, si algo hemos aprendido trabajando con organizaciones en entornos complejos, es que indicadores exitosos solo aparecen cuando existe una estructura sólida que soporte la autonomía, no cuando se despliega este tipo de tecnología de manera aislada. Y esa estructura no suele venir definida de fábrica, hay que construirla, ordenarla y, sobre todo, gobernarla.
Por eso, desde Keepler vemos que la conversación sobre IA y Data son dependientes entre sí y está cambiando de lugar. Ya no se trata de que el equipo técnico identifique “qué puede hacer un modelo”, sino de que la organización pueda identificar conjuntamente “cómo tomar decisiones con rigor económico”. El valor deja de ser un resultado emergente y pasa a ser un mecanismo explícito que debe diseñarse, priorizarse y medirse. Y cuando esa lógica permea la estrategia, la gestión y la gobernanza del dato, la IA deja de comportarse como un experimento aislado y empieza a ser una herramienta que modifica la estructura económica de la empresa, de manera sostenida.
Enfoque sistémico
Las dinámicas que anticipan 2026 muestran un cambio estructural en la forma en que las empresas integran nuevas tecnologías, como la IA, en su modelo operativo. En sectores y geografías distintas, observamos un patrón consistente: estrategia, gestión y gobernanza del dato dejan de operar como capacidades independientes y comienzan a funcionar como un sistema integrado. Cuando estas disciplinas actúan de manera aislada, las organizaciones experimentan fricción, ambigüedad en la toma de decisiones y una proliferación de pilotos que no llegan a escalar. Cuando, en cambio, operan bajo una lógica compartida, la IA se incorpora de manera orgánica y sostenida en los procesos del negocio.
Desde nuestra experiencia en Keepler, esta convergencia no es un matiz conceptual, sino un requisito práctico.
Hemos acompañado a organizaciones con tecnologías avanzadas y talento altamente cualificado que, aun así, no lograban capturar valor porque cada disciplina empujaba desde un eje distinto. También hemos visto casos en los que la ausencia de la infraestructura más sofisticada no fue un impedimento para escalar IA, precisamente porque existía una coherencia sistémica entre decisiones, flujos operativos y arquitectura del dato. La diferencia entre ambos escenarios no reside en la tecnología disponible, sino en el diseño organizativo que sostiene su uso.
Adopción e integración humana
La implantación de nuevas tecnologías no depende solo del alineamiento entre estrategia, gestión y gobernanza del dato. Requiere también que el talento de la organización esté preparado para operar en este nuevo ecosistema con claridad y confianza. Las empresas que avanzan más allá de la experimentación no son las que prueban más herramientas, sino las que construyen marcos semánticos que permiten a las personas entender qué beneficios ofrece la tecnología, cuándo aporta valor y bajo qué condiciones debe utilizarse.
En nuestra experiencia, la estrategia del dato se convierte en una verdadera habilitadora de negocio cuando estas capacidades técnicas dejan de percibirse como algo externo y pasan a ser una extensión natural del trabajo diario. No es posible un éxito real si el talento no recibe acompañamiento, upskilling y reskilling durante las distintas fases de la renovación tecnológica. Estas nuevas tecnologías deben traducirse en capacidades que permitan a los equipos cambiar la forma en que analizan, deciden y ejecutan.
La adopción deja de ser un programa posterior y pasa a ser un efecto directo de una gestión del dato madura: los equipos incorporan nuevas herramientas porque el dato está preparado, contextualizado y alineado con la forma en que el negocio toma decisiones, y porque la gestión del talento está integrada desde el inicio en los planes tecnológicos.
We are an Advanced Data Analytics company that makes amazing things possible by applying Public Cloud Technology and Artificial Intelligence to your data.
0 comentarios