Opinión experta del equipo de ingeniería de EvolutecC
La inteligencia artificial ya no es una tecnología que las empresas apenas estén considerando. Hoy el reto no es probarla, sino lograr que funcione de forma sostenible dentro de la operación.
Un estudio de McKinsey publicado en junio de 2026 encontró que casi el 90 % de las organizaciones ya experimenta con IA, pero apenas el 7 % ha logrado escalarla a nivel empresarial. La distancia entre probar IA y convertirla en una capacidad real de negocio sigue siendo enorme.
Es una situación que vemos cada vez con más frecuencia: la empresa ya probó IA, pero los resultados no son los que esperaba. Quizá tiene un chatbot en funcionamiento, un asistente conectado a la documentación interna, automatizaciones con modelos generativos o incluso pilotos de agentes. El problema surge al llevar esa solución a producción: conectarla con los sistemas existentes, alimentarla con información confiable, mantenerla en el tiempo y demostrar que reduce costos, disminuye errores, ahorra horas de trabajo o mejora algún indicador del negocio.
En ese punto la conversación cambia. La pregunta deja de ser “¿qué herramienta de IA deberíamos implementar?” y pasa a ser “¿tiene nuestra empresa la base tecnológica y operativa necesaria para aprovecharla?”.
Adoptar IA es cada vez más fácil; escalarla sigue siendo el reto
Las barreras para experimentar con IA han bajado mucho. Hoy es posible probar asistentes, modelos generativos, automatizaciones y agentes sin construir la tecnología desde cero. Pero una prueba funcional y una solución empresarial son cosas distintas.
El mismo estudio de McKinsey plantea que las empresas que logran avanzar combinan la tecnología con disciplina operativa, capacidades internas y cambios en la forma de ejecutar los procesos. Un segundo análisis de la firma, publicado en julio de 2026, refuerza la idea: el mayor uso individual de herramientas de IA no genera por sí solo valor empresarial. Las organizaciones más avanzadas rediseñan flujos de trabajo, roles y modelos operativos en torno a lo que la IA permite hacer, en lugar de sumar una herramienta más al proceso existente.
La diferencia es fundamental. El modelo de IA puede ser parte de la solución, pero rara vez es toda la solución. Para operar necesita datos, integraciones, infraestructura, seguridad, procesos definidos, gobierno y métricas. Cuando alguna de esas capas falla, la IA hereda el problema.
Lo que realmente puede estar frenando tu proyecto de IA
Vistas desde los sistemas, muchas de las dificultades de un proyecto de IA empiezan mucho antes de elegir el modelo. La IA simplemente las deja al descubierto.
1. Datos que todavía no están listos para la IA
Imaginemos una empresa en la que el CRM identifica a un cliente de una manera, el ERP usa otra referencia, el ecommerce guarda información distinta y varias áreas mantienen archivos de Excel paralelos para completar lo que no encuentran en los sistemas principales. Entonces alguien propone: “Conectemos una IA para analizar a nuestros clientes y generar recomendaciones”.
El modelo puede ser excelente, pero antes surge una pregunta mucho más básica: ¿cuál de todas esas fuentes tiene la información correcta del cliente?
Este problema gana protagonismo a medida que las organizaciones intentan pasar de pilotos a soluciones empresariales. En junio de 2026, McKinsey publicó un análisis dedicado a la preparación de datos para IA, cuya conclusión central es que, al escalar los pilotos, los datos se están convirtiendo en una restricción crítica. Para usar IA de forma confiable, las organizaciones necesitan conectar información estructurada y no estructurada sobre una base gobernada, reutilizable y que pueda considerarse una fuente confiable.
EY llegó a una conclusión similar en una guía de julio de 2026 sobre arquitecturas de datos para IA: la fragmentación, la gobernanza inconsistente y las dificultades para gestionar información estructurada y no estructurada frenan la IA empresarial.
Por eso no basta con preguntar si tenemos datos. Hay que preguntar si son confiables, si están actualizados y conectados, quién los gobierna y si podemos usarlos de manera segura. La IA no convierte por arte de magia datos desordenados en información confiable.
2. Sistemas fragmentados que nunca terminaron de conectarse
Es otro escenario habitual. Una organización puede tener ERP, CRM, ecommerce, software contable, plataforma de atención, herramientas de marketing, aplicaciones internas y sistemas a la medida. Cada uno funciona bien por separado; el problema empieza cuando necesitan trabajar juntos.
Un colaborador exporta información del ERP y la organiza a mano en Excel; otra persona corrige algunos campos; el archivo pasa a otra área, y al final alguien vuelve a cargar los datos en otro sistema. Entonces aparece la propuesta: “Automaticemos el proceso con IA”. Pero probablemente ese problema todavía no necesita IA. Necesita integración.
IBM lo planteó de forma directa en marzo de 2026, al analizar la preparación arquitectónica para IA: las integraciones frágiles, las sincronizaciones fallidas, los procesos manuales y los sistemas que no se comunican bien pueden convertirse en barreras para escalar. Poner una capa inteligente sobre sistemas fragmentados no elimina la fragmentación; a veces solo construye una interfaz más moderna sobre el mismo problema estructural. Antes de incorporar IA, hay que entender cómo viaja hoy la información entre los sistemas de la empresa.
3. Procesos que aún no están bien definidos
Otro error frecuente es intentar automatizar un proceso antes de entenderlo por completo. Una empresa llega preguntando “¿podemos automatizar esto con IA?”, pero al revisar el proceso aparecen preguntas sin una respuesta común:
-
¿Quién lo inicia y qué información necesita?
-
¿Quién toma la decisión y qué sistemas intervienen?
-
¿Qué reglas existen y qué excepciones deben contemplarse?
-
¿Qué pasa cuando falta información?
-
¿Quién valida el resultado y en qué momento termina el proceso?
-
¿Con qué indicador sabremos que mejoró?
Si las respuestas dependen de quién ejecuta la tarea, el proceso no está estructurado. Y automatizar un proceso ambiguo no lo mejora: puede hacer que sus errores ocurran más rápido.
McKinsey señala en su análisis de julio de 2026 que pasar de la adopción al impacto exige rediseñar los flujos de trabajo en torno a las capacidades de la IA, no insertar herramientas en las dinámicas existentes. Por eso el orden importa: entender, estructurar, integrar, automatizar y, solo entonces, incorporar IA donde genere valor.
4. Una infraestructura que no se diseñó para lo que ahora queremos construir
Hay empresas que intentan montar capacidades avanzadas de IA sobre arquitecturas que llevan años acumulando cambios: servicios heredados, aplicaciones monolíticas, bases de datos difíciles de integrar, ausencia de APIs, dependencias desactualizadas, capacidad de procesamiento insuficiente, problemas de rendimiento o ambientes sin una separación clara entre desarrollo, pruebas y producción.
Esto no significa que haya que reconstruir todo el ecosistema tecnológico antes de usar IA. Significa que debemos saber qué tan preparada está la arquitectura actual para soportar lo que queremos implementar.
El informe State of AI in the Enterprise 2026 de Deloitte muestra una brecha reveladora: aunque el 42 % de las empresas considera que su estrategia está muy preparada para adoptar IA, se sienten menos preparadas en dimensiones operativas como infraestructura, datos, riesgo y talento. Podemos tener claro qué queremos hacer con IA y, al mismo tiempo, no contar aún con la capacidad técnica para hacerlo a escala. La estrategia puede ir más rápido que la infraestructura.
5. Proyectos sin un resultado de negocio claro
“Implementar IA” no debería ser un objetivo. Un objetivo se parece más a esto: reducir el tiempo de procesamiento de una solicitud, disminuir errores manuales, eliminar tareas repetitivas, mejorar los tiempos de respuesta, automatizar cierto porcentaje de consultas, aumentar la capacidad operativa sin crecer el equipo en la misma proporción, mejorar la clasificación o recuperación de información, o detectar anomalías antes de que se conviertan en problemas.
La diferencia parece pequeña, pero cambia por completo la arquitectura de la solución. Una IA puede responder correctamente y aun así ser una mala inversión. Si no sabemos qué indicador debería mejorar, después será muy difícil demostrar que la tecnología generó valor.
De hecho, según el estudio de McKinsey de julio de 2026, la mayoría de las organizaciones analizadas todavía no reporta un valor empresarial significativo de la IA en desempeño, reducción de costos, experiencia de los empleados o resultados para los clientes. Así que la pregunta no es solo “¿funciona?”, sino también “¿qué cambió en el negocio porque funciona?”.
6. Falta de capacidades para mantener lo que se construye
El lanzamiento no es el final. Una solución empresarial con IA necesita evolucionar: los modelos, las APIs y los costos cambian; las fuentes de información evolucionan; surgen nuevos riesgos de seguridad; los usuarios descubren casos nuevos; las integraciones requieren mantenimiento, y los procesos del negocio también se transforman.
Por eso conviene definir desde el principio quién será responsable de operar, monitorear y evolucionar la solución. Deloitte identifica la brecha de habilidades como una de las principales barreras para integrar la IA en las organizaciones. No basta con construir: hay que poder operar, medir, gobernar, mantener y evolucionar.
No es un problema exclusivo de las empresas pequeñas
Un presupuesto mayor no elimina estas dificultades. Una empresa grande probablemente cuenta con más infraestructura y talento especializado, pero también con más sistemas heredados, bases de datos, proveedores, áreas, integraciones, procesos, restricciones regulatorias y dependencias tecnológicas.
Deloitte encontró en 2026 que la adopción sigue avanzando, pero que solo una parte de las organizaciones está replanteando de verdad su forma de operar: el 34 % afirma estar reimaginando el negocio, mientras persisten brechas en infraestructura, datos, riesgo y talento. Por su parte, McKinsey halló en julio de 2026 que apenas el 11 % de los líderes encuestados ubica a su organización en la etapa más avanzada de transformación —la que denomina reinvention—, en la que la IA ya empieza a modificar roles, flujos de trabajo y modelos operativos.
No es, entonces, un asunto de tamaño, sino de madurez tecnológica y operativa.
La IA amplifica la operación que ya tienes
Esta es quizá la idea más importante de todo el análisis: la inteligencia artificial no corrige una operación desordenada; la amplifica. IBM lo resumía en mayo de 2026 al hablar de construir bases de datos preparadas para IA: sin información contextualizada y confiable, la IA puede terminar amplificando la fragmentación que ya existe en las organizaciones.
Si una empresa tiene datos confiables, sistemas conectados, procesos claros, responsables definidos, una arquitectura preparada, gobierno e indicadores medibles, la IA puede multiplicar capacidades que ya funcionan. Pero si tiene datos contradictorios, procesos manuales, sistemas fragmentados y sin integrar, información duplicada y responsabilidades difusas, la IA tendrá que operar sobre esas mismas limitaciones.
A veces el cuello de botella no es la inteligencia artificial, sino lo que está debajo de ella.
¿Qué significa realmente estar preparado para la IA?
No significa tener el ERP más costoso del mercado, migrar absolutamente todo a la nube, reemplazar cada aplicación ni reconstruir la arquitectura completa. Significa entender lo suficiente cinco dimensiones:
-
Datos. ¿Dónde está la información? ¿Es confiable? ¿Hay duplicados? ¿Quién la administra? ¿Cuál es la fuente oficial? ¿Podemos usarla de forma segura?
-
Sistemas e integraciones. ¿Qué plataformas participan en el proceso y cómo se comunican? ¿Existen APIs? ¿Dónde persisten las transferencias manuales? ¿Hay información duplicada entre sistemas?
-
Procesos. ¿El flujo está documentado? ¿Quién participa? ¿Qué reglas y excepciones existen? ¿Qué partes vale la pena automatizar?
-
Arquitectura e infraestructura. ¿La arquitectura actual permite integrar nuevas capacidades? ¿Puede escalar? ¿Tiene problemas de seguridad o rendimiento? ¿Hay observabilidad suficiente para saber qué pasa cuando algo falla?
-
Objetivos. ¿Qué indicador queremos cambiar y cuánto? ¿Cómo lo vamos a medir? ¿Cuándo consideraremos que la iniciativa fue un éxito?
Solo después de responder estas preguntas tiene sentido decidir si la solución requiere automatización, integración, modernización, tratamiento de datos, desarrollo a la medida, inteligencia artificial o una combinación de varias.
No todos los problemas necesitan IA
Puede sonar extraño viniendo de una empresa que desarrolla soluciones con inteligencia artificial, pero justamente ahí está la diferencia entre vender tecnología y resolver un problema.
Si una tarea se soluciona conectando bien dos APIs, probablemente no hace falta un modelo generativo. Si el problema es información duplicada, primero hay que ordenar los datos. Si el proceso no está definido, primero hay que entenderlo. Si la infraestructura es inestable, primero hay que estabilizarla. Y cuando la IA sí es la herramienta adecuada, podemos incorporarla sobre una base capaz de aprovecharla.
La pregunta no debería ser “¿dónde podemos poner IA?”, sino “¿qué problema necesitamos resolver y qué arquitectura tecnológica tiene sentido para hacerlo?”.
Por eso en EvolutecC no empezamos necesariamente por desarrollar
Cuando una empresa llega con una necesidad de IA, automatización o integración, empezar de inmediato por el desarrollo puede ser la decisión más costosa. Primero necesitamos comprender qué está pasando hoy, qué sistemas participan, cómo circula la información, qué tan confiables son los datos, qué dependencias existen, dónde están los cuellos de botella, qué riesgos tecnológicos hay y qué resultado espera el negocio.
Ese diagnóstico permite separar tres cosas: lo urgente, lo necesario y lo que realmente genera valor. A veces el resultado será implementar una solución con IA; otras, integrar sistemas, modernizar la arquitectura, organizar los datos, automatizar procesos o desarrollar una solución a la medida. En los proyectos más complejos, probablemente haya que combinar varias de estas acciones en una hoja de ruta por fases.
La tecnología debería ser consecuencia del diagnóstico, no su punto de partida.
Antes de cambiar de herramienta, revisa la base
Si tu empresa ya implementó IA o automatizaciones y los resultados no han sido los esperados, cambiar de plataforma de inmediato puede no resolver nada. Antes conviene responder una pregunta: ¿nuestros datos, sistemas, procesos e infraestructura estaban realmente preparados para aprovechar esa tecnología?
Una auditoría técnica evalúa la arquitectura, la infraestructura, la seguridad, el rendimiento, las integraciones y la escalabilidad para identificar riesgos, dependencias y oportunidades de mejora. Si el problema involucra además la calidad, la estructura o el gobierno de la información, el diagnóstico puede complementarse con un análisis específico de datos.
El resultado debería darte claridad sobre tres puntos: qué corregir ahora, qué preparar antes de escalar y dónde sí tiene sentido invertir en inteligencia artificial. Porque el objetivo final no es sumar más tecnología, sino construir la tecnología correcta para resolver un problema real.
Antes de tu próxima inversión en IA, identifica si el problema está en la herramienta o en la base sobre la que necesita funcionar.
Agenda una auditoría técnica con EvolutecC. Evalúa el estado de tu arquitectura, datos, integraciones e infraestructura, y construye una hoja de ruta para saber qué necesita realmente tu empresa antes de escalar la automatización y la inteligencia artificial.