El 70% de las empresas en Colombia no está lista para IA (y no es un problema de IA)

Un estudio reciente dice que 7 de cada 10 empresas en Colombia no están preparadas para IA. La razón real y el checklist antes de contratar un proyecto.

Un estudio reciente de Noticias RCN dice que 7 de cada 10 empresas en Colombia no están preparadas para usar inteligencia artificial. Es un número que asusta un poco, sobre todo si tu empresa siente la presión de “subirse a la ola” antes de quedarse atrás. Pero antes de salir a comprar un modelo, un chatbot o un plan de IA generativa, vale la pena hacerse una pregunta más incómoda: ¿preparados para qué, exactamente?

Porque cuando revisas de cerca a qué se refieren estos estudios con “no estar listo”, casi nunca hablan de que falte tecnología. Hablan de algo mucho más aburrido y mucho más urgente: datos dispersos, reportes que no coinciden entre áreas, procesos que viven en la cabeza de una sola persona. La IA no resuelve eso. Lo expone.

El problema no es la falta de IA, es la falta de una base

Piensa en cómo funciona hoy la mayoría de las empresas medianas en LATAM. Ventas tiene su Excel. Finanzas tiene el suyo. Operaciones lleva otro aparte, y a veces ni siquiera coinciden en cuántos clientes activos hay este mes. Cada área “sabe” su número, pero nadie tiene el número real — el que sería igual si tres personas distintas lo consultaran el mismo día.

Ese es el estado de partida real de la mayoría de las empresas medianas. Y es exactamente el terreno donde un proyecto de IA no puede pararse. No porque la tecnología sea mala, sino porque un modelo entrenado — o incluso una automatización simple con IA generativa — necesita una fuente de información en la que pueda confiar. Si esa fuente no existe, el modelo hereda el desorden. Lo procesa más rápido, lo presenta con más seguridad, pero sigue siendo el mismo error de siempre.

Es un patrón que vemos seguido: una empresa mediana contrata un proyecto de IA con expectativas altas — automatizar reportes, predecir demanda, responder consultas de clientes. El equipo técnico entrega algo funcional en la demo. Tres meses después, casi nadie lo usa, porque el área comercial no confía en los números que el modelo está usando de base. El proyecto no fracasó por el modelo. Fracasó porque nunca hubo una sola fuente de verdad antes de automatizar sobre ella.

¿Por qué las empresas se saltan este paso?

Es entendible. La IA vende. “Vamos a limpiar y centralizar la base de datos antes de automatizar nada” no genera el mismo entusiasmo en un comité directivo que “vamos a implementar un asistente de IA para el equipo comercial”. Uno suena a inversión aburrida de infraestructura. El otro suena a innovación.

El problema es que el orden importa. Construir sobre datos poco confiables no es más rápido — solo parece más rápido al principio, hasta que el proyecto llega a producción y nadie confía en lo que dice.

La secuencia que sí funciona

1. Una sola fuente de verdad por proceso crítico. No hace falta centralizar toda la empresa de una — alcanza con elegir el proceso que más duele (ventas, inventario, cobranza) y asegurar que todos miren el mismo número.
2. Datos limpios y actualizados, no perfectos. No se necesita un data warehouse de nivel corporativo para arrancar. Se necesita que la información esté completa, sin duplicados obvios, y actualizada con una frecuencia razonable.
3. Un proceso, no solo una herramienta. De nada sirve centralizar los datos si cada área sigue actualizando su Excel paralelo “por si acaso”. Tiene que quedar claro quién actualiza qué y cuándo.
4. Recién ahí, automatización o IA. Una vez que existe una base confiable, ahí sí un modelo, un dashboard automatizado o un asistente de IA generan valor real — porque están parados sobre algo sólido.

Un ejemplo concreto: cuántos clientes activos tiene realmente una empresa

Un caso que sirve para ilustrar esto, con nombres cambiados: una empresa mediana de servicios, unos 120 empleados, quería un dashboard con IA que predijera cuántos clientes iban a renovar el próximo trimestre. Antes de tocar el modelo, hubo que hacer una pregunta simple: ¿cuántos clientes activos tienen hoy?

El área comercial dijo 340, contando todo lo que estaba en su CRM sin filtrar por estado. Finanzas dijo 287, contando solo los que tenían facturación en los últimos 90 días. Operaciones, que llevaba su propia planilla porque “el CRM nunca está actualizado”, dijo 301. Tres respuestas, tres números distintos, para la misma pregunta el mismo día.

Ese desfase de 53 clientes entre la cifra más alta y la más baja no es un detalle menor — es la diferencia entre una proyección de ingresos optimista y una realista. Ningún modelo de predicción, por sofisticado que sea, puede resolver esa ambigüedad: si le das de insumo el número de comercial, predice sobre una base inflada; si le das el de finanzas, ignora clientes que operaciones sabe que siguen activos mediante otro canal.

La solución no fue un modelo mejor. Fue definir, con las tres áreas en la misma sala, una sola regla de qué cuenta como “cliente activo” (facturación en los últimos 90 días o contrato vigente sin facturación por temporada baja), y hacer que las tres áreas consultaran el mismo sistema para esa definición. Recién con eso resuelto — que tomó dos semanas de trabajo, no meses — el proyecto de predicción con IA tuvo un piso real donde pararse. El modelo en sí se implementó después, y funcionó, porque por fin tenía un número confiable de dónde partir.

¿Cuándo aplica este diagnóstico y cuándo no?

No toda empresa necesita frenar todo antes de tocar IA. Si tu empresa ya tiene un sistema central (un ERP, un CRM bien mantenido, un data warehouse aunque sea básico) donde las áreas realmente confían en los números, el cuello de botella probablemente no es de datos — puede que sí estés lista para dar el siguiente paso con un proyecto de IA más ambicioso.

La señal de alarma es otra: si al hacer la pregunta “¿de dónde sale este número?” la respuesta cambia según a quién le preguntes en la empresa, ese es el problema a resolver primero. No hay atajo tecnológico para eso — ni el modelo más caro del mercado arregla una fuente de datos que nadie mantiene.

Tampoco aplica frenar proyectos pequeños y acotados. Si el objetivo es automatizar una tarea puntual y bien delimitada — por ejemplo, clasificar correos entrantes o generar un resumen semanal de un solo reporte ya confiable — no hace falta un proyecto de gobernanza de datos completo antes de arrancar. El diagnóstico de “base primero” aplica sobre todo a proyectos que dependen de cruzar información de varias áreas o tomar decisiones de negocio con esos datos.

Lo que puedes hacer esta semana

No hace falta un proyecto de meses para dar el primer paso. Esta semana puedes:

• Elegir un solo número que sea crítico para el negocio (clientes activos, ventas del mes, inventario disponible).
• Preguntarle a dos personas de áreas distintas cuál es ese número hoy.
• Si las respuestas no coinciden, ya tienes identificado el primer problema real que resolver — antes que cualquier conversación sobre IA.

Ese ejercicio de cinco minutos dice más sobre qué tan lista está tu empresa para IA que cualquier estudio general.

Preguntas frecuentes

¿Necesito un proyecto de datos completo antes de usar cualquier herramienta de IA?

No siempre. Para tareas puntuales y acotadas, con una sola fuente de datos ya confiable, se puede automatizar directo. El diagnóstico de “base primero” aplica cuando el proyecto cruza información de varias áreas o toma decisiones de negocio con esos datos.

¿Cuánto tiempo toma tener una base de datos confiable?

Depende del tamaño de la empresa y de cuántos sistemas paralelos existan hoy, pero para un solo proceso crítico (no toda la empresa) suele ser cuestión de semanas, no meses, si el alcance se mantiene acotado.

¿Esto significa que no vale la pena empezar con IA todavía?

No. Significa que vale la pena empezar por lo que realmente mueve la aguja: saber con certeza qué está pasando en el negocio hoy. Eso ya genera valor por sí solo, con o sin IA encima.

---

Si te interesa el ángulo de por qué comprar el paquete completo de un vendor grande no siempre resuelve el problema de fondo, en Raifen escribimos sobre vendor lock-in vs. stack abierto la semana pasada — mismo principio, otro ángulo.