Del piloto al ROI: por qué el 90% de las empresas chilenas no escala su IA

Tres estudios publicados entre enero y mayo de 2026 coinciden en el mismo diagnóstico: Chile está atrapado entre la experimentación y el valor. La Cátedra Carlos Vial Espantoso y la UC Business School encuestaron a 77 líderes de grandes empresas — el 62% con más de 1.000 empleados — y concluyeron que 7 de cada 10 compañías opera la IA de forma puntual o exploratoria, no como capacidad estratégica.

El informe de MAS Analytics — 166 ejecutivos de retail, finanzas, energía y manufactura, entre otros sectores — aporta la cifra más reveladora: solo el 3,6% logró escalar de forma transversal con retornos medibles. El 68,1% sigue en fase de exploración o piloto. La diferencia con el promedio global no es de tecnología: es de método.

Mientras tanto, el mercado no espera. Las organizaciones que en 2026 consoliden entre 10 y 15 casos de uso en producción saldrán del ciclo con una ventaja estructural que sus competidores difícilmente podrán revertir. La pregunta correcta ya no es cuándo adoptar IA, sino cómo pasar del experimento al impacto en los próximos 12 meses.

Los datos indican que el problema no es la falta de pilotos: es la falta de un método para pasar de la exploración a la producción. A partir del trabajo con más de 19 empresas en Chile, Cognitiva estructuró el Marco ESCALA-3F — tres fases secuenciales que abordan primero los bloqueadores estructurales y luego escalan con control.

La lógica del marco es deliberada: no se puede escalar sin fundamentos, y no se pueden construir los fundamentos sin un caso concreto que los justifique. La Fase 1 no es un proyecto de datos autónomo — es la condición mínima para que el primer caso de escala sea real. La Fase 2 no es otro piloto: es producción, con los sistemas reales, los datos reales y los usuarios reales.

El Marco ESCALA-3F no es una garantía de velocidad: es una garantía de método. Las empresas que lo siguen no necesariamente terminan más rápido, pero no retroceden — y eso, en el contexto chileno actual, es la diferencia entre sumar un caso por trimestre o empezar de cero cada vez.

La escasez de talento en IA es un hecho estructural en Chile: los perfiles de ingeniería de datos, diseño de agentes y gobierno de modelos son escasos y de alto costo. Pero el modelo de talento no tiene por qué ser contratar un equipo completo desde el inicio. La alternativa más efectiva para empresas medianas es la combinación de un equipo interno reducido con capacidad de orquestación — un responsable de datos y un gerente de proyecto de IA — más un proveedor externo que aporte el stack técnico y la experiencia de implementación. El objetivo es la transferencia progresiva de capacidades, no la dependencia permanente.

El factor humano tiene otra dimensión crítica: la aceptación organizacional. El estudio de UC Business School muestra que el 26,8% de las empresas reporta tensiones culturales derivadas de la adopción de IA, y que la disposición al cambio es significativamente menor en los niveles operacionales que en la alta dirección. Un programa de alfabetización en IA — adaptado por rol, no genérico — y una comunicación clara sobre qué cambia y qué no en cada cargo son la diferencia entre una implementación que avanza y una que genera resistencia silenciosa.

El tercer pilar es la gobernanza. A medida que la empresa escala de 1 a 10 casos de uso, emergen preguntas que el piloto no tuvo que responder: ¿quién aprueba el despliegue de un nuevo agente? ¿Cómo se audita una decisión automatizada? ¿Qué ocurre si el modelo devuelve un resultado erróneo con consecuencias para un cliente? Definir una política de uso de IA — con criterios de aprobación, registro de modelos y mecanismos de supervisión — es parte de la infraestructura del escalamiento, no una formalidad posterior.