El 92% de los ejecutivos chilenos aumentará su presupuesto de inteligencia artificial este año, pero solo el 10% de las empresas declara tener datos con madurez suficiente para alimentar modelos productivos. Esa es la conclusión central del primer AI Maturity Index Chile 2026, elaborado por Forbes Chile y Kyndryl, que midió a 50 ejecutivos de diez industrias entre marzo y abril de este año.
El hallazgo: más presupuesto, mismos cimientos débiles
El estudio expone una brecha entre la ambición declarada y la base real de las organizaciones.
Los tres números que definen la paradoja:
- Nueve de cada diez ejecutivos chilenos aumentará su presupuesto de inteligencia artificial este año, y uno de cada cuatro lo hará con un alza sobre 30%.
- Ocho de cada diez cree que su empresa avanza al menos al mismo ritmo que su competencia.
- Apenas uno de cada diez declara datos con madurez plena para alimentar modelos productivos.
Esa distancia entre las tres cifras es, según el propio informe, el hallazgo central del estudio. La capacidad operativa confirma el desajuste: solo el 8% de las empresas se autodefine como “AI-First”, un 26% ha escalado la IA a múltiples funciones y el grupo más numeroso —48%— sigue en implementación táctica, con chatbots, automatización básica y modelos predictivos aislados.
Por qué el freno ya no es el presupuesto ni la GPU
Durante los últimos dos años, el discurso dominante sobre IA en pymes chilenas giró en torno al costo del cómputo y el acceso a infraestructura cloud. El estudio desmiente esa narrativa: solo el 6% de los ejecutivos menciona el costo de cloud o GPU como barrera. En cambio, uno de cada tres apunta a la calidad y el gobierno de los datos como la principal muralla para escalar IA, por encima de los sistemas legacy (30%) y muy por delante de la ciberseguridad (16%).
La cifra que resume el problema es la madurez de datos promedio del panel: en una escala de 1 a 5, alcanza apenas 2,98, y un 32% de las empresas permanece en los dos niveles más bajos. No es un problema de plata para comprar más capacidad de procesamiento; es un problema de orden interno.
Proyecto versus infraestructura crítica
María Soledad Matos, gerenta general de Kyndryl Chile, resume la diferencia entre las empresas que logran escalar y las que se quedan estancadas con una frase que condensa el diagnóstico completo: “Las empresas que logran escalar IA tratan los datos como infraestructura crítica del negocio. Las que no, siguen tratando los datos como un proyecto”.
La distinción no es semántica. Un proyecto tiene fecha de inicio y fin, un presupuesto acotado y un equipo temporal. La infraestructura crítica, en cambio, se mantiene, se audita, se actualiza de forma permanente y tiene dueños claros dentro de la organización. Mientras los datos se administren como si fueran un entregable puntual —una limpieza previa a un piloto, por ejemplo— y no como un activo que requiere mantención continua, cualquier inversión en modelos de IA construirá sobre una base inestable.
Checklist de autodiagnóstico para pymes
Antes de comprometer presupuesto en un proyecto de IA, una pyme puede responder estas preguntas para saber en qué nivel de preparación real se encuentra:
- ¿Los datos están limpios? ¿Existen duplicados, campos vacíos o registros desactualizados en las bases que alimentarían el modelo?
- ¿Están centralizados? ¿La información vive en un solo repositorio o está dispersa en planillas, sistemas legacy y aplicaciones que no se comunican entre sí?
- ¿Están etiquetados? ¿Los datos tienen metadatos que permitan identificar su origen, fecha y contexto de uso?
- ¿Tienen trazabilidad? ¿Es posible saber quién accedió, modificó o eliminó un dato y cuándo lo hizo?
- ¿Existe gobernanza formal? El estudio detectó que apenas el 4% de las empresas cuenta con un comité de ética y protocolos formales de IA, mientras más del 30% ya la escala a múltiples funciones o la tiene en el núcleo del negocio. Esa brecha entre uso y control es uno de los riesgos más subestimados.
Si la respuesta a la mayoría de estas preguntas es negativa, invertir en un modelo productivo antes de ordenar los datos equivale a construir sobre arena. El orden previo no es un lujo de las grandes corporaciones: es el paso que determina si el proyecto va a funcionar o va a sumarse a la lista de pilotos que nunca escalan.
La urgencia regulatoria: Ley 21.719
El calendario le agrega presión a este diagnóstico. La nueva Ley de Protección de Datos Personales entra en vigor en diciembre de 2026, específicamente el 1 de diciembre, y crea la Agencia de Protección de Datos Personales con facultades de fiscalización y sanción. Las multas pueden llegar a 20.000 UTM, cerca de 1.400 millones de pesos, con reincidencias que pueden alcanzar el 4% de los ingresos anuales de la empresa.
Una empresa que no sabe dónde están sus datos, quién los trató ni con qué consentimiento fueron recolectados no solo arriesga un proyecto de IA fallido: arriesga una sanción regulatoria. Ordenar los datos para IA y ordenar los datos para cumplir con la Ley 21.719 son, en la práctica, el mismo ejercicio de higiene interna.
Dónde sí hay retorno comprobado hoy
No todo el panorama es advertencia. El estudio identifica con precisión dónde la inversión en IA ya está generando resultados medibles: el 48% de los líderes consultados identifica a las áreas de Operaciones y Cadena de Suministro como los focos de mayor ROI percibido, seguidas por Atención al Cliente (24%). Son también las áreas donde la medición es más clara, aunque el propio informe advierte que ese 48% es una señal temprana de eficiencia, no todavía un indicador de escalamiento sostenible.
La razón por la que estas áreas rinden primero no es casualidad: suelen tener procesos más estandarizados, volúmenes de datos transaccionales más limpios por naturaleza (inventarios, tickets, órdenes de compra) y métricas de éxito que ya se miden desde antes de la IA. Para una pyme que recién empieza, partir por ahí —en lugar de intentar un proyecto ambicioso en un área con datos dispersos— reduce el riesgo y genera evidencia interna que justifica seguir invirtiendo.
Qué hacer esta semana
El orden de prioridades no debería ser elegir la herramienta de IA primero y preguntarse por los datos después. Antes de firmar un contrato con un proveedor o destinar presupuesto a un piloto, conviene hacer un inventario básico: qué datos existen, dónde están, quién es responsable de cada base y qué tan alineados están con las exigencias que impondrá la Ley 21.719 a partir de diciembre. Ese ejercicio, que no requiere GPU ni grandes inversiones, es el que separará a las empresas que logren escalar de las que seguirán reportando presupuesto alto y resultados tácticos. Quienes quieran profundizar en la infraestructura tecnológica que sostiene estos proyectos pueden revisar también las coberturas de Planeta Tecno.
