El AI Readiness es el grado de preparación que tiene una organización para obtener valor real de la inteligencia artificial: datos confiables y disponibles, procesos ordenados, equipos que la adoptan y reglas claras de gobernanza. Saber si tu empresa está preparada implica evaluar esas cuatro bases antes de elegir cualquier herramienta.
Ese fue el punto de partida del encuentro “AI Readiness” de Forma, parte de Moov Media Group (MMG), a cargo de Alejandra Sepúlveda (Head of Data Intelligence & AI) y Catalina Bravo (Innovation Project Manager). Su tesis: el desafío ya no es si tu organización debería usar inteligencia artificial, sino si está realmente preparada para hacerlo.
El problema: la convicción en la IA crece más rápido que su retorno
Casi todas las empresas ya usan IA, pero pocas logran demostrar su impacto en el negocio. Solo el 37% de las organizaciones atribuye a la IA un impacto medible en su resultado financiero (EBIT), mientras que el 80% dice haber ganado productividad individual (McKinsey, “The State of AI”, 2025–2026). La brecha entre ambas cifras es, justamente, el espacio que ocupa el AI Readiness.
Los fracasos confirman el patrón. El 95% de los pilotos de IA generativa en empresas no genera un impacto medible en el P&L, según un estudio que analizó 300 despliegues públicos y encuestó a 153 líderes y 52 ejecutivos (MIT NANDA, “The GenAI Divide”, 2025). Y más del 40% de los proyectos de IA agéntica serán cancelados antes de fines de 2027 por costos que escalan más rápido que el valor, casos de negocio poco claros y controles de riesgo insuficientes (Gartner, 2025). En ningún caso el problema es la calidad del modelo: es cómo se integra al negocio.
Parte del malentendido está en creer que usar IA equivale a ser una empresa AI-driven. Hay tres niveles: la IA en la tarea, cuando una persona escribe o resume más rápido; la IA en el proceso, cuando ejecuta pasos completos conectada a los sistemas de la empresa; y la IA en la decisión, cuando define qué se hace y con qué prioridad. La mayoría de las organizaciones está en el primer nivel y lo llama transformación.
Por qué fracasan los proyectos de IA: cinco brechas con un mismo origen
Los proyectos de IA fracasan porque la base del negocio no está lista para sostenerlos. Antes de hablar de modelos conviene nivelar el lenguaje: la IA generativa crea texto, imágenes o código a partir de instrucciones; los agentes de IA ejecutan tareas de varios pasos con cierta autonomía; y RAG es la técnica que conecta un modelo con la información propia de la empresa para responder con más precisión. No son alternativas entre las que elegir, sino preguntas distintas sobre el mismo sistema.
El diagnóstico de Forma identifica cinco brechas que explican la mayoría de los fracasos:
- Datos fragmentados o poco confiables: ninguna IA compensa datos que no existen, están duplicados o no calzan entre sistemas.
- Procesos que aún no están preparados: si el proceso de base es informal, la IA automatiza el problema.
- Resistencia al cambio y falta de alfabetización: sin adopción real de los equipos, la mejor herramienta se usa mal o no se usa.
- Dificultad para medir el impacto: sin una línea base clara, no hay forma de distinguir valor de simple actividad.
- Gobernanza, ciberseguridad y protección de datos: nuevas exigencias regulatorias y de seguridad que antes no existían.
Por eso, antes de elegir una capacidad, conviene responder cuatro preguntas: si el problema se repite lo suficiente, si la información existe y es confiable, qué pasa si el sistema se equivoca y si hay un dueño del proceso. Si tres de las cuatro respuestas son débiles, el problema todavía no es de IA. En otras palabras, la IA no comienza con la tecnología: comienza con ordenar la casa.
De los datos a la IA: cómo se ve el AI Readiness en la práctica
La calidad de datos es la condición que más rápido separa a las empresas que escalan IA de las que se quedan en el piloto. El recorrido va de datos incompletos a datos confiables, de ahí a datos disponibles y, recién entonces, a IA aplicada. Dos casos presentados por Forma lo muestran con números.
En Finning, centralizar y automatizar la extracción de datos en Google Cloud Platform permitió recuperar un 32,5% de anuncios de Meta Ads que el proceso anterior nunca detectaba, con una precisión validada superior al 99,99% frente a los reportes legacy. La lección es directa: una IA no puede tomar buenas decisiones si la empresa ni siquiera está viendo todos sus datos.
En Totto, el salto fue de disponibilidad: de un reporte manual al mes a datos actualizados todos los días hábiles, cruzando Connectif y GA4 de forma automática en GCP. Antes, cada reporte tomaba cerca de 8 horas de trabajo manual; hoy cada corrida requiere 0 horas-hombre. Ese flujo de first-party data siempre disponible es lo que después permite explotar la información con automatización y agentes de IA, como los de la plataforma propia de MMG que se mostró en una demo en vivo durante el encuentro.
[H32] El roadmap de AI Readiness: cinco pasos para pasar de experimentar a escalar
Escalar la IA exige seguir un orden, no sumar herramientas. El roadmap de AI Readiness que propone Forma tiene cinco pasos:
- Diagnóstico: entender, con datos, dónde está realmente la organización hoy.
- Datos y procesos: ordenar la base con calidad, integración y procesos capaces de sostener una decisión automatizada.
- Personas y cultura: lograr alfabetización y adopción real, no un piloto que usa un equipo aislado.
- Tecnología: incorporar infraestructura y herramientas que se integren sin reconstruir todo desde cero.
- Gobernanza y seguridad: definir criterios de uso responsable, seguridad y cumplimiento normativo.
El último paso tiene especial peso en Chile con la Ley 21.719 de protección de datos personales, que eleva el estándar de resguardo de la información. Integrar datos, tecnología, innovación y cumplimiento en un mismo equipo reduce el riesgo de que la IA quede en actividad sin retorno. El resultado esperado es medible: menos horas en tareas manuales, decisiones con datos completos y proyectos que llegan al EBIT en lugar de quedarse en la etapa de piloto.