En un escenario donde los datos se han convertido en un activo estratégico y la Inteligencia Artificial acelera la toma de decisiones, la analítica vive una transformación profunda en las organizaciones. Como parte de su última Mesa de Trabajo, Revista Gerencia reunió a representantes de destacadas empresas proveedoras de soluciones en este ámbito, para reflexionar sobre este tema determinante para la transformación empresarial actual.
Durante la última década, la analítica de datos ha pasado de ser una herramienta de apoyo a convertirse en un componente central de la estrategia empresarial. El crecimiento exponencial del volumen de información, la mayor disponibilidad de capacidad de cómputo y la presión por tomar decisiones más rápidas y precisas han obligado a las organizaciones a repensar cómo utilizan sus datos y qué valor esperan extraer de ellos.
En ese contexto, surge una pregunta clave: ¿cómo ha evolucionado la analítica de datos y cómo se ve hoy potenciada por la IA? Esa fue una de las interrogantes que estructuró la conversación y permitió poner en perspectiva un fenómeno que atraviesa a prácticamente todas las industrias: el tránsito desde una analítica centrada en el reporte histórico hacia modelos capaces de anticipar escenarios, automatizar procesos y generar recomendaciones en tiempo real.
Uno de los primeros consensos en este sentido fue que la analítica de datos no es una disciplina nueva. Por el contrario, su evolución ha sido progresiva y sostenida. Carlos Álvarez, CEO de Technologies, recuerda que desde hace décadas se utilizan modelos de Machine Learning y analítica predictiva para apoyar la toma de decisiones. Redes neuronales, modelos estadísticos avanzados y técnicas de optimización ya formaban parte del ecosistema analítico mucho antes de que la Inteligencia Artificial se convirtiera en un concepto masivo.
Índice de temas
El “antes y después” de la analítica de datos
Lo que sí ha cambiado es la escala, la velocidad y el alcance. El ejecutivo explica que, junto a las cuatro analíticas tradicionales –descriptiva, diagnóstica, predictiva y prescriptiva– hoy emergen con fuerza la analítica generativa, impulsada por modelos de lenguaje, y la analítica automática, que permite ejecutar análisis complejos con mínima intervención humana.
Esta evolución abre oportunidades inéditas, pero también deja en evidencia una contradicción frecuente: muchas organizaciones hablan de IA sin haber resuelto la madurez real de sus datos. “Cuando uno analiza esto en las empresas, el problema aparece de inmediato: no están los datos. Todos quieren analítica, IA, pero cuando preguntas dónde está la data o cómo te conectas, muchas veces no hay respuesta. Entonces, lo primero es definir bien de qué estamos hablando cuando hablamos de IA. Hay que ponerle apellido, para saber realmente dónde estamos parados”, afirma.
Desde la experiencia en grandes industrias, Javier Márquez, Gerente de Cuentas Clave – Utilities de Sonda, complementa que el verdadero acelerador no ha sido únicamente la IA, sino el avance del hardware y la computación en la nube. La disponibilidad de infraestructura elástica ha permitido que algoritmos que antes tardaban meses en ejecutarse hoy entreguen resultados en minutos, habilitando decisiones operacionales que antes eran inviables para el negocio.
“La capacidad matemática para hacer análisis complejos existe hace años. El problema era el tiempo: podías demorarte años en implementar un algoritmo para una decisión que un grupo de expertos resolvía en una hora. El punto de quiebre llegó con la nube y la capacidad de procesamiento: ahí todo lo que ya existía se pudo ejecutar a velocidades antes impensadas. Ese fue el verdadero antes y después”, indica.
“La transformación digital hizo que la cantidad de datos creciera de forma abismal, y junto con eso aparecieron nuevas herramientas para gestionarlos y aprovecharlos. Hoy el cloud es clave para usar esa data y para habilitar la IA, pero también trae desafíos de costos. Por eso se habla de cloud cognitivo, de FinOps y de modelos híbridos: no todo puede ni debe estar 100% en la nube. El foco ya no es solo usar IA para el negocio, sino también para optimizar cómo operamos y cómo entregamos esos servicios de forma eficiente”, explica Argenis Millan, Director Data & Analytics de NTT Data.
Sin embargo, lejos de una adopción homogénea, los ejecutivos coinciden en que el avance de la Inteligencia Artificial convive con brechas profundas en datos, cultura organizacional, talento y expectativas “infladas” sobre lo que la tecnología puede -y no puede- resolver por sí sola.
La materia prima sigue siendo el dato
Según el análisis de los asistentes a esta Mesa de Trabajo, queda claro que el principal “cuello de botella” no está en los algoritmos, sino en la gestión del dato. “Hoy el desafío está en apoyar mejor la discusión del negocio. Los datos son la base de la toma de decisiones, y un ejecutivo ya no puede esperar una semana para entender qué pasó ayer y recién decidir qué hacer en dos o tres meses. Los ciclos son cada vez más cortos, hay más competencia y, simplemente, ya no hay tiempo para sentarse a explicar los datos”, enfatiza Gustavo Vicencio, PhD., CEO & Founder de Abisko Group.
Además, es enfático al señalar que la analítica existe para explicar la realidad y apoyar decisiones, no para reemplazar el criterio humano. En ese sentido, advierte que una IA entrenada con datos deficientes solo amplifica errores existentes, generando una falsa sensación de sofisticación. “La Inteligencia Artificial nos apoya muchísimo en estos procesamientos rápidos y actúa como un asistente para anticipar análisis. Pero no podemos perder la mirada crítica…”, recalca Felipe Cartagena, Gerente Comercial de Matisi Consulting.
La Inteligencia Artificial y la Analítica de Datos
No hay forma de extraer valor sin Inteligencia Artificial y un poder de cómputo enorme. “Pero eso no significa aceptar todo lo que la IA entrega sin cuestionar: sigue aprendiendo de datos creados por personas y culturas distintas, lo que influye en sus resultados. El cambio de paradigma es real, la analítica ya se transformó, pero todavía estamos recién empezando a imaginar todo lo que la IA puede hacer más allá de un simple bot”, enfatiza Julio Farías, Director Comercial de ZerviZ.
Muchas organizaciones buscan implementar proyectos avanzados sin haber resuelto aspectos básicos como calidad, disponibilidad y responsabilidades sobre la información. La falta de gobierno de datos no solo limita la analítica, sino que incrementa los riesgos regulatorios y reputacionales, especialmente en un escenario donde la protección de datos personales cobra cada vez mayor relevancia.
Los diferentes proveedores coinciden en que el nivel de madurez en Chile es heterogéneo. Mientras sectores como la banca han avanzado hacia arquitecturas de datos más robustas, muchas empresas aún operan con información fragmentada, duplicada o poco confiable. Y uno de los errores más frecuentes es tratar el dato como un subproducto de la operación y no como un activo estratégico que requiere inversión, liderazgo y visión de largo plazo.
Este escenario se vuelve aún más desafiante frente a la entrada en vigor de nuevas exigencias regulatorias. La futura Ley de Protección de Datos Personales obligará a las organizaciones a reforzar sus prácticas de gobierno, trazabilidad y seguridad, generando una presión adicional sobre proyectos de analítica e IA que no cuenten con bases sólidas.
“Gobernar los datos es vital para enfrentar cualquier proyecto de IA, y más aun considerando la entrada en vigencia de la nueva Ley de Protección de Datos Personales. Esa normativa generará una verdadera explosión en la forma en que las empresas gestionan la información de sus clientes, y los plazos están encima. Esto no es solo un desafío tecnológico, sino también cultural y regulatorio, que varía según el país, la industria y la madurez de cada organización”, destaca el profesional de Abisko.
Nivel real de preparación: Entre el interés y la madurez efectiva
Uno de los puntos más reiterados durante la conversación fue la distancia entre el interés por la Inteligencia Artificial y la preparación real de las organizaciones para implementarla. Más allá del discurso, los ejecutivos concuerdan en que muchas empresas chilenas aún se encuentran en etapas tempranas de madurez analítica, con limitaciones estructurales que dificultan una adopción efectiva.
El ejecutivo de ZerviZ explica que son pocas las organizaciones que cuentan con una estrategia de datos formal, alineada al negocio y respaldada por la alta dirección. “Existen grandes empresas con gobierno corporativo del dato, centros de competencias y responsables claros. Pero la mayoría de las compañías – cerca del 80%- no tiene esas estructuras, porque hacerse cargo del dato sigue viéndose como un costo y no como una inversión. Hoy la gran oportunidad está en cambiar el enfoque. Sin eso, es muy difícil construir soluciones de analítica avanzada o de IA que realmente generen valor”, detalla.
En muchos casos, la analítica surge como una iniciativa aislada, impulsada por áreas específicas, sin una visión transversal que permita escalar los proyectos ni sostenerlos en el tiempo. Como resultado, las iniciativas de IA tienden a quedarse en pilotos o pruebas de concepto sin impacto real.
Esta brecha se manifiesta también en la forma en que se abordan los proyectos: mientras algunas empresas buscan incorporar IA como una solución “llave en mano”, otras aún no han resuelto aspectos básicos como la integración de fuentes, la calidad de los datos o la definición de indicadores confiables. En ese contexto, la implementación de modelos avanzados termina generando frustración y una percepción errónea sobre el valor real de la analítica.
Brechas entre sectores
La adopción de analítica avanzada e Inteligencia Artificial no avanza al mismo ritmo en todos los sectores. Según los participantes, industrias como banca, telecomunicaciones y aviación presentan mayores niveles de madurez, impulsadas por altos volúmenes de datos, exigencias regulatorias y la necesidad de optimizar operaciones críticas.
En contraste, otros sectores avanzan con mayor lentitud. El ejecutivo de Matisi Consulting advierte que muchas empresas medianas aún están resolviendo problemas básicos de reportería y consolidación de información, lo que dificulta dar el salto hacia analítica predictiva o prescriptiva. Sin una base sólida, la IA se percibe más como un experimento que como una herramienta estratégica.
Más allá de la infraestructura tecnológica, los ejecutivos coinciden en que las mayores barreras para una analítica avanzada con IA son humanas. El profesional explica que en muchas organizaciones persiste el temor a la automatización. “Muchas veces hay un temor real en las personas: miedo a perder el trabajo o a soltar información que sienten como propia…”, afirma.
En la misma línea, Julio Farías advierte que existe una sobreexposición del concepto de Inteligencia Artificial. Muchas organizaciones hablan de IA sin definir con claridad el problema de negocio que buscan resolver. En la práctica, esta falta de foco genera frustración y expectativas irreales que terminan desacreditando iniciativas con alto potencial.
Frente a tecnologías nuevas o procesos automatizados, muchas personas vuelven a Excel porque es conocido, controlable y les permite mantener autonomía. Y si bien los ejecutivos coinciden en que el gran uso de Excel suele ser una señal de baja madurez analítica —ausencia de gobierno de datos, APIs inexistentes o lentas, y falta de adopción de herramientas especializadas—, más que eliminar esta aplicación, el desafío está en resolver por qué sigue siendo la única opción viable para tantos equipos y cómo avanzar hacia modelos analíticos más integrados, confiables y escalables.
En este sentido, la irrupción de la IA Generativa, a juicio del ejecutivo de Technologies, podría incluso ampliar brechas existentes. Las grandes organizaciones cuentan con recursos para experimentar, entrenar modelos y absorber costos, mientras que una parte relevante del mercado aún no tiene claridad sobre cómo integrar estas tecnologías de manera efectiva y sostenible.
IA aplicada al negocio
Independientemente de los retos, los casos de uso concretos muestran cómo la analítica con IA puede generar impacto real cuando se integra al negocio. Y uno de los cambios más relevantes es la velocidad de la toma de decisiones. Los ciclos de negocio son cada vez más cortos y las organizaciones no pueden depender únicamente de análisis retrospectivos.
En este contexto, la IA actúa como un copiloto que acelera el análisis y propone escenarios, pero la decisión final sigue siendo humana, asevera Gustavo Vicencio.
El verdadero valor de la analítica de datos con Inteligencia Artificial se alcanza cuando esta se integra de forma transversal a la estrategia, la operación y la cultura organizacional. Cuando la analítica deja de ser un área aislada y se convierte en parte del ADN de la empresa, se transforma en una ventaja competitiva sostenible.
Para Argenis Millan, “esto tiene dos niveles: uno estratégico, donde las iniciativas de IA deben impactar indicadores clave como costos o ingresos, y otro operativo, enfocado en hacer más eficientes los procesos del día a día. En ambos casos, tiene que existir un problema de negocio claro y un ROI que justifique la inversión; no se trata de invertir por invertir”.
Las opiniones en esta mesa de trabajo permitieron concluir que la analítica de datos e Inteligencia Artificial no es un desafío exclusivamente tecnológico. Chile cuenta con proveedores especializados, capacidades técnicas y experiencias relevantes, pero aún enfrenta brechas importantes en gobierno de datos, talento y cultura organizacional.
El futuro de la analítica con IA dependerá menos de nuevas herramientas y más de la capacidad de las empresas para construir bases sólidas, definir problemas concretos y acompañar a sus equipos en el proceso de cambio. Solo así la IA dejará de ser una promesa para convertirse en un motor real de mejores decisiones y creación de valor.
Como recomendación, destaca Carlos Álvarez, es clave partir por casos de uso bien específicos, que permitan medir la capacidad real de la empresa. Definir un caso de uso concreto, tangible —aunque no sea el más complejo— permite aprender, acotar el proyecto y avanzar con sentido. No se trata de comprar ideas, sino de resolver algo real y aplicable.
