Veracruz, agosto de 2026. Un análisis regional liderado por Stefanini Data & Analytics revela una advertencia crítica para las empresas mexicanas y latinoamericanas: hasta el 60% de los proyectos de inteligencia artificial (IA) se abandonarán antes de alcanzar impacto operativo si no se prioriza la preparación, gobernanza y conectividad de los datos. El hallazgo no es teórico: ya se observa en bancos del norte de México, telecomunicadoras del Bajío y cadenas de retail en el centro del país, donde iniciativas prometedoras se estancan por la fragmentación de sistemas heredados y la ausencia de políticas claras de uso ético y técnico de la tecnología.
Datos dispersos, IA paralizada
El problema no radica en la falta de modelos avanzados ni en la escasez de proveedores tecnológicos. Radica, según Filipe Cotait, CEO de Stefanini Data & Analytics, en una capa previa e invisible: la infraestructura de datos. En más del 70% de las empresas mexicanas con iniciativas de IA en fase piloto —según diagnósticos realizados entre enero y julio de 2026—, los datos clave siguen atrapados en hojas de cálculo compartidas por correo, bases de Oracle no integradas con plataformas modernas, o sistemas ERP que no emiten APIs estables. Esto impide que los algoritmos accedan a contexto real: comportamiento del cliente en tiempo real, historial crediticio actualizado, logs de interacción en aplicaciones móviles o inventario sincronizado entre bodegas y puntos de venta.
La brecha entre ambición y capacidad
En México, el entusiasmo por la tecnología supera ampliamente su madurez operativa. Un estudio reciente del Instituto Mexicano de Ejecutivos (IME) indica que el 82% de los directores generales considera la IA estratégica para competitividad; sin embargo, solo el 12% cuenta con una política formal de gobernanza de datos para IA, y apenas el 21% ha certificado a sus equipos técnicos en estándares de calidad y trazabilidad de información. Esta brecha explica por qué, pese a que el gasto corporativo en soluciones de IA creció 47% en 2025 (según datos de la Asociación Mexicana de Tecnologías de la Información), menos del 35% de esos proyectos logró escalar más allá de un departamento aislado.
Casos reales: cuándo los datos liberan valor
En una institución financiera con sede en Monterrey, la modernización de su arquitectura de datos permitió reducir de 36 horas a menos de 90 segundos el tiempo de procesamiento para detección de fraude transaccional. La mejora no vino de cambiar el modelo de aprendizaje automático, sino de conectar en tiempo real tres fuentes previamente desconectadas: transacciones en línea, ubicación GPS de dispositivos móviles y registros de cambio de contraseña. El resultado: una caída del 31% en falsos positivos y un aumento del 22% en recuperación temprana de fondos.
Otro caso, en una cadena nacional de farmacias con operaciones en 18 estados, muestra cómo la integración de datos transforma la experiencia del cliente. Al unificar historiales de compras, consultas médicas digitales autorizadas y patrones de búsqueda en su app, la empresa logró personalizar ofertas con precisión del 89% —frente al 43% anterior— y aumentó un 37% la retención de usuarios activos mensuales.
Latinoamérica avanza, pero México debe acelerar
Según el Índice Latinoamericano de Inteligencia Artificial (ILIA) 2025, México subió del puesto 11° al 9° en madurez de datos para IA, impulsado por inversiones públicas en el Corredor Digital del Golfo y por la adopción de marcos regulatorios como la Ley General de Protección de Datos Personales en Posesión de Sujetos Obligados. No obstante, sigue rezagado frente a Brasil (3°), Chile (5°) y Colombia (7°), donde ya existen normas específicas para auditoría de algoritmos en sectores financieros y de salud. En Perú, por ejemplo, el 18% de las empresas tiene protocolos éticos para IA; en México, esa cifra es del 14%, con concentración en multinacionales y bancos extranjeros.
Los cuatro pilares para que la IA genere retorno real
Stefanini propone un enfoque estructurado, validado en más de 40 implementaciones regionales durante 2026:
- Base de datos sólida y gobernada: No se trata de almacenar más, sino de estructurar mejor. Requiere definir dueños de datos por dominio (finanzas, ventas, logística), establecer reglas de calidad automatizadas y adoptar arquitecturas centradas en datos (data fabric o data mesh), no en silos.
- Evolución hacia creación de valor: Salir del paradigma «automatizar tareas» para entrar en «diseñar nuevas ofertas»: desde seguros paramétricos ajustados en tiempo real hasta asistentes de atención médica con acceso a historiales clínicos autorizados.
- Conexión con el contexto empresarial: El valor diferencial no está en usar LLMs públicos, sino en entrenar modelos con datos propios —como patrones de rotación en tiendas físicas o correlaciones entre clima y demanda de productos— y vincularlos a KPIs ejecutivos.
- Talento adaptable y culturalmente alineado: Capacitación continua en data literacy para líderes no técnicos, y formación práctica en ingeniería de características (feature engineering) para analistas, no solo en programación.
Conclusión: la carrera no es contra otros, sino contra la obsolescencia interna
La tecnología no falla. Lo que fracasa es la infraestructura que la sostiene. En un entorno donde los competidores mexicanos ya usan IA para predecir desabastecimientos antes de que ocurran, ajustar precios dinámicos con base en tráfico vehicular en tiempo real o anticipar necesidades de servicio postventa mediante análisis de voz en llamadas, esperar a tener «el modelo perfecto» es una estrategia de riesgo alto. La acción inmediata no es comprar más software, sino auditar dónde están los datos, quién los puede usar y bajo qué reglas. Porque en 2026, la ventaja competitiva ya no se mide en gigaflops ni en parámetros de modelos, sino en milisegundos de latencia de datos y en porcentaje de decisiones ejecutivas respaldadas por información verificable, contextualizada y disponible.
