El desafío que las empresas chilenas no pueden resolver solas
Hay un patrón que se repite en empresas chilenas: la dirección quiere implementar inteligencia artificial. El equipo de TI hace un piloto. El piloto funciona en la demo. Y luego... nada. El piloto se queda en piloto. No escala, no se integra, no genera resultados medibles.
La causa más común no es tecnológica. Es de talento.
Según el Informe de Materialidad de GS, publicado en La Tercera en junio de 2025, la escasez de talento y la irrupción de la inteligencia artificial figuran entre los principales desafíos que marcarán el futuro de las empresas chilenas. No es un problema de voluntad: es un problema de capacidad. Las empresas quieren IA, pero no tienen el talento técnico para implementarla, mantenerla y escalarla.
Este artículo explica por qué ocurre esto, qué consecuencias tiene, y cómo una empresa puede avanzar sin tener que contratar un equipo completo de data science.
La brecha entre ambición y capacidad
La ambición es clara: la mayoría de las empresas chilenas considera la IA una prioridad estratégica. La capacidad real es otra cosa.
Lo que las empresas quieren
- Automatizar procesos repetitivos que consumen horas del equipo.
- Mejorar la atención al cliente con asistentes inteligentes.
- Extraer insights de los datos que ya tienen.
- Reducir errores en tareas de alto volumen.
- Tomar decisiones más rápidas con información procesada por IA.
Lo que las empresas tienen
- Un equipo de TI que mantiene la infraestructura existente y no tiene tiempo para proyectos nuevos.
- Un área de negocio que conoce el problema pero no sabe cómo aplicar IA para resolverlo.
- Datos dispersos en hojas de Excel, sistemas legacy y correos electrónicos.
- Presupuesto limitado para contratar especialistas en IA.
- Dependencia de proveedores externos que venden licencias pero no acompañan la implementación.
La distancia entre lo que quieren y lo que tienen es la brecha de talento. Y esa brecha es la razón por la que la mayoría de los pilotos de IA no escalan.
Por qué los pilotos no escalan: cuatro razones
1. Nadie es dueño del proyecto
El piloto lo inicia el área de TI o un equipo de innovación. Pero el proceso que se quiere mejorar pertenece a un área de negocio (ventas, operaciones, finanzas). Si el área de negocio no es la dueña del piloto, no lo adopta, no lo usa, y no lo sostiene.
La regla es simple: el dueño del proceso debe ser el dueño del piloto. Sin dueño en el negocio, el proyecto muere en silencio cuando el equipo de innovación pasa a otra cosa.
2. No hay métricas de éxito
"Funciona" no es una métrica. ¿Cuánto tiempo se ahorra? ¿Cuántos errores se evitan? ¿Qué porcentaje de consultas se resuelve sin intervención humana? Sin números, no hay forma de saber si el piloto vale la pena escalar. Y sin esa certeza, la dirección no aprueba la inversión para escalar.
3. Los datos no están listos
Los modelos de IA son tan buenos como los datos que los alimentan. Si la información está dispersa en planillas, sistemas que no se comunican entre sí y correos electrónicos, el modelo no puede operar con ella.
La preparación de datos (limpieza, centralización, documentación) toma más tiempo que la configuración de la IA. Pero es lo que determina el resultado. Las empresas que escalan son las que invirtieron en datos antes de invertir en modelos.
4. El talento no está disponible
Implementar IA requiere perfiles que son escasos y caros: ingenieros de datos, especialistas en MLOps, ingenieros de machine learning. En Chile, estos perfiles son aún más escasos que en mercados más grandes. Y para una empresa mediana, contratar a uno o dos de estos especialistas a tiempo completo no es viable económicamente.
El resultado: la empresa depende de consultoras externas que venden licencias y configuración inicial, pero no acompañan la operación. Cuando el consultor se va, el sistema se queda sin mantenimiento y se degrada.
El costo de la brecha de talento
La brecha de talento no es solo un problema de contratación. Tiene consecuencias concretas.
Pilotos que no escalan
Cada piloto que se queda en piloto es dinero y tiempo gastados sin retorno. La licencia se paga, el equipo dedicó horas, y el resultado es una demo que impresiona pero no genera valor. Cuando esto se repite, la dirección pierde confianza en la IA y deja de invertir.
Dependencia de proveedores
Sin talento interno, la empresa depende de proveedores externos para todo: configuración, mantenimiento, actualizaciones, resolución de problemas. Esto genera costos recurrentes, pérdida de control y vulnerabilidad: si el proveedor cambia de precio o cierra, el sistema se queda sin soporte.
Exposición de datos
Cuando no hay talento para evaluar las opciones técnicas, las empresas suelen elegir el camino más fácil: enviar datos a APIs públicas de IA (OpenAI, Claude, Gemini). Esto significa que los datos de clientes salen de la empresa sin control, lo que es un riesgo legal (especialmente con la Ley 21.719 entrando en vigor el 1 de diciembre de 2026) y un riesgo de seguridad (los datos pueden ser usados para entrenar modelos de terceros).
Oportunidad perdida
Mientras la empresa no escala, los competidores que sí lo hacen capturan la eficiencia. La IA no es una ventaja competitiva permanente: es una ventaja temporal que se pierde si no se implementa a tiempo.
Qué hacer cuando no tienes el talento
La respuesta no es "contrata más gente". La respuesta es "cambia el modelo".
Opción 1: Consultoría tradicional (la que no funciona)
Contratas una consultora que te vende licencias, configura el sistema, hace una capacitación y se va. El resultado: un sistema que funciona el día uno y se degrada a partir del día dos. La empresa queda sin capacidad de mantenerlo, y el consultor vuelve a cobrar por cada ajuste.
Este modelo genera dependencia y no resuelve el problema de talento.
Opción 2: Equipo interno (la que no es viable para todos)
Contratas ingenieros de datos, MLOps y ML. Para una empresa grande, esto es viable. Para una empresa mediana, el costo es prohibitivo y la rotación es alta (los buenos perfiles se van a empresas más grandes o a consultoras).
Opción 3: Servicio gestionado (la que funciona)
Un proveedor que no solo configura el sistema, sino que lo opera y mantiene de forma continua. El proveedor tiene el talento (es su negocio), y la empresa paga por el servicio, no por licencias ni por horas de consultoría.
Esto es lo que hacemos en Personnn. No vendemos licencias ni consultoría eterna. Ofrecemos un servicio de IA gestionado: identificamos el proceso correcto, preparamos los datos, desplegamos el modelo en la infraestructura del cliente, lo integramos con los sistemas existentes, y lo monitoreamos en producción.
La empresa no necesita contratar un equipo de data science. Necesita un proveedor que tenga el talento y que se responsabilice del resultado.
Cómo funciona en la práctica
Fase 1: Diagnóstico (1-2 semanas)
Identificamos el proceso con mayor costo o fricción. Medimos la línea base. Evaluamos los datos disponibles. Definimos las métricas de éxito. Si el proceso no es viable para IA, lo decimos y no avanzamos.
Fase 2: Preparación de datos (2-4 semanas)
Limpiamos, centralizamos y documentamos los datos. Esto es el trabajo invisible que determina el resultado. Sin datos listos, no hay modelo que funcione.
Fase 3: Despliegue (2-4 semanas)
Desplegamos el modelo en la infraestructura del cliente (su nube o sus servidores). Lo integramos con los sistemas existentes. Lo probamos con datos reales y usuarios reales.
Fase 4: Operación y monitoreo (continuo)
Monitoreamos la precisión, el uso y el costo. Ajustamos prompts, reglas y umbrales. Agregamos nuevos casos de uso solo cuando el primero está estable. El servicio incluye mantenimiento, actualizaciones y soporte.
Lo que NO hacemos
- No vendemos licencias de software que luego nadie mantiene.
- No hacemos demos impresionantes que no se convierten en producción.
- No prometemos IA que resuelve todo. La IA resuelve problemas específicos bien definidos.
- No generamos dependencia eterna. El objetivo es que la empresa opere con IA de forma autónoma, con nuestro apoyo cuando lo necesite.
Cómo puede ayudar Personnn
En Personnn trabajamos IA aplicada con foco en operación real. Ayudamos a empresas chilenas a cerrar la brecha entre la ambición y la capacidad: identificación del proceso correcto, preparación de datos, despliegue de modelos en infraestructura propia, integración con sistemas existentes, definición de métricas y monitoreo en producción.
Si tu empresa tiene un piloto que no termina de despegar, o si quieres implementar IA pero no tienes el talento técnico para hacerlo, conversemos. No es una llamada de venta: es una conversación técnica para ver si te podemos ayudar.