La Inteligencia Artificial va a transformar todas las industrias. Eso ya no es una predicción: está ocurriendo. McKinsey estima que la IA generativa puede añadir hasta 4,4 billones de dólares anuales en valor a la economía global [1]. El 88% de las empresas ya usan IA en alguna función de negocio [1].
La pregunta no es si tu empresa usará IA. La pregunta es si llegará preparada.
Porque los datos de lo que está pasando ahora mismo son demoledores.
El 60% de los proyectos de IA van a fracasar. Y la razón no es la tecnología.
Gartner predijo en febrero de 2025 que el 60% de los proyectos de IA serán abandonados por falta de datos preparados para IA [2]. No por falta de presupuesto, ni de herramientas, ni de talento. Por los datos.
La cifra de McKinsey es igual de reveladora: aunque el 88% de las empresas dicen usar IA, solo el 39% puede demostrar un impacto real en su cuenta de resultados [1]. El resto está ejecutando lo que McKinsey llama «experimentos caros»: proyectos que consumen recursos pero no generan retorno medible.
Un estudio del MIT de julio de 2025 fue aún más contundente: el 95% de los pilotos de IA empresarial no generan ningún retorno mesurable [3]. Las empresas invirtieron entre 30.000 y 40.000 millones de dólares en iniciativas de IA generativa. Prácticamente nada apareció en la cuenta de resultados.
¿Por qué? Porque la IA amplifica lo que hay debajo. Si debajo hay orden, amplifica la eficiencia. Si debajo hay caos, amplifica el caos. Más rápido. Y más caro.
«Si el 80% de nuestro trabajo es preparar datos, la calidad del dato es la tarea más crítica».
La frase es de Andrew Ng, profesor de IA en Stanford y fundador de DeepLearning.AI [4]. No es un consultor vendiendo diagnósticos: es uno de los investigadores más influyentes del mundo en inteligencia artificial. Y lo que dice es que antes de hablar de modelos, algoritmos o herramientas, hay que hablar de datos.
Su investigación ha identificado inconsistencias en el etiquetado del 20-30% de los datasets que se usan para entrenar modelos [4]. Si los datos de entrenamiento están sucios, el modelo aprende de la suciedad. Y en producción, propaga esa suciedad a escala industrial.
Esto no es solo un problema técnico de grandes empresas. Es exactamente lo que ocurre cuando una empresa de 30 empleados intenta implantar un chatbot sobre un repositorio de documentos desordenado, o un dashboard de BI sobre un ERP cuyos datos llevan años sin depurar.
El chatbot responde con información incorrecta. El dashboard miente al directivo que lo mira. La automatización envía emails al cliente equivocado. Y la empresa concluye que «la IA no funciona» cuando en realidad lo que no funciona es lo que hay debajo.
Lo que las empresas que sí obtienen resultados hacen diferente.
BCG publicó en 2025 un patrón claro que separa a las empresas que obtienen valor real de la IA de las que no: las que tienen éxito rediseñan sus procesos antes de desplegar tecnología [5].
No automatizan pasos individuales: revisan el flujo completo. No conectan la IA a lo que ya existe: primero ordenan lo que existe y después conectan la IA.
Las empresas que adoptan un enfoque de «tecnología primero» — comprar la herramienta y esperar que el equipo se adapte — obtienen mejoras de productividad de un solo dígito. Algunas obtienen retorno negativo cuando suman los costes de implantación y el caos organizativo [5].
Las que primero ordenan su base digital, luego formalizan procesos, después gobiernan sus datos y finalmente despliegan IA… esas son las que alcanzan mejoras del 50% o más en productividad [5].
La diferencia no está en qué IA compran. Está en qué había debajo cuando la compraron.
Cinco niveles de madurez. Una secuencia.
Este patrón — que Gartner, McKinsey, BCG y el MIT documentan en grandes empresas — se repite exactamente igual en empresas de 15 a 250 empleados. La escala es distinta, pero la lógica es la misma: la madurez digital se construye de abajo arriba y saltarse pasos tiene consecuencias predecibles.
En el DCMM (Devantia Composite Maturity Model), publicado como estándar abierto en Zenodo [6], definimos cinco niveles:
Nivel 1 — Base digital. Identidad corporativa, repositorio común, backups, seguridad mínima. Si un portátil se pierde o una persona se va, la empresa puede seguir operando.
Nivel 2 — Procesos trazables. CRM, ERP, RRHH, ticketing. Los procesos críticos están en herramientas, no en la memoria de tres personas.
Nivel 3 — Dato gobernado. Una fuente única de verdad. Los sistemas hablan entre sí. Los datos se sincronizan, no se copian a mano.
Nivel 4 — Visibilidad y automatización. La dirección decide con datos reales. Las tareas mecánicas se ejecutan solas.
Nivel 5 — Inteligencia Artificial aplicada. Aquí — y solo aquí — la IA genera valor real. Asistentes internos, agentes conversacionales, automatización inteligente.
Cada nivel crea las condiciones para el siguiente. No puedes hacer BI fiable si los datos están sucios. No puedes automatizar procesos que nadie ha formalizado. No puedes desplegar IA si el repositorio de documentos es un cajón de sastre. Saltarse niveles no ahorra tiempo: lo multiplica.
El diagnóstico que la mayoría de las empresas no se ha hecho.
La pregunta más rentable que puede hacerse una empresa antes de invertir en tecnología es: ¿en qué nivel estamos realmente?
No en qué nivel creemos estar. En qué nivel estamos con evidencias operativas: ¿los empleados usan el repositorio o siguen mandando archivos por email? ¿El CRM tiene datos actualizados o lleva seis meses sin que nadie lo toque? ¿El ERP cuadra con la realidad o hay tres versiones distintas del mismo dato?
Gartner dice que el 63% de las organizaciones no confían en sus propias prácticas de gestión de datos para IA [2]. Si ni siquiera saben en qué estado están sus datos, ¿cómo van a invertir con criterio?
Saber dónde estás no cuesta casi nada. Pero no saberlo puede costar decenas de miles de euros en proyectos de IA que nunca generarán retorno — y algo peor: meses de ventaja competitiva perdida mientras la empresa que sí se preparó ya está operando con la IA que funciona.
La IA no espera. Pero tampoco perdona la falta de base.
La ventana competitiva se está cerrando. Las empresas que construyan su base operativa hoy serán las que realmente capten valor de la IA mañana. Las que se salten los cimientos acabarán en la estadística del 60% de proyectos abandonados [2].
Cada nivel de madurez que una empresa escala se paga a sí mismo: horas recuperadas, errores eliminados, margen ganado. No hace falta llegar al nivel 5 para empezar a ver retorno. El nivel 1 ya genera ahorro desde el primer mes.
Pero hay que empezar sabiendo dónde estás. Todo lo demás viene después.
Referencias:
[1] McKinsey & Company. The State of AI: Global Survey, 2025. El 88% de las organizaciones usan IA; solo el 39% reportan impacto en EBIT. La IA generativa puede añadir hasta 4,4 billones de dólares anuales en valor.
[2] Gartner, Inc. Lack of AI-Ready Data Puts AI Projects at Risk, febrero 2025. El 60% de los proyectos de IA serán abandonados por falta de datos preparados. El 63% de las organizaciones no confían en sus prácticas de gestión de datos para IA.
[3] MIT Project NANDA. The GenAI Divide: State of AI in Business 2025, julio 2025. El 95% de los pilotos de IA empresarial no generan retorno mesurable.
[4] Andrew Ng, Stanford University / DeepLearning.AI. Investigación sobre calidad de datos en IA: «If 80 percent of our work is data preparation, then ensuring data quality is the most critical task for a machine learning team.» Inconsistencias del 20-30% en datasets de entrenamiento.
[5] Boston Consulting Group. From Potential to Profit: Closing the AI Impact Gap, 2025. Las empresas que rediseñan procesos antes de desplegar IA obtienen mejoras de productividad del 50%+. Las que adoptan un enfoque de «tecnología primero» obtienen mejoras de un solo dígito.
[6] Devantia. DCMM — Devantia Composite Maturity Model, v1.0. DOI: 10.5281/zenodo.18816737. Zenodo (CERN), licencia CC BY 4.0.