El iceberg de la IA: momentos para navegar con precaución

Estamos en medio de un festival global de Inteligencia Artificial. Todo brilla. El optimismo es contagioso. Las promesas abundan.

Pero hay un problema.

La mayoría está corriendo hacia las pepitas de oro sin preguntarse qué hay bajo la superficie. Como los aventureros del viejo oeste que solo veían el brillo, sin dimensionar el trabajo brutal que requería extraer ese oro.

La IA tiene su propia versión de esa ilusión. Bajo las demos impresionantes y las presentaciones de vendors existe una realidad técnica, organizacional y regulatoria que determina si tu proyecto de IA se convierte en valor real o en un costoso experimento fallido. Son los fundamentos invisibles que muchos ejecutivos no ven porque son “demasiado técnicos”, y que muchos técnicos ignoran porque son “solo procesos o políticas”.

Pero estos fundamentos existen. Operan silenciosamente. Y son la diferencia entre encontrar oro o quebrar en el intento.

Pero hay una metáfora aún más precisa: un iceberg flotando en aguas calmadas. Todo parece seguro. Los vientos soplan a favor. Hasta que la colisión es inevitable.

Los invito a bucear bajo esa superficie brillante.

La paradoja que nadie quiere ver.

Hay algo que no cuadra en América Latina. Somos la tercera región del mundo en adopción individual de inteligencia artificial, con un 75% de usuarios utilizando herramientas de IA al menos una vez por semana. Brasil se consolidó como el tercer mercado global de ChatGPT. En las calles de São Paulo, Ciudad de México o Santiago, millones de personas integran estas tecnologías en su vida cotidiana con una naturalidad que sorprendería a Silicon Valley.

Pero cuando cruzamos la puerta de las empresas, el panorama cambia radicalmente.

El 80% de los proyectos de inteligencia artificial fracasan (RAND Corporation, 2024). Esta tasa duplica la de proyectos de tecnología tradicional. Y la tendencia se está acelerando: el 42% de las empresas abandonaron la mayoría de sus iniciativas de IA durante 2025, comparado con apenas 17% el año anterior (S&P Global Market Intelligence).

El 46% de las pruebas de concepto nunca llegan a producción. Y cuando se pregunta qué salió mal, la respuesta no tiene que ver con los algoritmos: el 43% de los ejecutivos citan la calidad de datos como el obstáculo principal (Informatica CDO Insights 2025).

No fallan los modelos. Falla todo lo que está debajo.

La metáfora del iceberg resume con precisión brutal lo que estamos viendo. La punta brillante sobre el agua representa los modelos de lenguaje, los chatbots, las demos impresionantes, las promesas de automatización. Las empresas aceleran hacia ella convencidas de que llegar primero significa ganar.

Pero debajo del agua existe una masa enorme que sostiene todo. La infraestructura de datos que nadie quiere construir. Los procesos de gobierno, las políticas de calidad, los pipelines de ETL. La arquitectura cloud bien diseñada, la seguridad desde el diseño, los estándares de documentación. Y lo más difícil: la cultura organizacional que entiende que los datos son un activo estratégico, no un subproducto molesto.

Las empresas latinoamericanas navegan a toda velocidad hacia la punta brillante, sin instrumentos para ver lo que hay debajo. La colisión no siempre es espectacular. A veces es un fracaso silencioso, un proyecto que deja de mencionarse en reuniones, un equipo de ciencia de datos que se disuelve sin ruido.

América Latina tiene países haciendo las cosas bien estratégicamente: Chile lidera el Índice ILIA 2025 con 73.07 puntos, seguido por Brasil (69.30) y Uruguay (64.98). Hay talento, ecosistemas emergentes, voluntad política.

Pero enfrentamos obstáculos estructurales. La fuga de talento se acelera. La brecha de inversión es brutal: captamos 8.2 mil millones de dólares versus 190 mil millones a nivel global. La fragmentación regulatoria añade complejidad. Y solo el 17% de empresas latinoamericanas cuenta con frameworks claros de gobernanza de IA.

Anatomía del naufragio: las capas invisibles.

La punta brillante (lo único que todos ven)

Modelos generativos. Chatbots 24/7. Dashboards “inteligentes”. Presentaciones con proyecciones de ROI mágicas. Todo luce moderno, impresionante y urgente.

El problema: esta capa visible representa apenas el 10% del esfuerzo real. El otro 90% vive bajo el agua. Es la parte que se vende fácil, pero también la que distrae de lo que realmente determina si un proyecto vive o muere.

Capa de los fundamentos técnicos que nadie quiere construir.

Justo debajo del agua están los datos reales: dispersos en silos, almacenados en sistemas heredados, hojas de cálculo, ERPs mal integrados, bases de datos que crecieron sin diseño durante años.

El 43% de las organizaciones cita la calidad de datos como el principal obstáculo. Los modelos no fallan por falta de sofisticación matemática. Fallan porque aprenden de datos incompletos, inconsistentes o incorrectos.

Aquí también viven los ETLs y pipelines de datos. La plomería invisible. Nadie aplaude cuando funciona, pero todo se inunda cuando falla. A esto se suma la infraestructura cloud: capacidad computacional, costos gestionados, decisiones arquitectónicas que eviten sorpresas.

McKinsey confirma que las organizaciones exitosas invierten entre 50% y 70% del presupuesto de IA en esta capa, no en el modelo (McKinsey, 2025).

Capa de gobierno y operaciones (donde mueren los pilotos).

Las políticas de datos, los estándares comunes y las definiciones compartidas evitan que cada área tenga su propia versión de la verdad. Y esto cruza toda la organización: desde cómo desarrollo estructura una API hasta cómo diseño nombra un campo en una base de datos. Sin estos estándares, cada equipo construye su propia torre de Babel.

Sin gobierno de datos, la IA simplemente escala el caos existente.

El data lineage permite saber de dónde viene cada dato, cómo se transforma, dónde se usa. Gartner estima que para 2026 el 60% de grandes empresas contará con herramientas de lineage (versus 20% en 2023). Sin trazabilidad no hay confianza ni cumplimiento regulatorio posible.

Aquí también viven seguridad y privacidad. En LATAM, regulaciones como LGPD en Brasil y nuevas leyes locales obligan a controlar accesos, anonimizar información, auditar usos. Se suma MLOps y observabilidad: monitorear modelos en producción, detectar drift, entender cuándo un modelo deja de ser confiable.

La IA no es un proyecto que se entrega una vez. Es un sistema vivo que requiere supervisión constante.

Capa de la cultura y el factor humano (lo que más hunde).

La pregunta clave no es si la empresa tiene datos, sino si realmente toma decisiones basadas en ellos. Muchas organizaciones declaran ser “data-driven”, pero deciden por intuición, jerarquía o política interna.

La gestión del cambio es central cuando la IA afecta procesos y roles. Muchos empleados perciben la IA como amenaza, generando resistencia. Los datos muestran desconfianza creciendo: 52% más preocupado que emocionado en 2023 (versus 37% en 2021).

El talento es otro cuello de botella. El 35% de organizaciones no cuenta con habilidades necesarias. Pero el problema no es solo técnico: los silos entre IT, negocio y ciencia de datos hacen que cada grupo optimice para sí mismo, sin visión común.

Sin alineación estratégica que conecte un modelo con resultado de negocio real, los proyectos se convierten en experimentos caros que nadie sabe justificar cuando llega el momento de renovar presupuestos.

Capa del fundamento regulatorio y estratégico.

En la base del iceberg está lo que sostiene todo. El marco regulatorio es cada vez más relevante: EU AI Act, regulaciones locales en LATAM. Ignorar esto expone a multas y daños reputacionales.

La ética de la IA y los sesgos dejan de ser debates académicos cuando los sistemas afectan personas reales. Amazon Recruiting discriminó contra mujeres. Watson for Oncology recomendó tratamientos peligrosos después de invertir 4 mil millones de dólares en datos sintéticos en vez de historiales clínicos reales.

Pero el mayor riesgo sigue siendo estratégico. Según RAND, la principal causa de fracaso es un malentendido sobre qué problema se intenta resolver. Se implementa IA “porque sí”, porque está de moda o porque la competencia lo hace.

El resultado: frustración cuando el ROI no llega en meses sino en horizontes realistas de dos a cuatro años. La IA no reemplaza la estrategia. La expone. Si el problema no está bien definido, ningún modelo lo va a corregir.

Los fracasos que confirman la regla.

IBM Watson for Oncology: 4 mil millones perdidos. Datos sintéticos versus datos reales de pacientes.

Recomendaciones peligrosas como anticoagulantes para hemorragias activas. Lección brutal: la calidad de datos no es negociable.

McDonald’s + IBM: Piloto de IA en drive-thru cancelado en 2024 tras tres años. Videos virales de sistema agregando 260 McNuggets sin entender contexto. El modelo funcionaba técnicamente, pero carecía de comprensión situacional.

Amazon Recruiting: IA entrenada con CVs mayormente masculinos discriminó sistemáticamente contra mujeres. Los datos no eran neutrales, y el modelo tampoco. El sesgo se amplificó.

El contexto latinoamericano hace el iceberg más traicionero.

En América Latina navegamos con menos margen de error. Mientras otras regiones pueden equivocarse con presupuestos de 190 mil millones, nosotros apenas invertimos 8.2 mil millones. Cada fracaso nos cuesta proporcionalmente más caro.

La infraestructura es desigual: solo 40% de zonas rurales tiene internet básico. La fragmentación regulatoria añade complejidad para empresas que quieren escalar regionalmente. La fuga de talento acelerada desde 2022 y la alta informalidad económica dificultan implementación estructurada.

Pero también hay oportunidades si sabemos construir desde el fondo. En fintech, 70% de la población sigue sub-bancarizada, abriendo enorme espacio para soluciones basadas en datos. En agritech, países como Brasil aplican IA en un sector que representa 30% de su PIB. Chile, Brasil y Uruguay muestran que es posible liderar construyendo fundamentos correctos.

No perderse en el brillo.

El iceberg está ahí. Flotando. Brillante en su punta. Letal en su masa sumergida.

La diferencia entre las organizaciones que sobreviven y las que naufragan no está en la sofisticación de sus modelos. Está en si construyeron los fundamentos invisibles antes de acelerar hacia la promesa brillante.

Pasó el tiempo donde decir “tenemos equipo de Data Governance” o “contratamos un Data Scientist” impresionaba en las salas de directorio. Hoy eso suena aburrido, administrativo, legacy. Lo que enciende los ojos de los ejecutivos es IA: Agentes autónomos, RAG, modelos generativos propios, la promesa de AGI.

El titular cambió. La sustancia no.

Las empresas que entienden esto, que construyen infraestructura de datos confiable, que establecen gobierno antes de pilotos, que trabajan la cultura organizacional, que ven el compliance como habilitador y no como obstáculo, esas empresas están navegando con instrumentos.

Las demás están acelerando con los ojos cerrados, esperando que la suerte las salve.

En la próxima entrega, compartiré lo que he visto en años trabajando con gobiernos y empresas en Argentina, Chile y la región. Los naufragios que presencié. Los casos que funcionaron. Y los fundamentos concretos que toda organización debe considerar antes de lanzarse a IA.

Porque la teoría del iceberg es interesante. Pero la práctica de navegarlo es lo que determina quién llega a destino.