La estrategia de IA se escribe la última
En el modelo, la estrategia encabeza la lista. En una empresa mediana, escribirla primero produce un documento, no una capacidad.
El motivo es sencillo: una estrategia de IA redactada antes de tener un solo caso instrumentado es un ejercicio de imaginación. Fija prioridades sobre supuestos que nadie ha medido, compromete presupuesto sobre ahorros que nadie ha visto y envejece en cuanto el primer piloto real devuelve datos. Hemos leído unas cuantas. Casi todas se parecen entre sí, porque todas salen del mismo sitio: de lo que se lee, no de lo que se opera.
Lo que sí funciona es el orden inverso. Un caso medido —uno— genera tres cosas que ninguna estrategia sobre el papel puede generar: una cifra real de coste, una cifra real de ahorro o de capacidad, y un aprendizaje sobre dónde está de verdad el cuello de botella de tu organización. Con eso, la estrategia se escribe sola en dos páginas y con números propios.
El matiz, que importa: esto vale para la empresa mediana sin supervisión sectorial severa. Si operas en banca, seguros de vida y salud o sanidad, la gobernanza y la estrategia suben al principio, porque el coste de equivocarse no es un piloto fallido sino un expediente.
Las siete capas, en lenguaje de negocio
Antes de la ruta, el mapa. Estas son las siete dimensiones del modelo de Gartner (2025), traducidas a la pregunta que responde cada una:
| Capa | La pregunta que responde |
|---|---|
| AI value | ¿Qué gano, cuánto, y cómo lo sabré? |
| AI data | ¿Tengo el material con el que se construye eso? |
| AI governance | ¿Qué está prohibido, quién decide y qué queda registrado? |
| AI engineering | ¿Cómo pasa de demo a algo que aguanta un martes cualquiera? |
| AI people and culture | ¿Quién lo va a usar de verdad, y por qué iba a hacerlo? |
| AI organization | ¿Quién manda en esto y con qué presupuesto? |
| AI strategy | ¿Hacia dónde vamos y qué no vamos a hacer? |
Siete es un número incómodo. Nadie ataca siete frentes a la vez, y menos una empresa mediana. Por eso la parte útil del modelo no es la lista: es entender que estas capas no son igual de urgentes, y que la más urgente casi nunca es por la que se empieza.
Por dónde entra la mayoría, y por qué falla
La entrada habitual es por ingeniería: se compra una herramienta y se lanza un piloto. Es la entrada natural porque es la única con un proveedor que llama a la puerta.
Y es también donde se acumulan los fracasos. Gartner preveía en julio de 2024 que al menos el 30% de los proyectos de IA generativa se abandonarían tras la prueba de concepto antes de terminar 2025; su lectura de 2026 sitúa esa cifra por encima del 50%. RAND documentó en 2024 que más del 80% de los proyectos de IA no entregan el valor de negocio previsto. Y el informe The GenAI Divide del MIT (2025) puso el titular más citado del año: el 95% de los pilotos de IA generativa no produce impacto medible en la cuenta de resultados.
Conviene tratar ese último dato con cuidado, porque casi nadie lo hace. El estudio del MIT se apoya en 153 respuestas de directivos, 52 entrevistas y la revisión de más de 300 iniciativas públicas entre enero y junio de 2025, y ha recibido críticas fundadas por su diseño muestral. No es una ley física. Pero incluso quienes lo discuten coinciden en la dirección: hay mucha más actividad que transformación.
La pregunta interesante no es cuántos fracasan, sino dónde. En nuestra experiencia llevando IA a producción, el proyecto rara vez muere en la capa por la que entró. Muere dos capas más abajo:
- El piloto de ingeniería muere porque nadie definió en valor qué era ganar, así que a los seis meses no hay forma de defender su continuidad ante el comité.
- El caso muere porque en datos el conocimiento que necesitaba estaba en la cabeza de tres personas y en una carpeta de PDFs. Gartner estima que el 60% de los proyectos de IA se abandonarán hasta 2026 por una base de datos inadecuada, y que el 63% de las organizaciones no tiene —o no sabe si tiene— prácticas de gestión de datos aptas para IA.
- La herramienta muere porque en personas se desplegó a 400 empleados sin que nadie cambiara un solo proceso, y a las ocho semanas la usaban once.
Ese es el patrón. Se entra por arriba y se muere por abajo.
La secuencia que proponemos
Frente a las siete capas en paralelo, esta es la ruta que aplicamos en empresa mediana. No es el orden del dibujo; es el orden en que cada capa desbloquea la siguiente.
- Valor. Elegir un caso y ponerle línea base antes de tocar nada. Si no puedes decir cuánto cuesta hoy el proceso que quieres mejorar, no tienes un caso: tienes una intuición. Es la primera porque es la única que desbloquea presupuesto para las demás.
- Datos. Solo los que ese caso necesita. No una estrategia de datos corporativa: la preparación mínima viable para un caso concreto. La diferencia entre ambas cosas son dieciocho meses.
- Gobernanza. El mínimo exigible, que en 2026 ya no es opcional: las obligaciones de transparencia del Reglamento Europeo de IA se aplican desde el 2 de agosto de 2026. Tres preguntas: qué está prohibido, quién decide, qué queda registrado.
- Ingeniería. Ahora sí. Construir o comprar para ese caso, con criterio de coste de salida.
- Personas y cultura. El equipo que va a operarlo. No formación genérica: el rediseño del trabajo de las personas concretas que tocarán ese proceso.
- Organización. Cuando hay dos o tres casos vivos, y no antes. Montar un comité de IA para un piloto es burocracia; montarlo para una cartera es gobierno.
- Estrategia. Con evidencia propia sobre la mesa. Dos páginas y números tuyos.
En mid-market, la madurez correcta es desigual
Hay un consejo implícito en casi todos los modelos de madurez: avanzar parejo en todas las dimensiones. Es un buen consejo para una empresa de veinte mil personas y un mal consejo para una de trescientas.
Una empresa mediana no tiene ancho de banda directivo para siete frentes. Lo que sí puede hacer —y lo que vemos funcionar— es una forma deliberadamente desigual: profundidad real en dos capas, mínimo viable en las otras cinco, y consciencia de cuál es cuál. Ser deliberadamente inmaduro en organización mientras eres muy bueno en valor y datos no es una carencia: es una asignación de recursos.
El error no es la desigualdad. El error es que sea accidental.
Cómo saber en qué capa estás atascado
Tres preguntas separan bastante bien a las empresas que van a avanzar de las que van a acumular pilotos:
- ¿Puedes decir, en euros o en horas, cuánto cuesta hoy el proceso que quieres mejorar? Si no, estás atascado en valor, aunque creas que estás en ingeniería.
- Si mañana quisieras que un sistema respondiera con el criterio de tu empresa, ¿de dónde saldría ese criterio? Si la respuesta es «de la gente», estás atascado en datos.
- ¿Quién firma que una salida de IA se puede usar con un cliente? Si no hay nombre, estás atascado en gobernanza, y es cuestión de tiempo que aparezca un incidente que lo demuestre.
Ninguna de las tres es técnica. Las tres son de negocio. Ese es exactamente el punto de esta serie.
Antes de esto, y después de esto
Si todavía estás decidiendo si arrancar, y no cómo, la pieza previa es las tres razones legítimas para esperar seis meses. Esta serie asume que esa decisión ya está tomada.
Y si lo que buscas no es el mapa sino la lista de acciones del primer trimestre, está en por dónde empieza un CEO: los 5 ejes del primer trimestre. Aquella pieza responde «qué hago ya»; esta responde «dónde estoy y en qué orden avanzo».
Conclusión
El modelo de madurez de Gartner responde bien a «¿qué aspecto tiene hacerlo bien?». No responde a «¿qué hago yo, con mi tamaño, mi equipo y mi presupuesto?». Esa traducción es el trabajo, y no se hace leyendo: se hace midiendo un caso.
Si estás en el punto de saber que hay que arrancar pero no en cuál de las siete capas está tu cuello de botella, ese diagnóstico es exactamente por donde empezamos nosotros.
Preguntas frecuentes
¿Cuáles son las 7 capas del modelo de madurez de IA?
Estrategia, valor, organización, personas y cultura, gobernanza, ingeniería y datos. Es el marco publicado por Gartner en 2025. Describe las dimensiones en las que una organización madura; no prescribe el orden en que una empresa concreta debe recorrerlas.
¿Por dónde debe empezar una empresa mediana con IA?
Por la capa de valor: elegir un caso de uso y medir su línea base antes de comprar nada. Es la única capa que desbloquea presupuesto para las demás, y la ausencia de línea base es el motivo más común por el que un piloto no sobrevive al primer comité.
¿Cuánto tarda una empresa en alcanzar madurez en IA?
No hay una cifra honesta. Lo que sí es medible es el primer tramo: un caso de uso instrumentado, con línea base y decisión de continuar o parar, se resuelve en un trimestre. Cualquiera que dé un plazo para «ser maduro en IA» sin conocer tus datos está vendiendo.
¿Hay que avanzar en las siete capas a la vez?
No, y en empresa mediana intentarlo es contraproducente. La forma que funciona es desigual a propósito: profundidad en dos capas, mínimo viable en el resto, sabiendo cuál es cuál.
¿Por qué fracasan tantos proyectos de IA?
Porque se entra por la capa equivocada. Gartner sitúa por encima del 50% los proyectos de IA generativa abandonados tras la prueba de concepto, y atribuye al 60% de los abandonos hasta 2026 una base de datos inadecuada. El proyecto rara vez muere donde empezó: muere en la capa que se saltó.
Jordi García es Tech Lead en onext. Trabaja en llevar la IA a producción gobernada en equipos de desarrollo y de producto —con Spec-Driven Development, ingeniería de contexto y verificación humana en cada paso— y firma los insights técnicos de onext sobre método, calidad y coste de la IA aplicada.
LinkedIn →