La expan­sión ace­le­ra­da de la inte­li­gen­cia arti­fi­cial den­tro de las empre­sas está abrien­do una nue­va bre­cha entre adop­ción tec­no­ló­gi­ca y capa­ci­dad de ges­tión. Ante el cre­ci­mien­to del lla­ma­do sha­dow AI, la con­sul­to­ra h&k pre­sen­ta una herra­mien­ta de auto­diag­nós­ti­co orien­ta­da a orde­nar datos, gober­nan­za y adop­ción antes de aco­me­ter nue­vas inver­sio­nes.

La inte­li­gen­cia arti­fi­cial ha deja­do de ser una apues­ta expe­ri­men­tal para con­ver­tir­se en una prio­ri­dad estra­té­gi­ca en bue­na par­te del teji­do empre­sa­rial. Sin embar­go, mien­tras las orga­ni­za­cio­nes ace­le­ran pro­yec­tos para auto­ma­ti­zar pro­ce­sos, mejo­rar la pro­duc­ti­vi­dad y refor­zar la toma de deci­sio­nes, empie­za a emer­ger una preo­cu­pa­ción para­le­la: muchas com­pa­ñías están incor­po­ran­do estas tec­no­lo­gías más rápi­do de lo que desa­rro­llan meca­nis­mos inter­nos para gober­nar­las.

Ese esce­na­rio está dan­do lugar al cre­ci­mien­to del deno­mi­na­do sha­dow AI, un fenó­meno que des­cri­be el uso espon­tá­neo o no super­vi­sa­do de herra­mien­tas de inte­li­gen­cia arti­fi­cial den­tro de las empre­sas, fue­ra de los mar­cos esta­ble­ci­dos de con­trol, segu­ri­dad y gobierno cor­po­ra­ti­vo.

La faci­li­dad de acce­so a solu­cio­nes de inte­li­gen­cia arti­fi­cial gene­ra­ti­va ha con­tri­bui­do a demo­cra­ti­zar su uti­li­za­ción entre emplea­dos y equi­pos de dis­tin­tas áreas. Sin embar­go, tam­bién ha abier­to inte­rro­gan­tes rela­cio­na­dos con la pri­va­ci­dad, la pro­tec­ción de datos, el cum­pli­mien­to nor­ma­ti­vo, la cali­dad de la infor­ma­ción uti­li­za­da y la tra­za­bi­li­dad de las deci­sio­nes apo­ya­das por algo­rit­mos.

En este con­tex­to, la con­sul­to­ra tec­no­ló­gi­ca h&k ha pre­sen­ta­do una nue­va herra­mien­ta orien­ta­da a ayu­dar a las orga­ni­za­cio­nes a eva­luar su situa­ción real antes de pro­fun­di­zar en nue­vas ini­cia­ti­vas de inte­li­gen­cia arti­fi­cial. Se tra­ta de la Guía de Auto­diag­nós­ti­co IA, con­ce­bi­da como un ins­tru­men­to prác­ti­co para iden­ti­fi­car for­ta­le­zas, caren­cias y prio­ri­da­des en mate­ria de datos, gobierno, ope­ra­ción y adop­ción.

La ini­cia­ti­va sur­ge en un momen­to en el que el mer­ca­do empre­sa­rial bus­ca con­ver­tir el entu­sias­mo por la IA en capa­ci­da­des sos­te­ni­bles y ali­nea­das con obje­ti­vos de nego­cio.

Como telón de fon­do, el infor­me Cost of a Data Breach Report 2025 ela­bo­ra­do por IBM apun­ta a una bre­cha cre­cien­te entre des­plie­gue tec­no­ló­gi­co y capa­ci­dad de con­trol. Según los datos cita­dos por la con­sul­to­ra, el 97% de las com­pa­ñías que noti­fi­ca­ron inci­den­tes de segu­ri­dad rela­cio­na­dos con inte­li­gen­cia arti­fi­cial no dis­po­nían de con­tro­les ade­cua­dos de acce­so a estas tec­no­lo­gías, mien­tras que el 63% care­cía de polí­ti­cas de gober­nan­za orien­ta­das a ges­tio­nar su uso o evi­tar la expan­sión del sha­dow AI.

Para h&k, el pro­ble­ma no resi­de nece­sa­ria­men­te en la dis­po­ni­bi­li­dad de tec­no­lo­gía, sino en el con­tex­to orga­ni­za­ti­vo que la rodea.

Javier Teja­da, copre­si­den­te y res­pon­sa­ble del área tec­no­ló­gi­ca de la fir­ma, sos­tie­ne que muchas orga­ni­za­cio­nes están entran­do en una fase de adop­ción ace­le­ra­da sin haber con­so­li­da­do pre­via­men­te sus fun­da­men­tos ope­ra­ti­vos. “Muchas empre­sas sien­ten la pre­sión de hacer algo con IA, pero no siem­pre se han pre­gun­ta­do si tie­nen la base nece­sa­ria para hacer­lo bien. El ver­da­de­ro ries­go no es solo no adop­tar inte­li­gen­cia arti­fi­cial, sino avan­zar sin datos fia­bles, sin gobierno, sin casos de uso prio­ri­za­dos o sin un mode­lo cla­ro de adop­ción por par­te de los equi­pos”, afir­ma.

A par­tir de esa pre­mi­sa, la Guía de Auto­diag­nós­ti­co IA pro­po­ne un reco­rri­do estruc­tu­ra­do para eva­luar el nivel de pre­pa­ra­ción de una orga­ni­za­ción. El mode­lo iden­ti­fi­ca seis eta­pas de madu­rez que per­mi­ten diag­nos­ti­car blo­queos y orien­tar deci­sio­nes.

La pri­me­ra fase se refie­re a entor­nos don­de los datos exis­ten, pero per­ma­ne­cen dis­per­sos entre sis­te­mas cor­po­ra­ti­vos, hojas de cálcu­lo y apli­ca­cio­nes inde­pen­dien­tes. En estos esce­na­rios, la ausen­cia de inte­gra­ción difi­cul­ta cons­truir una visión con­sis­ten­te del nego­cio y limi­ta cual­quier pro­yec­to ana­lí­ti­co.

El segun­do nivel apa­re­ce cuan­do la infor­ma­ción ya está cen­tra­li­za­da, pero care­ce de están­da­res cla­ros de cali­dad o res­pon­sa­bi­li­da­des defi­ni­das. En estas situa­cio­nes, las empre­sas toda­vía no pue­den con­fiar ple­na­men­te en sus datos para ali­men­tar mode­los de inte­li­gen­cia arti­fi­cial.

La ter­ce­ra eta­pa refle­ja un momen­to cada vez más habi­tual: exis­te inte­rés por apli­car IA, pero no hay con­sen­so sobre qué pro­yec­tos prio­ri­zar ni qué casos de uso pue­den gene­rar mayor impac­to.

Pos­te­rior­men­te apa­re­ce una fase en la que los obje­ti­vos están iden­ti­fi­ca­dos, aun­que aún fal­tan ele­men­tos crí­ti­cos como métri­cas de éxi­to, mode­los ope­ra­ti­vos, inte­gra­ción tec­no­ló­gi­ca y polí­ti­cas de segu­ri­dad.

Las dos últi­mas eta­pas ponen el foco en pro­ble­mas fre­cuen­tes de eje­cu­ción: pilo­tos que fun­cio­nan pero no esca­lan y solu­cio­nes des­ple­ga­das que no logran trans­for­mar la for­ma de tra­ba­jar de las per­so­nas.

Según la visión de h&k, estas barre­ras mues­tran que la con­ver­sa­ción empre­sa­rial sobre inte­li­gen­cia arti­fi­cial no pue­de limi­tar­se a selec­cio­nar herra­mien­tas o lan­zar prue­bas ais­la­das. El reto pasa por cons­truir capa­ci­da­des per­ma­nen­tes que inte­gren cali­dad del dato, cri­te­rios de gobierno, pro­ce­sos de adop­ción y meca­nis­mos de segui­mien­to.

En pala­bras de Teja­da: “El orden impor­ta. No tie­ne sen­ti­do esca­lar IA si antes no se ha defi­ni­do qué datos son fia­bles, quién los gobier­na, qué casos de uso tie­nen impac­to real o cómo se va a medir la adop­ción. La IA no pue­de abor­dar­se como una suce­sión de prue­bas des­co­nec­ta­das, sino como una capa­ci­dad empre­sa­rial que debe ser sos­te­ni­ble en el tiem­po”.

La apa­ri­ción de herra­mien­tas de auto­diag­nós­ti­co res­pon­de pre­ci­sa­men­te a ese cam­bio de enfo­que. Fren­te a una eta­pa ini­cial mar­ca­da por la expe­ri­men­ta­ción y la rapi­dez de des­plie­gue, cada vez más orga­ni­za­cio­nes bus­can aho­ra eva­luar su gra­do real de pre­pa­ra­ción antes de ampliar inver­sio­nes.

La inte­li­gen­cia arti­fi­cial con­ti­núa con­so­li­dán­do­se como una tec­no­lo­gía trans­ver­sal con capa­ci­dad para rede­fi­nir pro­ce­sos y mode­los ope­ra­ti­vos. Pero, a medi­da que cre­ce su pre­sen­cia, tam­bién aumen­ta la pre­sión para garan­ti­zar que su uso no depen­da úni­ca­men­te de la ini­cia­ti­va indi­vi­dual o del entu­sias­mo pun­tual, sino de estruc­tu­ras capa­ces de con­ver­tir­la en una ven­ta­ja com­pe­ti­ti­va sos­te­ni­ble.