Por Rodrigo Cornejo, Fixer de Mamífero
En la página 10 del AI Maturity Index Chile 2026, publicado por Forbes Chile con el apoyo de Kyndryl, hay una frase que resume el problema completo. Dice que el 34% de los ejecutivos que identifica la calidad del dato como principal barrera para escalar inteligencia artificial es «el doble» del 30% que menciona los sistemas heredados.
Treinta y cuatro no es el doble de treinta. Son cuatro puntos.
Lo verifiqué contra el archivo original porque asumí que era un error de extracción. No lo es: la frase está entera y dice eso. Y no es una errata cualquiera. Es la frase que instala la tesis del informe —el freno de la IA en Chile está en el dato— y la instala inflando una diferencia que, como voy a mostrar, ni siquiera existe.
Este texto no es sobre ese informe. Es sobre por qué llevamos dos años repitiendo cifras de adopción de IA sin preguntar nunca de dónde salen.
Lo que el informe hace bien
Empiezo por ahí, porque si no, esto se lee como un ajuste de cuentas y no lo es.
La aritmética del informe está impecable. Sus cuatro tablas cierran en 100. El gráfico de madurez de datos publica las barras en valores absolutos —2, 14, 22, 7 y 5— que suman exactamente las 50 respuestas del panel, y el promedio de 2,98 que el texto reporta se reproduce al decimal desde esas barras. Los porcentajes derivados también calzan: 44% en el nivel medio, 32% en los niveles bajos, 10% en el nivel máximo. Nadie maquilló nada.
Las cinco entrevistas son la mejor parte del documento y sobreviven a todo lo que sigue. La distinción que hace Gonzalo Oyanedel, de Walmart Chile, entre los proyectos vistosos que se pagan a duras penas y los que se entierran en la operación y mueven el resultado, es una manera útil de ordenar una cartera. La tesis de Andrés Kipreos, de Buk, de que el problema no es la falta de pilotos sino la falta de alguien que los lleve a operación, describe con precisión algo que cualquiera que haya intentado esto reconoce. La distinción de Reinaldo Rodríguez, del Banco Itaú, entre la herramienta corporativa bajo control de riesgo y la licencia personal fuera del perímetro es exactamente la conversación que hay que tener. Nada de eso depende del tamaño de la muestra. Son cinco personas contando lo que hicieron, y valen por eso.
El problema aparece cuando el documento deja de contar lo que le dijeron cinco personas y empieza a describir al tejido empresarial chileno.
El panel son cincuenta
Cincuenta respuestas ejecutivas, recogidas entre marzo y abril de 2026, repartidas entre once rubros: banca, seguros, utilities, minería, logística, retail, manufactura, tecnología, agricultura, educación y servicios. Cuatro coma cinco respuestas por rubro.
Sobre esa base, cada punto porcentual es media empresa. Conviene traducir las cifras que van a circular:
El 10% que declara datos en madurez plena son cinco compañías. El 4% que tiene comité de ética formal de IA son dos. El 8% que se autodefine como «AI First» son cuatro. Y en el gráfico de retorno por área, el 2% de Finanzas y el 2% de Recursos Humanos son una respuesta cada uno.
Sobre ese 2% —un ejecutivo— el informe construye la sugerencia de que el backoffice poco explorado podría ser el terreno donde se juega la ventaja competitiva de mediano plazo. Y desde ahí pasa, en el párrafo siguiente, a la agenda de modernización de infraestructura de la empresa que patrocina el estudio.
Los rankings que no son rankings
Acá está el hallazgo de fondo, y es el que me hizo escribir esto.
El informe publica dos gráficos en formato de ranking: las barreras para escalar IA y el retorno percibido por área funcional. Los presenta como orden, los interpreta como orden, y monta sobre ese orden dos de sus cinco recomendaciones finales al directorio.
Corrí el test que corresponde para comparar dos categorías dentro de una pregunta de elección única. Los resultados, con las 50 respuestas del propio informe:
- Calidad del dato (34%) contra sistemas heredados (30%): p = 0,86.
- Primer lugar del gráfico de retorno (48%) contra el segundo (24%): p = 0,065.
- Segundo contra tercero: p = 0,36. Tercero contra cuarto: p = 0,77.
- Sistemas heredados (30%) contra ciberseguridad (16%): p = 0,21.
Ninguna posición consecutiva de ninguno de los dos rankings se separa del azar.
La primera línea es la más incómoda. Entre el 34% y el 30% que el informe describe como una diferencia del doble, la probabilidad de que el orden se invierta al repetir la encuesta con otras 50 personas es prácticamente la de lanzar una moneda. No es que la brecha sea chica: es que no hay brecha que medir.
Y la recomendación número cinco del informe dice, textualmente, que hay que elegir una o dos áreas funcionales para construir productos maduros de IA, y apunta a Operaciones y Atención de público porque ahí está el retorno. Esa recomendación descansa entera sobre un ranking que la muestra no sostiene.
Los intervalos que nadie publicó
En veintitrés páginas no hay un solo margen de error. Ni uno.
Con 50 casos, un 10% se mueve entre 4,3% y 21,4% con 95% de confianza. Un 4% se mueve entre 1,1% y 13,5%. El 10% que da título a la tesis del informe podría ser el doble. El 4% que sostiene su capítulo regulatorio podría ser más del triple.
La brecha entre ambición y preparación existe igual, y probablemente sea real. Pero citar «10%» como dato es citar el punto medio de un rango que llega al doble, y presentarlo con dos cifras significativas es sugerir una precisión que la muestra no tiene.
Hay más. El informe afirma que las grandes empresas tradicionales tienden a reportar mayor resistencia al cambio que las pymes o las compañías más jóvenes. Es una afirmación de subgrupo. Para hacerla hay que partir 50 respuestas por tamaño y por antigüedad, lo que deja celdas de diez o quince casos. El informe no publica el número de casos de esos subgrupos. Tampoco publica el cuestionario de diez preguntas, así que no sabemos cómo se le definió a un ejecutivo qué significa tener datos en «madurez plena».
Un detalle técnico menor y sintomático: la escala de madurez es ordinal, del 1 al 5, y el informe le calcula media aritmética. Eso supone que la distancia entre el nivel 1 y el 2 es igual a la distancia entre el 4 y el 5, cosa que nadie estableció. La mediana del panel, que sería el estadístico correcto, es 3. Un 2,98 se ve más preciso y dice menos.
El problema que el propio informe documenta
Todas las mediciones del índice son autorreportadas. Nadie auditó un solo repositorio de datos. Lo que el informe mide no es la madurez de los datos: es lo que cincuenta ejecutivos creen sobre la madurez de sus datos.
Y acá está la contradicción más limpia del documento, porque la trae él mismo.
En la página 12, citando un estudio global de LeBow College, el informe consigna que el 87% de los líderes mundiales afirma tener datos listos para IA mientras el 43% señala, al mismo tiempo, la preparación de datos como su principal barrera. El informe usa ese dato como prueba de que la autopercepción de los ejecutivos sobre sus datos no coincide con la realidad.
Es evidencia de que el autorreporte, en esta pregunta específica, no es confiable. Y el instrumento completo del informe es autorreporte sobre esa pregunta.
Hay un segundo problema en la misma familia. El 80% que «se auto-percibe como líder o par de sus competidores» es una categoría compuesta. Declararse par es declararse promedio, que no es lo mismo que declararse líder. El informe nunca publica el desglose. La paradoja que le da título —ambición alta, cimientos bajos— se construye contrastando ese 80% con el 10% de datos maduros, y basta con abrir la categoría para que la paradoja cambie de tamaño. Puede que siga siendo grande. No lo sabemos, y el documento tenía el dato.
Hacia dónde se inclina el error
Una muestra chica no es necesariamente una muestra sesgada. Esta probablemente lo es, y en una dirección concreta.
La nota metodológica declara que el panel está orientado a empresas con presencia en el radar mediático y consultivo de Forbes Chile. Eso es autoselección por partida doble: quién está en esa órbita, y quién de esa órbita accedió a contestar. La empresa que va más atrasada en IA es también la menos propensa a responder una encuesta sobre madurez en IA.
Si eso es así, el panel es más maduro que el país. Lo que significa que el 10% real podría ser todavía más bajo, y que la brecha que el informe denuncia sería peor de lo que reporta. La crítica metodológica no favorece al optimismo: le quita piso a la cifra en las dos direcciones.
La bibliografía
Tres de las siete referencias del informe son de 2024, en un documento publicado en 2026 sobre un campo que se mueve todos los meses. Una, la de Entel Digital y CENIA, no tiene año.
El estudio de LeBow College aparece citado en el cuerpo como «2026 State of Data Integrity and AI Readiness» y en la bibliografía como «Global AI Readiness Study (2024)». Distinto título, distinto año. En el cuerpo se le atribuyen tres cifras diferentes —87%, 51% y 78%— sin distinguir a cuál de los dos pertenece cada una.
El dato del MIT sobre que el 95% de los proyectos de IA nunca supera la fase piloto, que aparece en el caso de Walmart Chile, no está en la bibliografía. Es una cifra que circuló mucho el año pasado y que fue discutida a fondo cuando se publicó. Aparece acá sin fuente rastreable.
Y una menor, que dejo con su matiz: la presentación se refiere a «el primer AI Maturity Index Chile», mientras la bibliografía cita dos mediciones chilenas previas de madurez en IA, la de MAS Analytics y la de Entel con CENIA. Se puede argumentar que un índice no es un barómetro, o que «primer» se refiere a la primera edición de este índice en particular. Es una lectura razonable. También es el tipo de ambigüedad que después se cita como el primer estudio de madurez en IA de Chile.
Nada de esto está escondido
Vale la pena decirlo con todas sus letras, porque cambia de qué estamos hablando.
El documento se identifica en cada una de sus páginas como contenido patrocinado. La nota metodológica advierte que el estudio no equivale a una medición probabilística de alcance nacional y que hay que leer los resultados en el contexto de una muestra orientada. Forbes Chile y Kyndryl no ocultaron nada.
Solo que esa nota está en la página 22. Después de las conclusiones. Después de las cinco recomendaciones al directorio. Después de que el lector ya se llevó el 92%, el 80% y el 10%.
Y las cifras no circulan con la página 22 adosada. Circulan solas, en una lámina de un comité ejecutivo, en el segundo párrafo de una propuesta, en un posteo de LinkedIn. Para entonces solo el 10% de las empresas chilenas tiene datos maduros ya es un hecho del sentido común, y nadie recuerda que son cinco empresas de un panel de cincuenta con un intervalo que llega al 21%.
La pregunta que no hacemos
Acá es donde esto deja de ser sobre un informe.
Casi toda cifra de adopción de inteligencia artificial que se cita en Chile viene de alguien que tiene algo que vender: una consultora, un proveedor de infraestructura, una plataforma, un medio con un patrocinio. No es una acusación, es la estructura del mercado: nadie financia una medición cara de un tema que no le importa comercialmente. El sesgo no está en la mala fe, está en quién decide que vale la pena medir y qué pregunta se hace.
Lo que sí es responsabilidad nuestra es haber dejado de preguntar. Repetimos porcentajes durante dos años sin averiguar nunca cuántas personas contestaron.
Son tres preguntas y toman treinta segundos:
¿Cuántas respuestas hay detrás? Si el estudio no lo dice en la primera página, ya sabes algo. Si son menos de cien y el titular habla de un país, la cifra sirve para conversar, no para decidir.
¿Quién contestó y cómo llegaron ahí? Un panel de conveniencia describe al panel. Si los participantes salieron de la red de contactos de quien publica, el resultado dice más de esa red que del mercado.
¿Publican margen de error? Si no hay intervalos, no hay forma de saber si un ranking es un hallazgo o un accidente. Y si no hay intervalos pero sí hay rankings, la carga de la prueba se invirtió.
Yo no hice ninguna de las tres durante bastante tiempo, y cité cifras de este tipo en presentaciones. Esta columna existe porque esta vez sí las hice y el resultado fue peor de lo que esperaba.
Lo que queda
El AI Maturity Index Chile 2026 documenta bien una cosa: cinco personas que están ejecutando esta transición contaron cómo lo están haciendo, y eso se sostiene solo. Todo lo demás es una foto de cincuenta ejecutivos presentada con la sintaxis de una medición nacional.
La brecha entre lo que las empresas chilenas declaran sobre IA y lo que sus cimientos permiten probablemente existe. Es una intuición razonable y coincide con lo que uno ve trabajando. Pero una intuición razonable con un 34% pegado adelante no es más verdadera: solo es más difícil de discutir.
Y la ironía del asunto es que el informe se titula La paradoja de la preparación. La paradoja que documenta con más precisión es la suya: un documento que denuncia que las organizaciones confían más en sus datos de lo que esos datos aguantan, construido enteramente sobre datos que confían en sí mismos.
Y una nota a título personal: 👏Dejemos👏de👏creer👏en👏todo👏lo👏que👏diga👏IA. Por favor.