Gartner advierte que hasta 2026 se abandonará el 60% de los proyectos de IA que no cuenten con datos preparados para esta tecnología. Stefanini identifica la fragmentación de información entre sistemas legacy, bases aisladas y hojas de cálculo como uno de los principales obstáculos para llevar estas iniciativas a producción.
La falta de datos preparados para Inteligencia Artificial se está convirtiendo en uno de los principales riesgos para las empresas que aceleran sus inversiones en esta tecnología. El 63% de las organizaciones no cuenta con prácticas adecuadas de gestión de datos para IA y Gartner prevé que, hasta 2026, se abandonará el 60% de los proyectos de IA que no estén respaldados por datos preparados para esta tecnología.
En Perú, la Inteligencia Artificial gana rápidamente espacio en la agenda empresarial, aunque su incorporación todavía avanza por delante de algunas de las capacidades necesarias para gestionarla. El 78% de los miembros de directorios y alta gerencia considera que la IA mejora la calidad de sus decisiones; sin embargo, solo el 10% de las empresas cuenta con políticas de IA aprobadas y apenas el 18% dispone de protocolos para su uso seguro y ético, de acuerdo con la encuesta AI & Boards 2026 de EY Perú. El país, además, avanzó del octavo al séptimo lugar en el Índice Latinoamericano de Inteligencia Artificial (ILIA) entre 2024 y 2025.
Esta brecha entre el potencial que las organizaciones reconocen en la IA y su nivel de preparación refuerza un desafío clave: contar con datos confiables, gobernados y disponibles para convertir la tecnología en decisiones y resultados concretos para el negocio.
El problema no se limita a la calidad de la información. Para Filipe Cotait, CEO de Stefanini Data & Analytics, muchas organizaciones todavía enfrentan una dificultad previa: sus datos están dispersos entre sistemas heredados, bases de datos aisladas y hojas de cálculo que no están conectadas entre sí, lo que dificulta que los modelos de IA puedan acceder al contexto necesario para generar resultados de negocio.
Esta situación está llevando a las empresas a replantear sus arquitecturas de datos como condición para escalar sus iniciativas de Inteligencia Artificial. Stefanini identificó esta problemática al ampliar en 2026 sus proyectos de datos e IA en Latinoamérica y Estados Unidos mediante una alianza con Databricks.
«La ventaja competitiva ya no depende únicamente del acceso a modelos avanzados de Inteligencia Artificial, sino de la rapidez y capacidad de las organizaciones para estructurar sus propios datos, conectar esa inteligencia con el contexto real de su negocio y ofrecer experiencias fluidas a los clientes», señala Filipe Cotait.
La necesidad de contar con una base de datos preparada también se refleja en los resultados de proyectos empresariales. En un proyecto desarrollado por Stefanini para una empresa de servicios financieros de Latinoamérica, la modernización de la arquitectura permitió pasar de procesamientos con una latencia de uno o dos días a procesamiento en tiempo real, mejorando la precisión de las recomendaciones y el engagement de los usuarios dentro de la aplicación.
En otro proyecto de Stefanini para Telefónica Brasil, la integración de datos y herramientas de IA permitió alcanzar 10 veces más velocidad en el procesamiento de información, reducir en 80% el tiempo requerido por dos ingenieros para resolver problemas y acelerar en 70% la toma de decisiones.
El caso muestra que el valor de la IA no depende únicamente del modelo utilizado, sino de la capacidad de la organización para convertir sus datos en información disponible y accionable.
Claves para sostener la velocidad y competitividad con IA
Para evitar el fracaso en la implementación de tecnologías inteligentes y asegurar un retorno de inversión real, el Grupo Stefanini sugiere priorizar cuatro pilares estratégicos en las organizaciones:
- Construir una base de datos sólida y gobernada: La efectividad de cualquier modelo de IA depende de la calidad de la información subyacente. Sin arquitectura y gobernanza, la IA no escala.
- Evolucionar de la automatización a la creación de valor: Superar el enfoque inicial de reducción de costos y usar la IA para diseñar nuevos productos, canales de ingresos y experiencias de cliente personalizadas.
- Conectar la IA con el contexto del negocio: La ventaja competitiva no está en el algoritmo público, sino en la capacidad de entrenar y alimentar esos modelos con el contexto y los datos propios de la compañía.
- Capacitar al talento para la adaptabilidad continua: Fomentar una cultura corporativa ágil donde los equipos estén preparados para aprender, ajustar el rumbo y probar hipótesis de manera constante.
El desafío, por tanto, no consiste únicamente en implementar nuevas herramientas de Inteligencia Artificial, sino en construir la infraestructura de datos que permita que esas herramientas funcionen a escala.
En un mercado donde las empresas buscan acelerar la adopción de IA, aquellas que logren integrar, gobernar y utilizar sus datos con mayor rapidez tendrán mejores condiciones para convertir la experimentación tecnológica en resultados concretos.
