Ir al contenido
Datos para Todxs ofrece servicios de consultorías y capacitaciones. Bienvenidx. 

La preparación organizacional para la inteligencia artificial

un vacío teórico que empieza a llenarse.
11 de agosto de 2026 por
Datos para todxs
| Sin comentarios aún


Sobre el "AI-readiness"

Hemos estado investigando sobre cómo las organizaciones pequeñas y medianas están accediendo los recursos óptimos para gestionar sus operaciones usando la gran variedad de tecnologías disponibles en nuestra época. Pero nos ha llamado mucho la atención un artículo sobre cómo está ocurriendo en las organizaciones y corporaciones multinacionales: 

Decoding AI readiness: An in-depth analysis of key dimensions in multinational corporations

 (Decodificando la preparación para la IA: Un análisis a profundidad de las dimensiones clave en las corporaciones multinacionales). 

El artículo de Tehrani, Ray, Roy, Gruner y Appio (2024), publicado en la revista Technovation, parte de una constatación incómoda para cualquier organización que hoy considere adoptar inteligencia artificial: aunque el mercado global de IA se valoraba en 136.55 mil millones de dólares en 2022, se proyectaba que iba a crecer a una tasa anual del 37.3% hasta 2030, y las empresas esperaban que la IA mejorara su productividad, hoy día la mayoría de las, les y los gerentes no tiene una forma confiable de saber si su organización está realmente lista para adoptarla. El problema no es falta de entusiasmo por la tecnología, sino falta de un marco conceptual claro sobre qué significa, en la práctica, estar "preparado" para la IA.

Lxs autorxs argumentan que las teorías existentes sobre adopción de tecnología (como el conocido modelo de aceptación tecnológica de Venkatesh y Davis, o el índice de disposición tecnológica de Parasuraman) no bastan para entender la preparación para IA, porque ésta tiene una naturaleza distinta a la de tecnologías más estáticas. A diferencia de un cajero automático o un sistema web basado en reglas fijas de "si-entonces" (if-else), los sistemas de IA son dinámicos, aprenden de los datos y operan como una especie de caja negra cuyo funcionamiento interno resulta difícil de comprender incluso para quienes los implementan. Esa opacidad hace que evaluar sus beneficios y riesgos sea mucho más complejo que evaluar una herramienta tecnológica convencional, y por eso los marcos tradicionales de adopción tecnológica resultan insuficientes.

Para abordar este vacío, el equipo de investigación optó por un enfoque de teoría fundamentada (grounded theory), realizando 52 entrevistas semiestructuradas en profundidad con tomadoras y tomadores de decisiones de distintas corporaciones multinacionales, con sedes en países como Francia, Estados Unidos, Alemania, India y el Reino Unido, y abarcando sectores tan distintos como salud, servicios financieros y telecomunicaciones. Esta diversidad metodológica busca precisamente evitar que el modelo resultante sea válido solo para un tipo de industria o de organización, y darle un carácter más generalizable.

El hallazgo central del estudio:

El hallazgo central del estudio es un modelo de ocho dimensiones de preparación organizacional para la IA: 

  • ambiental
  • tecnológica
  • informacional
  • de infraestructura
  • de datos
  • de lxs participantes (el personal)
  • de lxs clientxs
  • de los procesos

Cada una de estas ocho dimensiones se descompone a su vez en tres subdimensiones, lo que da como resultado un modelo bastante más granular que los marcos de cuatro o cinco dimensiones que suelen usar las consultoras en la práctica.

Un ejemplo que destacan lxs autorxs del estudio es la dimensión de preparación de datos: no basta con tener datos, estos deben cumplir criterios de 1. calidad, 2. disponibilidad y 3. volumen suficientes, porque sin ellos cualquier algoritmo de IA tendrá dificultades para generar valor real, sin importar qué tan sofisticada sea la tecnología que lo rodea.

Más allá del modelo de las ocho dimensiones, el artículo aporta una segunda contribución poco citada pero igual de relevante: una tipología de cinco estrategias de adopción de IA, organizadas en torno a dos ejes — el objetivo gerencial perseguido (reducción de costos vs. diferenciación) y el nivel y tipo de riesgo que la organización está dispuesta a asumir en la adopción (riesgo tecnológico, financiero, o de rechazo, entre otros). Esta tipología es útil porque reconoce que "estar listx para la IA" no tiene un único camino correcto: una organización puede optar por una adopción conservadora orientada a reducir costos con bajo riesgo, mientras otra puede apostar por una adopción más arriesgada orientada a diferenciarse de la competencia.

Teóricamente, el estudio se apoya en la teoría de disposición organizacional al cambio de Weiner (2009) y en el marco de sistemas de trabajo de Alter, para sostener una idea que ya venía insinuándose en investigaciones previas sobre disposición organizacional: la preparación no es un estado binario (listo o no listo), sino un continuo. 

Una organización puede estar altamente preparada en la dimensión de infraestructura tecnológica y, al mismo tiempo, completamente rezagada en la dimensión de preparación del personal o de lxs clientxs. Este matiz es importante porque evita el error común de tratar la "madurez digital" como una sola cifra o etiqueta, cuando en realidad conviene mirarla como un perfil con fortalezas y brechas distintas según el área.

La relevancia práctica del estudio no se limita al mundo corporativo multinacional del que provienen los datos. El modelo de ocho dimensiones, aunque fue construido con gerentxs de grandes empresas, ofrece un vocabulario útil para diseñar diagnósticos de preparación en organizaciones de cualquier tamaño: la lógica de separar preparación tecnológica de preparación de datos, de personas, de procesos y de clientxs o usuarixs es aplicable tanto a una corporación multinacional como a una PYME o una organización sin fines de lucro o proyecto cultural que apenas empieza a pensar en usar datos de forma más sistemática, aunque en ese contexto probablemente convenga simplificar el modelo a menos dimensiones para que sea manejable en la práctica.

Referencia:

Tehrani, A. N., Ray, S., Roy, S. K., Gruner, R. L., & Appio, F. P. (2024). Decoding AI readiness: An in-depth analysis of key dimensions in multinational corporations. Technovation, 131, 102942. https://ideas.repec.org/a/eee/techno/v131y2024ics0166497223002596.html



Compartir esta publicación

Compartir

Etiquetas
Emprendimientos IA Organizaciones
Nuestros blogs
Archivar
Iniciar sesión para dejar un comentario
Cuando el problema no es la idea, sino cómo se organiza
Muchos emprendimientos y empresas medianas no fracasan por una mala idea de negocio. Fracasan —o simplemente se estancan— por algo mucho menos visible: la forma en que organizan a las personas, los procesos y el día a día.