Qué significa ser una empresa AI-first: definición, requisitos y hoja de ruta

La confusión más cara del momento es creer que una empresa se vuelve “AI-first” (IA como primer criterio) repartiendo copilotos y comprando licencias. La evidencia dura dice lo contrario: solo alrededor del 5% de las empresas captura valor a escala, y esa minoría gana por rediseñar cómo trabaja y cómo se gobierna, no por tener más tecnología. El cuello de botella no es el modelo —los modelos son excelentes y baratísimos—; es la organización. Este informe traduce esa brecha en una definición operativa, una taxonomía para no confundir marketing con estrategia, los seis requisitos que sí mueven la aguja, los casos que funcionaron (y los que se echaron para atrás), y una hoja de ruta concreta para quien va a liderar esto en una empresa grande.

Fecha de los datos: agosto 2026. Cifras, precios de vendors y regulación cambian rápido. Usa este documento para entender los criterios de decisión; verifica el estado actual antes de comprometer presupuesto.

TL;DR

• Ser AI-first no es adoptar copilots ni comprar licencias, sino rediseñar el modelo operativo y de negocio para que la IA sea el punto de partida de cómo se decide, se produce y se cobra. Solo ~5% de las empresas captura valor a escala (BCG llama a ese grupo future-built, “construidas para el futuro”), y ganan por rediseño de flujos y disciplina de gobierno.
• El cuello de botella es la organización, no el modelo: 88% de las empresas usa IA con regularidad, pero solo ~1/3 la escala (McKinsey); ~95% de los pilotos de IA generativa no muestra retorno medible en el estado de resultados (MIT). La diferencia la marcan el liderazgo del CEO, datos con contexto de negocio, gobierno del riesgo y gestión del cambio.
• 2026 es el año de los agentes en producción, pero con reversiones documentadas (Klarna, Duolingo) que prueban que AI-first bien entendido es aumento y rediseño, no sustitución ingenua de personas.

1. Definición y orígenes

De dónde viene el término (2016-2017). En 2016, pocos meses después de asumir como CEO, Sundar Pichai proclamó que Google —sinónimo de búsqueda— pasaría a ser una empresa “AI-first”, en su conferencia de desarrolladores Google I/O. En 2017 formalizó la iniciativa “Google.ai”, agrupando los equipos de machine learning (aprendizaje automático: enseñarle a un sistema a partir de datos en vez de programarlo con reglas). El detonante había sido el lanzamiento de Alexa por Amazon en 2014. El significado original era acotado: reorientar los productos en torno al aprendizaje automático.

Cómo mutó (2023-2026). Con ChatGPT (fines de 2022) y la IA generativa, “AI-first” dejó de ser una postura de producto para volverse una tesis de rediseño del modelo operativo. Con los agentes autónomos (2024-2026) evolucionó otra vez, hacia la agentic organization (“organización agéntica”: procesos rediseñados alrededor de una fuerza laboral digital). Ironía útil: el propio Google tuvo que declarar un “code red” interno en 2023 cuando OpenAI y Microsoft lo adelantaron. Declararse AI-first no equivale a serlo.

La taxonomía que evita confundir marketing con estrategia

Cuatro etiquetas circulan y se usan como sinónimos. No lo son. La prueba de fuego de cada una es distinta:

Término	Qué significa de verdad	Prueba de fuego	Ejemplo
AI-enabled (habilitada por IA)	IA como capa de mejora sobre procesos que ya existían; el proceso de fondo no cambia	Si le quitas la IA, el negocio funciona igual	La mayoría de empresas con copilots
AI-powered (impulsada por IA)	Producto o mensaje que incorpora funciones de IA (a menudo, término de marketing)	¿La IA es una feature o el núcleo?	Suites SaaS con “funciones de IA”
AI-first (IA primero)	La IA influye en qué se prioriza, se financia y cómo se opera; rediseño deliberado	Si la IA cambia qué iniciativas se financian	Shopify, JPMorgan, DBS
AI-native (nativa de IA)	La IA es la arquitectura fundacional; concebida sobre IA desde cero	Sin IA no hay producto	OpenAI, Anthropic, Nubank

Una regla práctica que usan los que están en esto:

Si la IA mejora la velocidad y la eficiencia de ejecución, la organización es AI-enabled. Si la IA influye en qué iniciativas se priorizan y financian, es AI-first. Si la IA moldea cómo se diseñan, gobiernan y asignan las decisiones, se mueve hacia AI-native.

El salto de un nivel al siguiente es un cambio de a quién sirve la IA: de mejorar tareas → a decidir inversiones → a ser la arquitectura misma.

  AI-enabled ──► AI-powered ──► AI-first ──► AI-native
  (mejora la     (feature de    (decide QUÉ   (ES la
   tarea)         producto)      se financia)  arquitectura)

  "la IA         "la IA es      "la IA cambia  "sin IA no
   ayuda"         una función"   el presupuesto" hay producto"

Qué NO es ser AI-first. Adoptar copilots o comprar licencias de forma aislada; ejecutar pruebas de concepto (PoC, proof of concept) desconectadas de los flujos de trabajo reales —el famoso pilot purgatory, “purgatorio de pilotos”—; y el AI washing (marketing de IA sin cambio operativo real, como el greenwashing pero con IA). MIT lo llama “alta adopción, baja transformación”: más del 90% de las organizaciones tiene empleados usando herramientas de IA personales (la shadow AI economy, “economía de IA en la sombra”) mientras los pilotos oficiales fracasan. McKinsey lo bautizó “AI theater” (teatro de IA).

2. Qué busca de verdad una empresa AI-first

• Rediseño de procesos, no automatización marginal. El hallazgo más citado del State of AI 2025 de McKinsey: de 25 atributos evaluados, el rediseño de flujos de trabajo es el que más impacto tiene en que una organización vea efecto en su EBIT (el resultado operativo, las ganancias antes de intereses e impuestos) por usar IA generativa. BCG lo complementa: el 70% del valor potencial de la IA está en el negocio central (I+D, ventas, marketing, manufactura), no en funciones de soporte.
• La economía de la empresa cambia. El costo marginal del trabajo cognitivo se desploma. Según el AI Index de Stanford, el costo de inferencia (lo que cuesta que el modelo responda, medido por millón de tokens —las piezas en que el modelo parte el texto—) de un modelo equivalente a GPT-3.5 cayó de US$20 por millón de tokens en noviembre de 2022 a US$0,07 en octubre de 2024: una reducción de más de 280 veces. Eso habilita apalancar la dotación (Shopify: probar que la IA no puede hacer el trabajo antes de contratar) y nuevas unidades económicas. El CEO de Moderna, Stéphane Bancel: “Si lo hiciéramos a la manera biofarmacéutica antigua, quizás necesitaríamos cien mil personas hoy. Creemos que podemos maximizar nuestro impacto con unos pocos miles, usando tecnología e IA para escalar.”
• Nuevos modelos de negocio: cobrar por resultado, no por asiento. Transición documentada de per-seat (pago por usuario/mes) a consumo o resultado:

Vendor	Modelo de cobro	Detalle
Salesforce Agentforce	Por conversación → créditos → licencia	Lanzó a US$2 por conversación (2024), luego Flex Credits (~US$0,10 por acción) y licencias por usuario (US$125-550/mes); los tres coexisten
Intercom Fin	Por resolución	US$0,99 solo cuando el agente resuelve la conversación de punta a punta
Zendesk	Por resolución automatizada	US$1,50 con volumen comprometido; US$2,00 sin compromiso
ServiceNow Now Assist	Por “assists”	Una tarea generativa ~25 assists; una acción agéntica ~150; el CFO dijo que ~50% del nuevo negocio ya no se cobra por asiento

• Velocidad de decisión y ventajas defendibles. Los ciclos de aprendizaje y los datos propios crean data flywheels (“volantes de datos”: más uso → más datos → mejor modelo → más uso). DBS maneja 15.000 atributos por cliente; Nubank entrenó su propio modelo, nuFormer, sobre 135M de clientes. Eso es difícil de copiar.

La evidencia, separando lo sólido del hype

Evidencia sólida (muestras grandes, metodología transparente):

• McKinsey — The State of AI 2025 (≈1.993 encuestados): 88% reporta uso regular de IA en al menos una función (vs. 78% un año antes); 72% usa IA generativa (vs. 33% en 2024); pero solo ~1/3 la escala (7% “totalmente escalada”) y solo 39% reporta impacto en EBIT a nivel empresa.
• BCG — The Widening AI Value Gap (30-sep-2025, n=1.250): solo 5% son future-built, con 1,7x el crecimiento de ingresos, 1,6x el margen EBIT y 3,6x el retorno total al accionista (TSR, total shareholder return) a tres años frente a sus pares; 35% son scalers y el 60% restante, laggards (rezagadas). Los agentes fueron 17% del valor de IA en 2025, proyectado a 29% en 2028.
• Stanford HAI — AI Index 2025/2026: inversión corporativa en IA de US$252.300M en 2024; adopción organizacional del 78% (2024) al 88% (2025).

Tendencia emergente, con reparos metodológicos (úsalo como señal, no como verdad exacta):

• MIT — The GenAI Divide (jul-2025, 52 entrevistas + 153 encuestas): “Solo 5% de los pilotos de IA integrados extrae millones en valor; la gran mayoría sigue atascada sin impacto medible en el estado de resultados”, sobre US$30-40.000M invertidos. Es preliminar, no revisado por pares y con muestra chica; la crítica apunta a la precisión del número, no a la dirección.
• S&P Global (mar-2025): las empresas que abandonan la mayoría de sus iniciativas de IA subieron a 42% (desde 17% el año previo). Gartner predijo que >40% de los proyectos de IA agéntica se cancelarán para fines de 2027.

Ojo con el “95%”: es una cifra direccional valiosa para argumentar urgencia, pero no la cites como dato duro. La lectura correcta no es “la IA no sirve”, sino “la mayoría la está implementando sin rediseñar el proceso ni medir la línea base”.

3. Qué se necesita: los seis requisitos habilitantes

Esta es la sección central. Ser AI-first se sostiene sobre seis pilares. Fallar en cualquiera te devuelve al “teatro de IA”.

  ┌────────────────────────────────────────────┐
  │ 1. LIDERAZGO Y ESTRATEGIA                  │
  │ (CEO al centro, CAIO, Centro de Excelencia)│
  └───┬────────────────────────────────────────┘
      │ sostiene a los otros cinco pilares
      ▼
  2. DATOS      contexto + RAG + capa semántica
  3. TECNOLOGÍA gateways, orquestación, MCP
  4. TALENTO    upskilling, rediseño del trabajo
  5. GOBIERNO   EU AI Act, ISO 42001, NIST RMF
  6. MEDICIÓN   ROI y value tracking

3.1 Liderazgo y estrategia

• El CEO y el directorio. McKinsey: el rediseño de flujos y poner líderes senior en roles críticos (por ejemplo, gobierno de IA) es lo que empuja el impacto en EBIT. En las empresas future-built (BCG), los CEO ponen la IA en el centro de la estrategia, con metas de arriba hacia abajo y hojas de ruta secuenciadas.
• El CAIO (Chief AI Officer, director de IA). Auge rápido: según IBM (2.300 organizaciones), 26% ya tenía un CAIO dedicado en 2025 (vs. 11% dos años antes), y quienes lo tienen reportan ~10% más retorno en IA. Cuando la IA es el diferenciador central, el CAIO debe reportar al CEO o al directorio. Sus cuatro carriles: estrategia de IA de la empresa, gobierno centralizado, priorización de casos de uso y gestión del cambio.
• Centralizar o federar. El patrón dominante es hub-and-spoke (“eje y radios”) o Centro de Excelencia (CoE): centralizar al principio, cuando la experticia es escasa, y federar a medida que madura. Gartner: las organizaciones de baja madurez centralizan; las de alta madurez distribuyen para no crear cuellos de botella. Moderna llevó esto al extremo democratizando la creación de GPTs (750 en dos meses, de abajo hacia arriba).

3.2 Datos

• Plataforma, calidad y gobierno. DBS: una plataforma de datos centralizada (una única fuente de verdad) más un repositorio de protocolos de IA bajó el time-to-market (tiempo hasta salir a producción) de iniciativas de IA de 15 meses a menos de 3. Su directivo Nimish Panchmatia lo resume: el problema para escalar “no es la tecnología”; se necesita talento que entienda el negocio.
• Context engineering, RAG y capas semánticas. Los pilotos fracasan casi siempre por falta de contexto de negocio. JPMorgan cableó su LLM Suite a repositorios de documentos, registros de llamadas y knowledge graphs (grafos de conocimiento) vía APIs seguras, sin casarse con un solo modelo. Anthropic (sep-2025) define context engineering (ingeniería de contexto) como “el conjunto de estrategias para curar y mantener el conjunto óptimo de tokens durante la inferencia del LLM” —distinto del prompt engineering (escribir instrucciones)— y lo enmarca como “la progresión natural del prompt engineering, no su reemplazo”, sobre la base de un “presupuesto de atención” limitado. RAG (Retrieval-Augmented Generation, generación aumentada por recuperación) es la técnica de darle al modelo los documentos relevantes en el momento de responder, en vez de esperar que “se los sepa”.
• Datos no estructurados como el verdadero tesoro. El valor está en activar correos, contratos y llamadas con capas de recuperación (RAG) y productos de datos gobernados, no solo las tablas ordenadas que ya se usaban.

3.3 Tecnología e infraestructura

• Cómputo (cloud y GPU). Capex enorme (Alphabet: US$91.000M en 2025 y una guía de US$195.000-205.000M para 2026). Pero la inferencia colapsó ~280x en costo, y eso vuelve viables casos de uso que antes no lo eran.
• Enrutadores de modelos y orquestación multiagente. Arquitecturas model-agnostic (que no dependen de un proveedor: JPMorgan ofrece OpenAI y Anthropic). Patrones de orquestación: supervisor-worker (un agente coordina a otros) vs. peer-to-peer (agentes entre pares, más difícil de auditar; no recomendado en producción sin observabilidad madura).
• MCP e interoperabilidad de agentes. El MCP (Model Context Protocol, protocolo de contexto de modelo, de Anthropic, nov-2024) se volvió el estándar de facto para conectar agentes con herramientas; se donó a la Linux Foundation en dic-2025 y supera 110M de descargas mensuales. Lo complementa A2A (Agent-to-Agent, de Google) para la comunicación entre agentes. Límite: MCP es hub-and-spoke y por sí solo no expresa delegación de tareas ni gobierno de permisos.
• Observabilidad y evaluación continua. Evals (pruebas automatizadas de calidad del modelo), LLM-as-a-judge (un modelo evalúa la salida de otro contra criterios) y observabilidad de LLM (Datadog, LangSmith, Braintrust). El LLM-as-a-judge logra ~85% de alineación con el juicio humano, pero es no determinista y sensible al prompt; se mitiga con chain-of-thought (pedirle que razone paso a paso), rúbricas y “jurados” de varios modelos.
• LLMOps y FinOps de IA. LLMOps/AgentOps es la disciplina de operar modelos y agentes en producción (versionado, despliegue, monitoreo). La FinOps Foundation lanzó un grupo “FinOps for AI” con métricas nuevas: costo por token, cuotas, tagging, y unidades ligadas a resultados (costo por consulta, por usuario/mes, por flujo completado). Advertencia clave: la infraestructura de alrededor (bases de datos vectoriales, embeddings, rerankers, orquestación, observabilidad) puede ser 40-60% del gasto total de una función.

3.4 Talento y cultura

• Roles nuevos: AI engineer, AI product manager, forward deployed engineer (ingeniero que se despliega junto al cliente). Escasez extrema —algunos procesos de selección aprueban <5%.
• Upskilling masivo. JPMorgan: programa “AI Made Easy” para decenas de miles; ~250.000 con acceso a LLM Suite, ~50% de uso diario. Moderna: AI Academy con Carnegie Mellon y Coursera, +2.000 empleados formados, ~14.700 horas.
• Rediseño del trabajo. Shopify (memo de Tobi Lütke, abr-2025): “el uso reflexivo de IA es ahora una expectativa base en Shopify”; los empleados deben justificar por qué una tarea no puede hacerse con IA antes de pedir más dotación, y la competencia en IA entra en las evaluaciones de desempeño.
• Resistencia y miedo. La comunicación importa: el backlash (reacción negativa) de Duolingo muestra el costo reputacional de un mensaje AI-first mal encuadrado. El consenso emergente favorece modelos híbridos humano-IA por sobre la automatización total.

3.5 Gobierno, riesgo y cumplimiento

• Los marcos, en tres capas. ISO/IEC 42001:2023 (el primer sistema de gestión de IA certificable), NIST AI RMF 1.0 (marco operativo de gestión de riesgo, del instituto de estándares de EE.UU.) y taxonomías de control (OWASP LLM Top 10, MITRE ATLAS). Encima, regulación vinculante: EU AI Act, GDPR, DORA.
• EU AI Act (Reglamento UE 2024/1689): las obligaciones para modelos de propósito general aplican desde el 2 de agosto de 2025; la aplicación por la Comisión, desde el 2 de agosto de 2026; multas de hasta €35M. Ojo con el calendario: el Digital Omnibus (Reglamento UE 2026/1744, vigente desde el 27 de julio de 2026) corrió las obligaciones de los sistemas de alto riesgo al 2 de diciembre de 2027 (Anexo III) y al 2 de agosto de 2028 (Anexo I). Tiene alcance extraterritorial (aplica aunque no estés en la UE si tu producto llega ahí). ISO 42001 no cubre todo el AI Act.
• Seguridad de agentes. Cisco AI Readiness Index 2025 (8.000+ líderes): “Menos de un tercio (31%) de las organizaciones se dice plenamente equipada para controlar y asegurar sistemas de IA agéntica.” Los marcos clásicos asumen supervisión humana; los agentes rompen ese supuesto. La práctica emergente: gateways MCP que inspeccionan y firman cada llamada a herramienta.
• Sectores regulados (banca). DBS tiene un marco propio, PURE, con comité de uso responsable de datos y filosofía human-in-the-loop (humano en el circuito de decisión). JPMorgan desarrolló LLM Suite in-house, en entorno controlado, con explicabilidad y gobierno de datos como prioridad.

3.6 Medición

• KPIs y seguimiento de valor. DBS es el estándar de oro: reporta valor económico auditado internamente año a año (SGD 180M en 2022 → 370M en 2023 → 750M en 2024 → SGD 1.000M proyectado en 2025), con >1.500 modelos en 370 casos de uso. JPMorgan mide ROI por iniciativa con grupos de prueba y control, y estima valor firmwide de hasta US$2.000M.

La distinción que lo decide todo: adopción ≠ impacto. Que todos usen la herramienta no significa que el EBIT se mueva. Solo ~39% de las empresas reporta impacto en EBIT a nivel compañía (McKinsey). Si no lo mides con línea base y control, no lo tienes.

4. Casos globales: lo que funcionó y lo que se echó para atrás

Éxitos y transformaciones:

• DBS Bank (Singapur): el referente AI-first en banca. >1.500 modelos en 370+ casos de uso; SGD 1.000M de valor económico proyectado en 2025; caso de estudio de Harvard. Su CEO, Tan Su Shan: “No es esperanza. Es ahora. Ya está pasando.”
• JPMorgan Chase (EE.UU.): LLM Suite (in-house, verano 2024) desplegado a ~250.000 empleados; 450+ casos de uso; presupuesto tecnológico de US$18.000M al año. La visión: cada empleado con un asistente personalizado, cada proceso con agentes, cada experiencia de cliente con un “concierge” de IA.
• Moderna (EE.UU.): 750 GPTs en dos meses; 80%+ de adopción de su chat interno. (Cifras autoreportadas en un caso de OpenAI, sin auditoría independiente.)
• Nubank (Brasil): AI-native; #1 del Evident AI Index for Banks LATAM 2026; modelo propio nuFormer para crédito sobre 135M de clientes.

Tropiezos y reversiones (la parte más aleccionadora):

• Klarna: en feb-2024 anunció que su agente de IA hacía el trabajo de 700 agentes (2,3M de conversaciones, resolución de 11 a <2 min). Para may-2025, el CEO Sebastian Siemiatkowski reconoció que fueron “demasiado lejos” y recontrató humanos por caída de calidad y empatía. Matiz importante: los “700 agentes” fue contratación evitada, no 700 despidos, y Klarna sigue invirtiendo en IA. Es a la vez caso de éxito y advertencia sobre el alcance de “AI-first”.
• Duolingo: su memo AI-first (abr-2025) prometía dejar de usar contratistas para trabajo que la IA pudiera hacer; el backlash público forzó al CEO a aclarar que nunca despidió empleados de planta. En 2026 eliminó la métrica de “uso de IA” en las evaluaciones porque la gente “usaba IA por usarla”, y reveló el problema del AI slop (“basura de IA”): ~20% de las historias generadas por idioma salían inutilizables.

La lección conjunta de Klarna y Duolingo: la sustitución ingenua de personas usa métricas promedio que esconden la distribución de la calidad. El promedio se ve bien; la cola larga de casos malos es la que enfurece al cliente. Por eso el patrón ganador es aumento + rediseño, no reemplazo.

Diferencias regionales, en breve:

Región	Rasgo dominante
EE.UU.	Líder en inversión (US$109.100M privados en 2024) y modelos frontera
Europa	Enfoque regulatorio (EU AI Act como referencia global)
Asia	DBS (Singapur) como referente; Singapur 61% y EAU 64% de adopción
LATAM	Leap-frogging: Nubank y Mercado Libre como AI-native/AI-first. Chile 1º regional en el Índice ILIA 2025 (“pionero”); Brasil y Uruguay en el top 50 global de readiness. Brechas: conectividad rural, costos en USD para PYMEs y talento concentrado

5. Cómo se llega ahí: la hoja de ruta

Dónde está atascada la mayoría. Gartner define cinco etapas (Foundational → Emerging → Operational → Scaled → Transformational) y la mayoría se estanca en la experimentación por falta de infraestructura de medición. McKinsey: solo ~1% de las organizaciones se considera madura en IA. La diferencia entre alta y baja madurez es gobierno, accountability ejecutiva e integración en flujos —no mejor tecnología.

  FASE 0          FASE 1            FASE 2             FASE 3
  0-3 meses       3-9 meses         9-18 meses         18+ meses
  ─────────       ─────────         ──────────       ─────────
  Fundaciones     Plataforma        Escalar y          Organización
                  + quick wins      rediseñar flujos   agéntica
  · Tesis del     · Datos +         · Rediseño         · Multiagente
    CEO             gobierno          end-to-end         en producción
  · Nombrar       · Gateway         · Federar          · MCP/A2A
    CAIO            model-agnostic     capacidades      · Pricing por
  · 2-3 casos     · RAG sobre       · FinOps de IA       outcome
    con línea       datos propios   · Primeros         · Reinvertir
    base          · LLMOps +          agentes con        retornos
  · Centro de       observabilidad    human-in-the-      (future-built
    Excelencia    · Medir ROI         loop acotado       gastan >2x)
                    test/control

De la hoja de ruta a tu ruta de estudio

La misma hoja de ruta, pero ahora como un camino de aprendizaje: cada fase es un nivel de madurez que subes, y debajo van los cursos de esta academia que te preparan para ejecutarla. Léelo de arriba hacia abajo.

¿Tienes cuenta? Tu ruta de aprendizaje personalizada por nivel marca cada paso como completado a medida que avanzas. Esta línea de tiempo es el mapa; la ruta es tu progreso real.

Anti-patrones documentados (por qué fracasan):

1. “Bolt AI onto legacy processes”: pegarle IA a procesos legados sin rediseñarlos.
2. Sobreinvertir en hero projects visibles al directorio en vez del back-office de alto retorno.
3. Tratar la IA como software tradicional (sin memoria, feedback ni aprendizaje).
4. Sin línea base: nadie midió el flujo antes (la crítica central de MIT).
5. Concentrar el gasto en ventas/marketing cuando el back-office rinde más.
6. Sustitución ingenua de personas por métricas promedio que esconden la cola de mala calidad (Klarna).

Checklist observable: ¿es realmente AI-first?

• ¿La IA cambia qué iniciativas se priorizan y financian, no solo cómo se ejecutan?
• ¿Hay una tesis de valor del CEO con metas de arriba hacia abajo y presupuesto reasignado?
• ¿Existe una plataforma de datos gobernada con contexto de negocio conectado (RAG / capa de conocimiento)?
• ¿Se mide valor económico por iniciativa y se reporta (estilo DBS)?
• ¿Los flujos de trabajo se rediseñaron de punta a punta?
• ¿Hay LLMOps/evals/observabilidad y FinOps de IA en producción?
• ¿El gobierno del riesgo (ISO 42001 / NIST / EU AI Act) está operativo, no en papel?
• ¿La fluidez en IA es transversal y está en los incentivos y las evaluaciones?

6. Visión 2026 en adelante

• Agentes en producción. Gartner (ago-2025): “El 40% de las aplicaciones empresariales estarán integradas con agentes de IA de tarea específica para fines de 2026, frente a menos del 5% hoy.” Pero la mayoría de los pilotos de agentes no llega a producción, por brechas de gobierno y observabilidad, no por calidad del modelo.
• Organizaciones agénticas. El concepto AI-first converge con organizaciones donde los agentes son fuerza laboral digital; MCP y A2A construyen la agentic web entre empresas.
• El debate sobre el empleo se modera. Las reversiones (Klarna, Duolingo) enfrían el discurso de sustitución. El desplazamiento es real en tareas rutinarias, pero el patrón dominante de las empresas que sí capturan valor es aumento + rediseño.
• Hacia dónde va el concepto. De “usar IA” a “operar distinto por la IA”; de adopción a transformación; de cobrar por asiento a cobrar por resultado; de herramientas estáticas a sistemas con memoria y aprendizaje.

7. Recomendaciones para un futuro Head of AI

1. Empieza por la tesis de valor y la línea base, no por la herramienta (30-90 días). Elige 2-3 casos donde puedas medir el estado de resultados y mide el flujo ANTES de desplegar. Regla: si no puedes medir el estado actual, no escales. Ataca directo la causa raíz del “95%”.
2. Asegura patrocinio del CEO y define el modelo operativo (CAIO + Centro de Excelencia hub-and-spoke). Reasigna presupuesto de forma explícita (las future-built gastan >2x que las rezagadas). Si el gobierno de IA no llega al directorio y no hay dueño con presupuesto, sigues en “teatro de IA”.
3. Invierte primero en datos y contexto, no en más modelos. Plataforma gobernada + RAG/capa de conocimiento + context engineering. El diferencial de DBS (de 15 a 3 meses) vino de la plataforma, no del modelo.
4. Construye LLMOps/evals/observabilidad y FinOps de IA desde el día uno. Evals y LLM-as-a-judge para calidad; costo por token y unidades ligadas a resultado para la economía. No pases a agentes autónomos sin observabilidad madura.
5. Rediseña flujos de punta a punta antes de automatizar. Es el atributo #1 correlacionado con impacto en EBIT (McKinsey).
6. Gestiona el cambio con cuidado. Evita el error de Duolingo/Klarna: encuadra AI-first como aumento y rediseño, con upskilling masivo, incentivos y human-in-the-loop en decisiones sensibles.
7. Opera el gobierno del riesgo como capacidad, no como papeleo. Mapea al EU AI Act (fechas 2025-2026), persigue ISO 42001, usa NIST AI RMF; en banca, industrializa la gestión de riesgo de modelos.
8. Avanza por fases con umbrales claros: pasa de Fase 1 a 2 cuando tengas ≥2 casos con ROI probado por test/control; a Fase 3 (agentes en producción) solo con observabilidad, auditoría y gateways de seguridad de agentes.

Caveats (léelo antes de citar cifras)

• Evidencia vs. hype: las cifras de BCG, McKinsey y Stanford HAI son sólidas. El “95%” de MIT es direccional y preliminar (muestra chica, sin revisión por pares): úsalo como señal, no como verdad exacta.
• Fuentes autoreportadas: los casos de Moderna y Klarna (vía OpenAI) y las métricas de vendors (Salesforce, ServiceNow) vienen de partes interesadas sin auditoría independiente. El valor de DBS es auditado internamente, no por terceros.
• El concepto es volátil: “AI-first” es a la vez tesis estratégica seria y término de marketing. La prueba de fuego operativa (¿cambia qué se financia y cómo se decide?) separa una de otra.
• Reversiones en curso: Klarna y Duolingo demuestran que esto sigue evolucionando; trata con escepticismo cualquier afirmación de sustitución total de personas.
• Cifras sobre el CAIO: hay dispersión entre fuentes (IBM 26% en 2025 vs. reportes de hasta 76% en 2026); la tendencia al alza es clara, la magnitud exacta varía por metodología.

La frase para llevarse

Ser AI-first no se demuestra con cuánta IA usas, sino con una pregunta: ¿cambió la IA qué se financia y cómo se decide en tu empresa? Si la respuesta es no, tienes copilots, no una estrategia. El 5% que gana no tiene mejores modelos —tiene mejores flujos rediseñados, datos con contexto y disciplina de gobierno y medición.

---

Para seguir aprendiendo

• Curso de Producto y Gestión de IA — del caso de uso al business case, ROI, roadmap por outcomes, FinOps y gestión del cambio: el “cómo se opera” de este informe, paso a paso
• Glosario de Producto y Gestión de IA — business case, TCO, build vs buy, RICE, north star, KPI, FinOps, EU AI Act y todos los términos que aparecen aquí, en simple
• Sistemas agénticos autónomos: el playbook 2026 en Chile — cuando pases de estrategia a llevar agentes a producción con disciplina
• Curso MLOps — el ciclo de vida del modelo (MLflow, DVC, drift, reentrenamiento) que sostiene la observabilidad que exige la Fase 1
• ¿Workflow agéntico o agente 100% autónomo? Lo que exige un entorno enterprise — control, trazabilidad, tokens y latencia en banca, desde mi experiencia