El jueves 20 de agosto participé en una sesión con ejecutivos en UTEC donde Blaze presentó un modelo de madurez para inteligencia artificial. La conversación dejó sobre la mesa una tensión bastante concreta para quienes hoy están construyendo sus planes 2027: muchas empresas ya utilizan IA, pero eso no significa que estén preparadas para escalarla.
Copilots, automatizaciones y primeros agentes muestran adopción. La madurez aparece cuando la organización puede integrar esas capacidades en procesos relevantes, asignar responsabilidades, gobernar decisiones y demostrar impacto sobre el negocio. McKinsey plantea precisamente esa diferencia entre habilitar el uso de IA y transformar realmente workflows y operating models para capturar valor a escala. [1]
Para un director, la pregunta no debería ser únicamente qué tecnología incorporar el próximo año, sino otra bastante más exigente: ¿qué nivel de complejidad puede sostener hoy la organización sin perder control sobre el resultado?
La madurez no se define por el stack
Una compañía puede tener buenos modelos, plataformas sofisticadas y presupuesto relevante para IA, y seguir operando con datos fragmentados, procesos poco claros, responsabilidades difusas o sin una medición económica consistente.
Por eso conviene entender la madurez como un sistema de capacidades.
MITRE, por ejemplo, estructura su AI Maturity Model a partir de múltiples pilares organizacionales y cinco niveles de progresión. Su aproximación es útil porque evita reducir la madurez a una discusión tecnológica y obliga a observar estrategia, organización, tecnología, datos, desempeño y uso responsable. [2]
Para aterrizar esa conversación al negocio, el modelo que presentamos trabaja sobre seis dimensiones:
1. Estrategia y creación de valor. ¿Está claro dónde la IA debe mover revenue, margen, costo de servir o diferenciación?
2. Workflows y operating model. ¿Estamos agregando IA sobre tareas existentes o rediseñando procesos completos?
3. Organización humano-agente y decision rights. ¿Está definido qué puede decidir un sistema, qué requiere aprobación y quién conserva accountability?
4. Knowledge, data y technology foundation. ¿La IA opera sobre información confiable, integrada y gobernada?
5. Governance, risk y AI lifecycle. ¿Existen límites de autonomía, monitoreo, trazabilidad, gestión de incidentes y mecanismos de rollback?
6. Economics, measurement y learning. ¿Podemos demostrar impacto económico y convertir lo aprendido en una capacidad reutilizable?
NIST refuerza especialmente la dimensión de governance al estructurar la gestión del riesgo de IA alrededor de cuatro funciones: Govern, Map, Measure y Manage. La lógica es relevante para directorio porque coloca accountability, medición y gestión del riesgo dentro del ciclo de vida de la capacidad, no como una revisión posterior al despliegue. [3]
ISO/IEC 42001 agrega otra capa: trata la gestión de IA como un management system que requiere responsabilidades, controles, evaluación y mejora continua. [4]
La madurez tampoco avanza de manera uniforme
Una organización puede tener una buena arquitectura tecnológica y todavía no saber quién responde por una decisión automatizada. Otra puede contar con governance razonable, pero no tener integraciones o conocimiento suficientemente confiable para que un agente opere sin intervención manual.
Por eso evitaría resumir toda la empresa en una única calificación. Para efectos del roadmap resulta más útil identificar qué dimensión puede convertirse en restricción para la iniciativa que queremos ejecutar.
Pensemos en un agente de atención al cliente. Tener un modelo capaz de conversar bien es apenas una parte de la ecuación. También necesitamos definir qué información puede consultar, qué acciones puede ejecutar, qué decisiones requieren aprobación, cómo se escalan las excepciones y qué métrica económica permitirá determinar si realmente mejora costo de servir, experiencia o retención.
La tecnología puede estar lista antes que la organización.
Cinco niveles para entender qué podemos sostener
La progresión puede simplificarse en cinco estados.
L0 — Traditional. La IA es marginal y la operación funcionaría prácticamente igual sin ella. La prioridad está en identificar dónde existe valor y empezar a construir capacidades.
L1 — AI-Assisted. Las personas utilizan IA para mejorar tareas individuales como análisis, búsqueda, redacción o soporte a decisiones. Puede existir bastante adopción, pero workflows y responsabilidades permanecen esencialmente iguales.
L2 — AI-Integrated. La IA empieza a participar de manera repetible en procesos relevantes. Aparecen integraciones, ownership, conocimiento conectado y una medición más consistente del resultado.
L3 — AI-Centric / Agentic. Procesos, roles y decision rights empiezan a cambiar. Personas y agentes participan dentro del mismo workflow con límites explícitos de autonomía, supervisión y escalamiento.
L4 — AI-Native. La IA forma parte estructural de cómo la organización crea, entrega o captura valor. Retirarla obligaría a rediseñar parte del operating model, los economics o incluso la propuesta de valor.
McKinsey identifica varios de estos patrones en organizaciones AI-centric: IA como participante del trabajo, una capa común de conocimiento, arquitecturas componibles y autonomía que aumenta progresivamente conforme los sistemas demuestran desempeño y confianza. [5]
Ese punto me parece especialmente relevante. La autonomía no debería concederse porque la tecnología lo permite; debería ampliarse porque la organización ha demostrado que puede gobernarla.
Qué cambia en el roadmap 2027
En la edición anterior de Commerce Revenue Architecture planteábamos que el roadmap debería partir del resultado económico y no de una lista de proyectos.
Con IA agregaría un gate adicional antes de priorizar cada iniciativa. Preguntaría cuatro cosas: qué resultado económico esperamos mover, qué nivel de madurez exige la iniciativa, qué dimensión puede convertirse en restricción y qué habilitadores necesitamos construir primero.
Eso cambia bastante una conversación como “implementar agente de customer service”.
Cuando hacemos el ejercicio completo aparecen las capacidades necesarias para que ese agente produzca valor: datos confiables, integración con CRM, permisos, límites de autonomía, escalamiento, trazabilidad, monitoreo y una métrica económica que permita comprobar el resultado.
El proyecto deja entonces de ser una promesa tecnológica y empieza a convertirse en una capacidad empresarial.
McKinsey plantea algo similar en su modelo de tres horizontes de transformación: pasar de habilitar personas con herramientas a automatizar workflows y, finalmente, rediseñar el operating model exige cambios progresivamente más profundos en procesos, roles y organización. [1]
El roadmap también debería decir “todavía no”
No todas las empresas deberían tener el mismo portafolio de IA en 2027.
Una organización AI-Assisted puede capturar bastante valor consolidando copilots, automatizaciones y mejores foundations de datos. Una AI-Integrated puede comenzar a rediseñar workflows completos. Otra con governance, procesos y decision rights más maduros puede avanzar hacia agentes especializados y mayores niveles de autonomía.
No hay ninguna razón para que las tres intenten parecer igualmente sofisticadas.
El objetivo tampoco debería ser llegar a L4 lo antes posible. La madurez amplía las opciones disponibles; no obliga a utilizar la solución tecnológicamente más compleja.
Antes de cerrar el roadmap 2027, buscaría poder responder tres preguntas: ¿dónde estamos hoy?, ¿qué nivel necesitamos poder sostener?, ¿qué capacidades debemos construir para llegar allí?
Con esas respuestas, la conversación sobre IA deja de ser una lista de tendencias y empieza a convertirse en una decisión sobre arquitectura, capital y capacidad de ejecución.
Fuentes y referencias
[1] McKinsey & Company. From adoption to impact: Three horizons of AI transformation. 8 de julio de 2026.
[2] MITRE. The MITRE AI Maturity Model and Organizational Assessment Tool Guide. 3 de noviembre de 2023.
[3] NIST. Artificial Intelligence Risk Management Framework (AI RMF 1.0).
[4] ISO/IEC 42001:2023. Artificial intelligence — Management system.
[5] McKinsey & Company. The seven operating truths of AI-native companies. 11 de junio de 2026.