Madurez en IA para PyMEs: checklist de autodiagnóstico (25 puntos)

Por qué la mayoría de los proyectos de IA no llegan a producción

Según Gartner (2025), 54% de los proyectos de IA empresarial no llegan a producción. La causa raíz casi nunca es la tecnología: es la falta de preparación organizacional. El modelo funciona en la laptop de alguien y muere cuando toca datos reales, procesos reales y personas reales.

En una PyME el problema se agrava por una razón concreta: no hay margen para un piloto fallido. Una corporación absorbe un proyecto de IA que no rinde; una empresa de 30 a 200 personas se queda sin presupuesto y sin credibilidad interna para intentarlo de nuevo en dos años.

Por eso conviene invertir dos horas en un autodiagnóstico honesto antes de invertir seis meses de presupuesto. En Teseo Data Lab usamos un framework de 5 dimensiones para evaluar madurez antes de recomendar cualquier inversión.

Cómo usar este checklist

Son 25 preguntas de Sí/No, agrupadas en 5 dimensiones con pesos distintos. Respóndelas con quien conozca la operación real, no con quien conozca la presentación.

La regla que más cuesta cumplir: si la respuesta es "más o menos", es No. El autodiagnóstico solo sirve si es incómodo.

Framework de 5 dimensiones

1. Madurez de datos (40% del peso)

Es la dimensión que más pesa y la que más se subestima. Sin datos limpios y accesibles, ningún modelo de IA funciona — y ningún proveedor puede arreglarlo por ti.

Qué revisar:

• ¿Tenemos los datos del negocio consolidados en un solo lugar consultable?
• ¿Podemos responder una pregunta de negocio con datos en menos de 24 horas?
• ¿Tenemos menos de 5% de registros duplicados en los dominios críticos (clientes, productos)?
• ¿Hay alguien con responsabilidad explícita sobre la calidad de los datos?
• ¿Los datos se actualizan solos, sin que alguien exporte un Excel cada mes?

Score: 1 punto por cada Sí. Menos de 3 = no listo · 3-4 = listo con preparación · 5 = listo.

Nota para PyMEs: "consolidados en un solo lugar" no exige un data warehouse corporativo. Una base bien estructurada con carga automática cumple. Lo que no cumple es el Excel que vive en el correo de una persona.

2. Caso de negocio (25% del peso)

IA sin un problema claro es un experimento académico con factura.

Qué revisar:

• ¿Hay un problema de negocio documentado y con un costo estimado?
• ¿Hay una métrica de éxito medible antes de empezar?
• ¿Hay un responsable con autoridad para sostener el proyecto?
• ¿El caso escala si funciona, o resuelve algo que pasa dos veces al año?
• ¿Se evaluaron alternativas sin IA (automatización simple, mejor proceso)?

La última pregunta descarta más proyectos que ninguna otra, y es la más barata de hacer.

3. Talento (15% del peso)

Qué revisar:

• ¿Hay alguien que entienda de datos más allá de usar hojas de cálculo?
• ¿Hay capacidad de mantener lo que se construya, propia o contratada?
• ¿Hay alguien del negocio que pueda traducir el problema a requisitos?
• ¿Hay expertos de dominio disponibles para validar si los resultados tienen sentido?
• ¿Hay presupuesto para cubrir el hueco si falta el perfil clave?

Nota para PyMEs: la respuesta realista suele ser un perfil híbrido más un proveedor, no un equipo interno. Es una respuesta válida, siempre que el mantenimiento esté contratado desde el día uno y el código quede en tu poder.

4. Procesos y gobernanza (10% del peso)

Qué revisar:

• ¿Hay un criterio para decidir si un modelo se aprueba o no?
• ¿Se revisó qué pasa si el modelo se equivoca, y a quién afecta?
• ¿Hay un plan para que la gente efectivamente lo use?
• ¿Se va a medir el uso y la calidad después de lanzarlo?
• ¿Hay presupuesto para mejorarlo después del lanzamiento?

5. Infraestructura y tecnología (10% del peso)

Qué revisar:

• ¿Hay infraestructura (nube o propia) suficiente para el caso?
• ¿Hay presupuesto operativo para el consumo de modelos y servicios?
• ¿Hay un entorno donde probar sin tocar producción?
• ¿Se va a monitorear el modelo una vez en operación?
• ¿Los datos están protegidos en tránsito y en reposo?

Es la dimensión de menor peso a propósito: hoy la infraestructura casi nunca es el cuello de botella. Los datos sí.

Tu score total

Qué hacer según tu score

No listo (0-10)

• Consolidar y limpiar los datos antes que cualquier iniciativa de IA.
• Asignar responsabilidad explícita sobre la calidad del dato.
• Documentar 3-5 problemas de negocio con su costo.
• No contratar todavía a un proveedor de IA: pagarías por construir sobre arena.

Listo con preparación (11-17)

• Elegir un caso simple, con datos que ya existan y ya estén limpios.
• Dedicar los primeros meses a preparar los datos de ese caso, no a modelar.
• Piloto acotado, con la métrica de éxito definida antes de empezar.
• No abrir un segundo caso hasta validar el primero.

Listo (18-22)

• Arrancar 1-2 casos en paralelo, con responsables distintos.
• Apoyo externo para la arquitectura; el conocimiento se queda en casa.
• Medir el retorno de forma sistemática desde el inicio.

Avanzado (23-25)

• Portafolio de casos activos y priorizados por impacto.
• Plataforma interna que evite reconstruir lo mismo cada vez.
• Evaluar modelos propios solo si el volumen lo justifica.

Dónde se rompe habitualmente una PyME

Tres patrones que aparecen una y otra vez en el diagnóstico:

1. Score alto en tecnología, bajo en datos. Se compró la herramienta antes de resolver de dónde salen los números. La herramienta acaba mostrando datos en los que nadie confía.
2. Caso de negocio prestado. El caso viene de un artículo o de lo que hizo un competidor, no de un costo propio identificado. Sin dolor propio no hay sponsor que lo sostenga cuando se complique.
3. Nadie a cargo del después. El proyecto tiene responsable hasta el lanzamiento y ninguno después. A los seis meses el modelo sigue corriendo con datos de hace seis meses.

Errores frecuentes de autodiagnóstico

1. Optimismo infundado. Las empresas tienden a calificarse por encima de su realidad operativa. Si dudas entre dos puntuaciones, toma la baja.
2. Ignorar la dimensión de datos. "El modelo lo arregla" — nunca lo arregla. Es el 40% del peso por algo.
3. Confundir entusiasmo con madurez. Que la dirección quiera IA no significa que la empresa esté lista; significa que hay sponsor, que es solo una de las 25 casillas.

Da el siguiente paso

Si tu score salió entre 11 y 22, el siguiente paso no es contratar un modelo: es elegir bien el primer caso y preparar sus datos. AI CRM Lead Journey —un agente entrenado sobre tu propia operación, no un asistente genérico— suele ser el primer caso más razonable, porque se apoya en el conocimiento que la empresa ya tiene documentado.

En Teseo Data Lab entregamos análisis con código y dashboards ejecutables, R² > 0.85 y pricing flat — con +18 años, +415 proyectos y +3M de puntos de datos en 9 países.

¿Quieres contrastar tu autodiagnóstico con alguien que haya visto el error de cerca? Escríbenos por WhatsApp o agenda un diagnóstico sin costo.