Qué se lleva un cliente cuando termina un diagnóstico de IA con SUMāTO

Un diagnóstico de preparación para IA entrega cuatro cosas concretas: un índice de madurez sustentado en evidencia, la línea base medida del proceso —cuánto cuesta operarlo hoy—, la especificación de lo que debe construirse y una hoja de ruta con responsables y fechas. La organización se queda con los cuatro entregables aunque la conclusión sea que todavía no conviene avanzar.

A continuación: qué produce cada nivel del ejercicio, qué gana cada rol sentado a la mesa y qué queda en casa cuando la respuesta es «todavía no».

¿Qué compra realmente una organización cuando contrata un diagnóstico?

Rara vez lo que busca es un informe. Lo que busca es dejar de estar atascada.

Atascada suele verse así: hay presión del comité directivo, hay un presupuesto que aparece y desaparece, hay tres áreas proponiendo casos distintos, hay un piloto del año pasado que nadie se atreve a declarar muerto, y hay una sensación incómoda de que la competencia va más rápido. Nadie sabe por dónde empezar, y nadie quiere ser quien proponga el proyecto que fracase.

El problema es que la mayoría de los diagnósticos no resuelve eso. Producen un documento con un puntaje, un radar de colores y una lista de recomendaciones genéricas —«fortalecer el gobierno de datos», «desarrollar capacidades analíticas»— que nadie puede convertir en una decisión el lunes siguiente.

Nuestro criterio es distinto y es simple de enunciar: un diagnóstico vale lo que cambia. Si al terminar no hay una decisión tomada, un número que antes no existía y una siguiente acción con dueño y fecha, el ejercicio fue caro sin importar cuánto costó.

Este artículo describe exactamente qué se lleva un cliente. Sin generalidades.

¿Qué entrega cada nivel del diagnóstico?

SUMāTO AI Ready opera en tres niveles de profundidad. Cada uno es un ejercicio completo con entregables propios, y cada uno cierra una decisión concreta. No es obligatorio recorrerlos todos: muchas organizaciones resuelven lo que necesitaban en el primero.

Nivel 1 · AI Ready Pulse

Una sesión. De 45 a 60 minutos. Una página de salida.

Es una conversación estructurada de dieciocho preguntas, facilitada por un consultor, sobre los seis pilares del modelo. Se hace en sesión y no por formulario porque la autoevaluación sin contraste sobreestima la madurez de manera sistemática, y un diagnóstico inflado no le sirve a nadie.

Más allá del documento, el Pulse deja tres cosas:

• Un lenguaje común. Después de la sesión, tecnología, operación y finanzas discuten el mismo problema con las mismas palabras. Suena menor y no lo es: buena parte de la parálisis viene de que cada área describe la situación en su propio vocabulario.
• Una conversación que no había ocurrido. El Pulse reúne en una misma sala al patrocinador, al dueño del proceso y al líder de datos. En muchas organizaciones esa conversación no se había dado nunca de forma estructurada.
• Un punto de partida defendible. Cuando el comité directivo pregunta «¿dónde estamos?», hay una respuesta con método detrás.

La decisión que cierra: ¿vale la pena profundizar sobre este proceso, o conviene mirar otro?

Nivel 2 · AI Ready Assessment

Dos o tres sesiones. Una a dos semanas. Cuatro entregables formales.

Aquí el ejercicio se vuelve exhaustivo: cuarenta y ocho ítems puntuados sobre doce dimensiones, más la captura completa del requerimiento. Participan seguridad, arquitectura y los usuarios finales del proceso.

La especificación de requerimiento está escrita para ser comparable: describe el sistema en términos que cualquier proveedor puede cotizar sobre la misma base. Eso es deliberado. Un cliente que negocia sobre una especificación propia compra mejor que uno que negocia sobre la propuesta que le presentaron, y a nosotros nos conviene competir en ese terreno.

La decisión que cierra: ¿hay una ambición aprobada, con dueño, presupuesto y postura declarada sobre riesgo y datos?

Nivel 3 · AI Ready Blueprint

Taller de tres a cinco días, más dos semanas de elaboración.

Es el nivel para organizaciones con varios procesos candidatos y necesidad de decidir un portafolio, no un caso suelto.

Del portafolio sale una regla de secuenciamiento: la primera entrega siempre proviene del cuadrante de valor alto y factibilidad alta —las ganancias rápidas— aunque la organización insista en empezar por la apuesta estratégica.

No es conservadurismo. Es que la credibilidad ganada en la primera ola es la que financia la segunda. Una organización que entrega un resultado visible en un trimestre consigue presupuesto para lo ambicioso. Una que invierte dos trimestres en la apuesta grande sin resultado pierde el patrocinio antes de llegar. Es la misma lógica de secuenciamiento que aplicamos en consultoría estratégica.

La decisión que cierra: ¿qué se construye primero, con qué arquitectura y bajo qué gobierno?

¿Por qué la línea base es el entregable que más pesa?

Es el que más incomodidad genera en la sesión y el que más valor deja.

La pregunta es sencilla: ¿cuánto le cuesta hoy operar este proceso? Cuántos casos por mes, cuántas personas dedicadas, cuánto tiempo por caso, qué tasa de reproceso, cuánto cuesta cada error. En una proporción alta de organizaciones, nadie tiene esas cifras.

Sin ese número no existe forma de demostrar retorno. Es la razón por la que tantas iniciativas mueren en la primera revisión presupuestal: no fracasaron técnicamente, simplemente nunca pudieron probar que funcionaron.

El dato de mercado apunta en la misma dirección. McKinsey, en The state of AI: how organizations are rewiring to capture value (marzo de 2025), encontró que menos de una de cada cinco organizaciones hace seguimiento de indicadores definidos para sus soluciones de IA generativa — y que ese seguimiento es, de todas las prácticas medidas, la más correlacionada con impacto en resultados.

Cuando el Assessment termina, ese número existe, está validado por finanzas y está firmado. Es un activo que sirve para este proyecto y para todos los que vengan después — incluso si el proyecto de IA nunca se hace. Si el proceso que se quiere intervenir es analítico, ese mismo levantamiento alimenta el trabajo de analítica de datos.

¿Qué cambia en la organización después del ejercicio?

Los entregables son lo que se recibe. Estos son los cambios que producen.

Claridad: se sabe dónde se está

Antes del ejercicio, la respuesta a «¿qué tan preparados estamos?» es una opinión, y suele variar según quién responda. Después, es un número con método detrás, desagregado por pilar, con la evidencia que lo sustenta.

Eso permite algo que antes no se podía hacer: discutir el desacuerdo sobre datos en lugar de sobre impresiones. Cuando el área de tecnología dice que los datos están listos y el área de negocio dice que no, el radar resuelve la discusión en treinta segundos.

Foco: se sabe por dónde empezar

El diagnóstico produce un eslabón débil identificado y una recomendación única, en lugar de una lista de veinte mejoras.

Es la diferencia entre «hay que fortalecer el gobierno de datos, desarrollar capacidades y mejorar la infraestructura» —que nadie puede ejecutar— y «el proceso que eligieron no tiene dueño con autoridad de cambio; resuelvan eso antes de invertir un peso en tecnología».

Evidencia: se puede pedir presupuesto

La línea base y el caso de valor convierten una solicitud de inversión en un argumento. El comité directivo deja de escuchar «necesitamos invertir en inteligencia artificial» y empieza a escuchar «este proceso nos cuesta esto al año, esta intervención lo reduce en esta proporción, el resultado se mide con este indicador y lo firma esta persona».

Es una conversación completamente distinta, y es la que consigue aprobación.

Protección: se evita el proyecto equivocado

Es el beneficio menos visible y probablemente el de mayor valor económico.

Los datos públicos son consistentes en un punto: la mayoría de las iniciativas no llega a demostrar impacto financiero. El informe The GenAI Divide: State of AI in Business 2025, del proyecto NANDA del MIT (julio de 2025, sobre 300 iniciativas públicas revisadas, 52 entrevistas y 153 encuestas a directivos), concluyó que alrededor del 95 % de los pilotos de IA generativa no produjo impacto medible en el estado de resultados. Y RAND, en The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed (2024, sobre 65 entrevistas a científicos de datos), encontró que las causas dominantes del fracaso son organizacionales —problema mal planteado, datos insuficientes, ausencia de un dueño con autoridad— y no técnicas.

Ese es exactamente el terreno que cubre un diagnóstico. Un ejercicio que concluye «todavía no» y evita ese gasto vale más que uno que da luz verde a todo. Por eso el método incluye una regla explícita: cualquier pilar en el nivel más bajo activa una condición de remediación obligatoria, sin importar cuán alto sea el promedio general.

Velocidad: se acorta el camino cuando sí se avanza

La contraparte del punto anterior. Cuando el diagnóstico da luz verde, la organización arranca con la especificación escrita, la línea base medida, la arquitectura definida y el gobierno planteado.

Lo que normalmente son tres meses de descubrimiento al inicio de un proyecto ya está hecho — y hecho por escrito, no en la cabeza de tres personas.

Autonomía: la capacidad queda en casa

Los entregables se elaboran en formatos editables y el método se explica durante el ejercicio: qué se preguntó, por qué y cómo se puntuó.

Al terminar, la organización puede repetir el diagnóstico por su cuenta sobre otro proceso. Muchos clientes lo hacen, y nos parece bien: un cliente que entiende el método compra mejor y discute mejor.

¿Qué gana cada rol sentado a la mesa?

Un diagnóstico que solo le sirve al área de tecnología no consigue presupuesto. Estos son los intereses reales de cada asiento.

Ese último renglón merece una nota. Incluimos a los usuarios finales en las sesiones por una razón práctica: su lectura del proceso suele ser más precisa que la de su jefe, y su disposición frente al cambio predice el resultado mejor que cualquier variable técnica. Es coherente con lo que encontró RAND: lo que decide el desenlace de un proyecto de IA es organizacional antes que tecnológico.

¿Qué se lleva la organización si decide no seguir?

Esta sección importa más que las anteriores.

Una organización que hace el ejercicio y decide no avanzar se queda con documentación que antes no tenía:

• El proceso documentado y diagramado, que probablemente no lo estaba.
• La línea base de costo del proceso, que probablemente no existía.
• El inventario de fuentes de datos, con su calidad y su base jurídica evaluadas.
• Las restricciones legales y contractuales sobre el uso de esos datos, mapeadas.
• La especificación del requerimiento, redactada para ser comparable entre proveedores.
• El método, explicado durante el ejercicio.

Nada de eso es específico de SUMāTO. Sirve igual si la organización decide construir internamente, contratar a otro, o esperar dos años.

Lo hacemos así por convicción y por cálculo. Por convicción, porque un diagnóstico condicionado a la venta deja de ser un diagnóstico. Por cálculo, porque un ejercicio honesto que concluye «todavía no» es el activo comercial de mayor duración que podemos dejar en una cuenta: cuando esa organización esté lista —en seis meses o en dos años— sabe a quién llamar.

¿Qué alcance tiene el ejercicio?

Ser preciso sobre los límites es parte de la propuesta.

Es un ejercicio de decisión. Se trabaja sobre el proceso, los datos y el caso de negocio; no se presenta tecnología en las sesiones. Si el lector busca ver una herramienta funcionando, ese es otro tipo de reunión.

Evalúa la postura de gobierno y mapea los requisitos regulatorios aplicables. Es un insumo para la conversación de cumplimiento, no una opinión de auditoría ni una certificación de conformidad con una norma.

Define qué debería construirse, con qué criterio de éxito y con qué criterio de cancelación. La construcción es la fase siguiente.

Construye la línea base y la lógica económica con supuestos declarados. Los supuestos se declaran precisamente porque son supuestos: el ejercicio produce una hipótesis de retorno auditable, no una garantía.

La conclusión puede ser «todavía no». Una proporción de los ejercicios concluye que el proceso elegido no es apto, o que conviene mirar otro. Esa conclusión se entrega con el mismo detalle que cualquier otra.

¿Cómo empieza?

El primer paso es una sesión de 45 a 60 minutos.

Se necesitan tres personas en la sala: el patrocinador de la iniciativa, el dueño del proceso que se quiere intervenir, y el líder de datos. Si el dueño del proceso no puede asistir, preferimos reprogramar — sin ese rol el ejercicio pierde validez.

Dentro de las 48 horas siguientes se entrega la ficha de una página con el índice, el arquetipo, el radar, los tres hallazgos y la recomendación.

Y si la conclusión es que el proceso no está listo, se lo vamos a decir. Es, en el fondo, la única razón por la que vale la pena hacer un diagnóstico.

Siguiente paso: solicite su evaluación de preparación para IA, o revise cómo encaja en nuestro trabajo de inteligencia artificial empresarial.

Preguntas frecuentes

¿Cuánto dura una evaluación de preparación para IA?
Depende de la profundidad. El nivel de primer acercamiento es una sesión de 45 a 60 minutos con entrega en 48 horas. La evaluación completa toma de una a dos semanas con dos o tres sesiones. El ejercicio de portafolio requiere un taller de tres a cinco días más dos semanas de elaboración.

¿Qué entregables recibe el cliente?
En el nivel de primer acercamiento, una ficha de una página con índice, arquetipo, radar de seis pilares, tres hallazgos y una recomendación. En la evaluación completa se suman cuatro documentos: informe de madurez, especificación de requerimiento, caso de valor con línea base, y hoja de ruta de habilitación.

¿Qué es una línea base y por qué importa?
Es la medición del costo y desempeño del proceso antes de la intervención: casos por mes, personas dedicadas, tiempo por caso, tasa de reproceso, costo del error. Sin ese número no existe forma de demostrar retorno después. Es la razón por la que muchas iniciativas mueren en la primera revisión presupuestal.

¿Qué pasa si el diagnóstico concluye que no estamos listos?
Se entrega igual, con el mismo detalle, incluyendo la hoja de ruta de habilitación que indica qué resolver primero. Una proporción de los ejercicios concluye que el proceso elegido no es apto o que conviene mirar otro.

¿Quién debe participar en las sesiones?
Como mínimo tres roles: el patrocinador de la iniciativa, el dueño del proceso que se quiere intervenir y el líder de datos. En la evaluación completa se suman seguridad, arquitectura y los usuarios finales del proceso.

¿Sirve si ya tuvimos pilotos de IA que no funcionaron?
Especialmente en ese caso. Un historial de pilotos abandonados es uno de los hallazgos de mayor valor diagnóstico, porque señala que la causa raíz es organizacional y no tecnológica — y esa causa sigue presente hasta que se resuelva.

Lea también: el benchmark de las metodologías de adopción de IA de las grandes consultoras y los fabricantes de tecnología, y qué falta para aplicarlas en la mediana empresa.