Activo propio del observatorio Mendoza FuturIA. Lo que se publica acá es el modelo, el scoring y la metodología —artefactos de diseño, 100% míos y defendibles—. Ningún dato de organización de campo aparece: el perfil de ejemplo es ilustrativo y sintético, y está rotulado como tal.
Enfoque
Caso del primer y del cuarto eslabón del método —la sociología de las organizaciones y la arquitectura y gobernanza de IA— pero antes de escribir una sola línea de IA: el instrumento que decide si una organización está lista para que la IA le sume, en vez de restarle. Nace de una pregunta que se repite en el tejido productivo mendocino y latinoamericano: “no sé por dónde empezar con IA”. La respuesta honesta casi nunca es “empezá por el modelo”; es “primero medí dónde estás parado”.
IMIA es ese instrumento de medición. Y su decisión de diseño central es una sola: la gobernanza no es una nota más en el promedio; es un control de paso. Sin ella, una organización no avanza, por buenas que sean las demás dimensiones.
El problema
La mayoría de los diagnósticos de “madurez en IA” son checklists de marketing: devuelven un número único, optimista y no accionable. Peor: tratan la gobernanza como un anexo opcional, cuando en la práctica es la variable que decide si una organización pasa de pilotos aislados a valor en producción. Hacía falta un instrumento que (a) midiera la configuración organizacional real, no la intención declarada, y (b) hiciera de la gobernanza un requisito estructural, no un adorno.
El contexto lo vuelve urgente: en América Latina la penetración de IA es menor al 4% (frente a más del 20% en Europa), y la brecha dentro de la región es enorme —en Brasil, el 41% de las grandes firmas usan IA frente al 11% de las pymes (Jung y Katz, CEPAL, 2024/25). Y donde ya hay adopción, suele ser superficial: en Argentina, una encuesta nacional a pymes (nadIA — UTDT y Fundar, 2025) encontró que el 41,6% usa alguna IA, pero concentrada en herramientas básicas y con indicadores de gobernanza y capacidades internas muy bajos. El problema, entonces, no es solo que falte IA: es que el cuello de botella es organizacional, no tecnológico. Falta el criterio para saber quién está listo, para qué, y qué destrabar primero. Medir madurez es la herramienta para cerrar esa brecha, no para certificar a los pocos que ya llegaron.
Lo que diseñé
Un modelo de madurez —IMIA (Índice de Madurez de IA)— compuesto por 7 dimensiones evaluadas en una escala 0–100, de las que se deriva un nivel global 0–5 (0 Negación → 5 Organización aumentada), con un scoring que produce un perfil radial, el cuello de botella y un indicador de potencial de salto.
Las 7 dimensiones: Liderazgo · Datos · Cultura · Capacidades · Procesos · Gobernanza · Potencial de automatización. Las primeras seis miden configuración (lo que la organización es); la séptima mide oportunidad (lo que podría ganar) e informa sin penalizar —una organización inmadura puede tener altísimo potencial, y eso es una señal de prioridad, no un defecto—. El potencial distingue automatización determinista de capa agéntica: cuando el software decide y ejecuta solo, sube la exigencia de gobernanza, porque el criterio humano se traslada al diseño y la auditoría de las reglas del agente.
Los seis niveles son la escalera de adopción vuelta medición: los niveles 0–2 describen el silo (negación, shadow AI, pilotos sin valor), el 3 el primer valor real pero aislado, y los 4–5 la arquitectura gobernada. El modelo no dice solo en qué escalón está una organización, sino cuál es el siguiente y qué destrabar para subirlo.
Que sean siete dimensiones y no un único score no es capricho: la evidencia sobre preparación organizacional para la IA es explícitamente multidimensional —estrategia, cultura, talento, datos, gobernanza, infraestructura (Jöhnk, Weißert & Wyrtki, 2021, identifican 18 factores en 5 categorías). Tener tecnología no alcanza; hay que tener las condiciones para absorberla.
La decisión clave: la gobernanza como gate, no como promedio
El nivel global no es un promedio simple de las dimensiones. El scoring implementa reglas de tope (gates) que impiden inflarlo con buenas notas en lo fácil:
| Gate | Regla | Por qué |
|---|---|---|
| Producción | No se asigna Nivel ≥ 3 sin casos reales en producción | Sin valor real no hay “adopción funcional”: corta el humo de los pilotos eternos. Es el abismo de Moore vuelto regla —el piloto que entusiasma a los primeros muere al cruzar hacia la mayoría, y el salto del nivel 2 al 3 es ese cruce. |
| Gobernanza | No se asigna Nivel ≥ 4 si Gobernanza < 40/100 | Sin reglas verificables, no hay integración sostenible. Es el foso. |
| Datos | Nivel ≥ 4 requiere Datos ≥ 50/100 | Sin materia prima utilizable, la integración no escala. |
El gate de gobernanza es la pieza central: una organización con liderazgo, datos y cultura excelentes pero sin políticas de uso de IA, sin gestión de riesgos (privacidad, seguridad, sesgo, cumplimiento) ni reglas claras, queda topada en Nivel 3. La gobernanza deja de ser discurso y se vuelve una restricción dura del modelo. Eso es lo que separa a un AI Governance Engineer de un consultor de policy: la gobernanza está operacionalizada.
Su elegancia está en un doble mecanismo: la gobernanza pesa en el índice y gobierna como tope. Pesar sola la haría negociable (se compensa con otra dimensión); gobernar sola la volvería binaria. Las dos juntas dicen: la gobernanza suma cuando está, y bloquea cuando falta.
Cómo se calcula (resumen del scoring v1.0)
- Cada dimensión: promedio de sus ítems (escala 0–4) reescalado a 0–100.
- Índice global: suma ponderada de D1–D6 (Datos 22% y Liderazgo 20% pesan más, por ser los predictores teóricos más fuertes; Gobernanza pesa alto por ser el foso). La dimensión Potencial informa pero no penaliza.
- Conversión a nivel 0–5 aplicando los gates anteriores.
- Potencial de salto = Datos · 0,5 + Liderazgo · 0,3 + Capacidades · 0,2 → detecta organizaciones inmaduras pero con base aprovechable (“alto retorno potencial”): el caso donde el puente paga más rápido.
- Los pesos y cortes v1.0 son fundamentados pero provisorios por diseño: se recalibran empíricamente (fiabilidad por dimensión, análisis factorial, regresión sobre “casos en producción”) y se versiona scoring v2.0. Disciplina de versionado y validación, no opinión fija.
Output por organización (perfil de ejemplo — ILUSTRATIVO, datos sintéticos)
Datos ficticios para mostrar el formato de salida. No corresponde a ninguna organización real.
Perfil de madurez — Org. ejemplo (sintética)
Liderazgo ███████░░░ 72
Datos █████░░░░░ 48
Cultura ██████░░░░ 60
Capacidades ████░░░░░░ 40
Procesos █████░░░░░ 52
Gobernanza ███░░░░░░░ 32 ← cuello de botella
Potencial autom. ████████░░ 80 (oportunidad latente alta)
IMIA global: 51/100 → Nivel 3 (Adopción funcional)
Tope aplicado: gate de gobernanza impide Nivel 4 (Gobernanza 32 < 40)
Diagnóstico: alto potencial de salto, frenado por gobernanza y datos.
Recomendación: antes de escalar IA, establecer políticas de uso y gestión
de riesgos (D6) y mejorar accesibilidad/calidad de datos (D2).
La lectura accionable no es “están en Nivel 3”, sino “su cuello de botella es Gobernanza y Datos, no Liderazgo; su techo de valor es alto” —exactamente lo que una hoja de ruta de adopción gobernada necesita para priorizar. No un número: qué destrabar primero.
Por qué este caso prueba el rol
- Governance: diseñé un modelo donde la gobernanza es un control de paso medible, con gates auditables —gobernanza operacional, no teoría. Material directo de estudio para IAPP AIGP.
- Adoption: el output es una hoja de ruta de adopción priorizada por cuello de botella y potencial —la conversación central de un AI Adoption Architect.
- Rigor: scoring versionado, ponderación justificada, plan de recalibración empírica; los pesos que son decisión de diseño se declaran como tales.
- Honestidad: se publica el método, no datos de clientes; el ejemplo es sintético y rotulado.
Qué haría distinto a escala
- Recalibrar pesos y gates con datos reales del observatorio (scoring v2.0) y reportar fiabilidad por dimensión.
- Mapear cada ítem de gobernanza a controles concretos del EU AI Act y del NIST AI RMF, convirtiendo el diagnóstico en un readiness assessment regulatorio.
- Automatizar el perfil radial y el informe individual como artefacto reproducible.