Del dato disperso al dato confiable

Transformación digital e IA en Chile

9%

logró escalar sus iniciativas de inteligencia artificial; el resto sigue explorando o pilotando

1 dic

de 2026 entra en plena vigencia la Ley 21.719: obliga a saber qué datos personales existen, dónde viven y quién responde por ellos

Índice de Transformación Digital en Inteligencia Artificial 2026 · Cámara de Comercio de Santiago, Corfo y PMG Chile, sobre 740 empresas chilenas · Ley 21.719, plena vigencia desde el 1 de diciembre de 2026

01 — Problema

Solo nueve de cada cien empresas chilenas lograron escalar su inteligencia artificial

La diferencia entre las empresas que escalan y las que se quedan pilotando rara vez está en el modelo que eligieron.

Está en si pueden confiar en los datos que ese modelo consume y en si alguien responde por ellos cuando la cifra falla.

De cada 100 empresas

31

Tienen un repositorio central donde viven sus datos

9

Escalaron sus iniciativas de inteligencia artificial

6

Capturan un impacto de 5% o más en su EBIT

Tres mediciones independientes. Las dos primeras: Índice de Transformación Digital en IA 2026 (Cámara de Comercio de Santiago, Corfo y PMG Chile, 740 empresas chilenas). La tercera: McKinsey, State of AI 2025, muestra global.

02 — Diagnóstico

En qué nivel está su organización hoy

Diez preguntas sobre cómo funciona su organización hoy.

Autodiagnóstico de gobierno de datos

La misma escala de 0 a 5 con que abrimos un proyecto, sobre los cinco pilares que este documento desarrolla más adelante. Responda pensando en cómo funciona la organización hoy, no en cómo debería funcionar.

10

preguntas

2

minutos

5

pilares

Estas son las preguntas del autodiagnóstico y sus alternativas (cada alternativa vale de 0 a 3 puntos, en el orden indicado):

01 Estratégico. ¿Existe una definición escrita de para qué la empresa quiere ordenar sus datos?

No se ha planteado
Se habla del tema, no hay nada escrito
Hay un documento, lo conoce sobre todo el área de TI
Hay una definición aprobada por la gerencia y ligada a objetivos del negocio

02 Estratégico. Cuando aparece una iniciativa de datos o de IA, ¿cómo se decide si va?

Según quién la proponga
Caso a caso, sin criterio fijo
Un comité prioriza, sin criterios escritos
Se prioriza con criterios conocidos, ligados al impacto en el negocio

03 Gobierno. Si mañana una cifra clave del negocio es incorrecta, ¿quién responde?

Nadie en particular, se busca al culpable
TI, porque administra el sistema
Alguien del negocio, pero no está formalizado
Hay un dueño designado para ese dato, del área de negocio, y todos saben quién es

04 Gobierno. ¿Dónde se deciden hoy los temas de datos en la empresa?

No existe
El tema aparece en comités que tratan otra cosa
Hay un comité de datos que se reúne de forma irregular
Hay una instancia formal, con periodicidad y decisiones registradas

05 Arquitectura de datos. Para un concepto central del negocio, como cliente o venta, ¿cuántas versiones conviven?

Cada área tiene la suya y no coinciden
Hay varias y al menos sabemos cuáles son
Hay una que se prefiere, sin declaración formal
Hay una fuente oficial declarada y las demás se alimentan de ella

06 Arquitectura de datos. ¿Están identificados los datos críticos de los que depende el negocio?

No
Cada área conoce los suyos, no hay una lista común
Hubo un levantamiento, no se mantiene al día
Hay una lista vigente por dominio, con responsable por dato

07 Organización. ¿Quién hace hoy el trabajo de ordenar los datos?

Nadie de forma dedicada
Alguien de TI lo suma a sus tareas
Hay personas asignadas, sin estructura formal
Hay un equipo con roles definidos y dedicación declarada

08 Organización. Cuando alguien necesita un dato que no tiene, ¿cómo lo consigue?

Depende de a quién le pregunte
Se resuelve por correo, caso a caso
Hay un canal, la calidad de la respuesta varía
Hay un proceso conocido y quienes lo operan están capacitados

09 Habilitadores. ¿Dónde viven los datos con los que se toman decisiones?

En planillas y sistemas separados por área
Hay varios repositorios sin conexión entre sí
Hay un repositorio central que cubre parte del negocio
Hay un repositorio central con la mayoría de los datos críticos

10 Habilitadores. ¿Cómo saben si un dato es confiable?

Se descubre cuando algo sale mal
Cada área revisa por su cuenta
Hay controles sobre los datos más usados
Hay reglas de calidad definidas y medidas, con alguien que responde por ellas

Niveles del resultado (0 a 5)

0 · Disperso

Los datos viven donde caen y cada área decide con su propia cifra.
1 · Consciente

El problema está identificado y nombrado, pero nadie responde por ningún dato.
2 · Iniciado

Hay definiciones escritas que todavía no cambian cómo se trabaja.
3 · Ordenado

Los dominios críticos tienen dueño de negocio y fuente oficial.
4 · Gobernado

El modelo opera, se mide y se corrige sin que haya que empujarlo.
5 · Escalable

El gobierno sostiene analítica e inteligencia artificial sin rehacer el piso cada vez.

Lectura por pilar (bajo · medio · alto)

Pilar	Bajo	Medio	Alto
Estratégico	Nadie ha escrito para qué se ordenan los datos, así que cada iniciativa se defiende sola.	Hay una definición escrita que todavía no llega a las decisiones de inversión.	El para qué está definido y la gerencia lo usa para priorizar.
Gobierno	Cuando una cifra falla, la responsabilidad se diluye entre las áreas.	Hay responsables reconocidos de hecho, sin una instancia que los respalde.	Cada dato crítico tiene dueño de negocio y existe una instancia que decide.
Arquitectura de datos	Conviven varias versiones del mismo concepto y ninguna es la oficial.	Hay fuentes preferidas y un levantamiento que no se mantiene al día.	Los dominios críticos tienen fuente oficial declarada y lista vigente.
Organización	Ordenar los datos es trabajo de nadie y avanza cuando alguien tiene tiempo.	Hay personas asignadas, sin estructura ni capacidades declaradas.	Hay un equipo con roles definidos y un proceso que la organización conoce.
Habilitadores	Los datos viven repartidos y la confiabilidad se descubre cuando algo falla.	Hay un repositorio que cubre parte del negocio y controles en lo más usado.	Repositorio central sobre los datos críticos, con reglas de calidad medidas.

Solicite el informe completo

Lo anterior dice dónde está. El informe dice qué hacer en cada dimensión para alcanzar el nivel siguiente.

Solicitar el informe completo

Si su correo no se abre solo, escríbanos a info@vinsonconsulting.cl con este asunto: complete el diagnóstico y el nombre de su empresa. Usaremos su correo solo para enviarle el informe.

03 — Causa

Cuando nadie responde por un dato, la organización discute la cifra en vez de decidir

Varias áreas usan la misma información y cada una la anota en su propio sistema.

Una política dice qué hay que hacer con esos datos, pero no dice quién lo hace ni con qué regla.

Un modelo de gobierno cierra esa brecha: las cifras dejan de contradecirse entre áreas y cada número se puede explicar y defender.

Sobre cada dato	Sin modelo	Con modelo operativo
Responsable	Difuso o implícito. Ante un error, nadie responde formalmente	Una persona designada, con la responsabilidad aceptada por escrito
Fuente	Varias versiones en paralelo, ninguna designada como oficial	Un solo sistema oficial por concepto de negocio
Calidad	Se revisa cuando alguien reclama	Regla medible, con umbral, frecuencia y plazo de corrección
Trazabilidad	El origen de una cifra no se puede reconstruir	Recorrido documentado desde el origen hasta el reporte

04 — Quién responde

El dueño del dato es parte del negocio, no del área que lo almacena

Qué significa un dato, qué error es tolerable y quién responde cuando la cifra sale mal son decisiones de negocio.

Delegarlas a quien opera la plataforma es lo que termina dejando los datos sin dueño real.

Jefatura del área de negocio

Data Owner

Decide sobre sus datos y responde por ellos ante la organización.

Especialista del área

Data Steward

Define el significado de cada dato y vela por su calidad.

TI

Data Custodian

Implementa y opera técnicamente el modelo.

Ninguno de estos roles es un cargo nuevo. Se asignan sobre cargos existentes, que incorporan la responsabilidad formal sobre un dato, y se asignan por dominio de negocio. Una misma persona puede asumir más de un rol según el tamaño del dominio.

Glosario, qué significa cada término · Catálogo, dónde vive y quién responde · Linaje, por dónde pasó. Con las tres, una cifra equivocada se rastrea hasta su origen y se sostiene ante una auditoría.

05 — Alcance

Gobernar todos los datos es imposible, por eso se parte por los críticos

Dos preguntas acotan el alcance: de qué datos depende el negocio y en qué estado están hoy.

De dónde sale la lista de datos críticos

Qué sostiene

La operación que no puede detenerse, la obligación que hay que acreditar, la decisión que el negocio toma.
Dato

La información puntual de la que eso depende, identificada dato por dato y no por categoría.
Criticidad

Es crítico el dato que al fallar detiene la operación, expone a la empresa ante el regulador o cambia la decisión.
Prioridad

Entre los críticos se parte por los que sostienen los objetivos de negocio del período.

Detrás de esta secuencia hay una decisión de asignación: qué se gobierna primero y qué espera. Armada desde los sistemas, la lista cubre todo y la prioridad la termina fijando la tecnología. Armada desde lo que el negocio sostiene, la prioridad la fija la gerencia.

Ley 21.719

La obligación regulatoria más inmediata: desde el 1 de diciembre de 2026 rige plenamente la Ley 21.719. Registrar las actividades de tratamiento, evaluar impactos y notificar incidentes exige saber qué datos personales existen, dónde viven, por dónde pasaron y quién responde por ellos. Sin dueño designado ni linaje, esas obligaciones no se pueden acreditar ante la Agencia de Protección de Datos Personales.

Y en qué estado llega cada dato

Los datos se ordenan en tres capas, de la más refinada a la más cruda. La mayoría de las empresas parte en bronce; para gobernar un dato hay que llevarlo al menos a plata, donde deja de ser un volcado del sistema y se vuelve confiable.

El modelo se implementa por dominio^* (definición al pie de la sección). Se parte por los de mayor impacto en el negocio, medido por su efecto en la continuidad operacional, el cumplimiento regulatorio y las decisiones que sostienen.

Oro

Listo para decidir

Los datos vienen ordenados para una decisión concreta. Desde aquí se arma el reporte o el modelo sin transformar nada más.

El paso siguiente, ya con el dato gobernado

Plata

Confiable y certificado

Sin duplicados ni campos vacíos, y ya validado contra las reglas del negocio. Desde aquí se puede nombrar un responsable y controlar la calidad.

Mínimo para poder gobernar el dato

Bronce

Sin procesar

Copia tal cual del sistema de origen, con los nombres técnicos que traía. Sirve como respaldo fiel del origen.

Donde parte la mayoría de las empresas

* Dominio Agrupación de datos por concepto de negocio: clientes, productos, proveedores, activos o transacciones. Cada dominio contiene los datos críticos que el modelo gobierna, cada uno con su fuente oficial y su responsable.

06 — Riesgo

Un proyecto de gobierno de datos se cae por tres razones y ninguna es técnica

Los tres errores que más hemos visto repetirse. Nuestra forma de trabajar está armada para esquivarlos.

Querer gobernar todos los datos a la vez. El alcance se vuelve inabordable, nadie ve un resultado y el proyecto muere antes del primer dominio operando.
Comprar la plataforma antes de definir los dominios. La herramienta llega primero y el modelo termina amoldándose a lo que ella permite. Se paga una licencia para seguir sin saber quién responde por cada dato.
Poner el Data Owner en TI. El área puede operar el dato, pero no decidir qué significa ni qué error es tolerable. Cuando el dueño no está en el negocio, la responsabilidad vuelve a ser de nadie.

07 — Método

Cada etapa deja algo funcionando, sin esperar al cierre del proyecto

Cuatro etapas de proyecto y tres tiempos posteriores. Las cinco piezas del modelo avanzan en paralelo a lo largo de las cuatro etapas.

1
Diagnóstico y definición del norte
- Madurez de los cinco pilares, en escala de 0 a 5
- Brechas priorizadas por impacto en el negocio
- Visión y estado objetivo
2
Modelo de datos y de gobierno
- Dominios y datos críticos, consensuados con las áreas
- Una fuente oficial por concepto de negocio
- Roles, instancias de gobierno y estándares
3
Implementación
- Dos dominios piloto, con responsables asignados
- Glosario, catálogo y reglas de calidad operando
- Fuentes oficiales certificadas
4
Escalamiento
- Transferencia y capacitación del equipo interno
- KPIs de calidad y adopción
- Roadmap de despliegue a nuevos dominios

La brecha entre la línea base diagnosticada y la meta ordena el roadmap: define qué pilar se aborda primero y en qué nivel de profundidad.

Pilares

Las cinco piezas que se construyen en el camino (1)

¿Para qué gobernamos?

Estratégico

Fija para qué se gobiernan los datos y qué principios valen para todos.

¿Quién decide y responde?

Gobierno

Define quién decide, quién ejecuta y quién responde por cada dato.

Instancias · Data Owner · Data Steward · Responsabilidades

¿Sobre qué gobernamos?

Arquitectura de datos

Ordena los datos por dominio y designa una fuente oficial para cada concepto del negocio.

Dominios · Subdominios · Datos críticos · Fuentes oficiales

¿Quiénes impulsan el gobierno?

Organización

Define quiénes forman el equipo de datos y qué tienen que saber hacer.

Data Office · Estructura · Capacidades

¿Con qué lo hacemos y cómo se sostiene?

Habilitadores

Es la plataforma donde se apoya todo esto y los hábitos que lo mantienen vivo.

Plataforma de datos · Calidad · Catálogo · Metadatos · Linaje · Seguridad · KPIs

(1) Adaptación práctica de DAMA-DMBOK, el cuerpo de conocimiento de referencia en gestión de datos.

Fases

Y después, el modelo crece en tres tiempos

Primeros 6 meses

Consolidación

El trabajo se concentra en los dominios de mayor impacto para el negocio, que pasan a operar de forma autónoma.

De 6 a 18 meses

Extensión

Sumamos nuevos dominios y llevamos más datos a la capa confiable.

De 18 a 36 meses

Institucionalización

El gobierno de datos ya es parte de cómo se trabaja, con controles automáticos y medición periódica.

Un dominio gobernado es la base que necesita cualquier proyecto de analítica o de inteligencia artificial. Sin responsable, fuente oficial ni reglas de calidad, el modelo hereda los errores del dato y el piloto se queda en piloto.

Principio rector

Centralizado en estándares, descentralizado en la operación

Las políticas, los estándares de calidad y el catálogo se definen una vez y valen para toda la organización. La responsabilidad sobre cada dato queda en el área que lo genera y lo usa.

08 — Casos de éxito

Dos casos donde las cifras volvieron a tener una sola versión oficial

Comercio

Integración de datos de venta

Contexto Los datos de clientes, productos, medios de pago y ventas vivían repartidos en varias aplicaciones, cada una con su propia versión. Nadie sabía cuál era la buena, así que las cifras no cuadraban y había que rehacer el trabajo.

Solución aplicada Un repositorio central que junta, cuadra y valida los datos antes de entregárselos a las aplicaciones, con un responsable designado por dominio.

Resultados

Una sola versión oficial de clientes, productos, medios de pago y ventas, consumida por todas las aplicaciones.
Validación previa a la publicación: los errores se detectan antes de que el negocio use la cifra.
Las cifras cuadran entre las fuentes que registraban el mismo hecho, sin reproceso manual.

Financiero

Conciliación de transacciones

Contexto Las transacciones, los movimientos de fondos y la contabilidad se procesaban en sistemas distintos. Las cifras no calzaban, la conciliación se hacía a mano y costaba saber cuál versión era la correcta.

Solución aplicada Un repositorio central de transacciones que reúne lo operacional y lo financiero, valida, cuadra y concilia, y recién ahí alimenta a clientes, contabilidad y reportería.

Resultados

Conciliación automática de los movimientos que antes se revisaban a mano.
Los registros se validan contra las reglas antes de conciliar y de cerrar el mes.
Clientes, contabilidad y reportería alimentados desde una misma fuente, con trazabilidad hasta el origen.

09 — Trayectoria

No entregamos un diagnóstico y nos vamos

17 años acompañando a empresas chilenas: seguimos en la puesta en marcha hasta que el modelo queda operando con el equipo interno.

17

años de trayectoria

+430

proyectos ejecutados

+230

clientes

80%

de los proyectos con acompañamiento en la implementación

Industrias en las que hemos trabajado

Acuícola
Agrícola
Automotriz
Consumo masivo
Educación
Energía
Entidades públicas y ONGs
Entretenimiento
Financiero y banca
Inmobiliario y construcción
Logística y transporte
Minería
Prestadores de servicios
Retail
Salud
Tecnología y telecomunicaciones

Haber trabajado en organizaciones de tamaños e industrias distintas permite traer a cada cliente la práctica que ya funcionó en otra parte.

Proceso colaborativo

Co-construimos con las áreas dueñas del dato
Equipos multidisciplinarios, del directorio a la operación
Avance iterativo y validado en cada etapa

Sello en la implementación

Acompañamos la puesta en marcha hasta que el modelo opera
Metodología ágil y enfoque práctico
El modelo queda operando con el equipo interno

Soluciones a la medida

Partimos de la realidad de cada empresa
Alcance ajustado a los dominios que mueven el negocio
Recomendaciones que se pueden ejecutar

Equipo

Director de proyecto

Salvador Muzzo

Ing. Civil Industrial PUC, MBA MIT. 15 años en consultoría y 12 como ejecutivo.

Director de proyecto

Gonzalo Ríos

Ing. Civil Electrónico ITBA, MBA MIT. 14 años en consultoría y 15 como ejecutivo.

Director experto

Enzo Rivera

+30 años en transformación digital y +20 implementando proyectos de data maestra.

Líder de proyecto

Jaime Grau

Ing. Civil Industrial. Estrategia, tecnología y escalamiento. IBM, Cornershop y Uber.

Senior data scientist

Javier Molina

Ing. Civil Eléctrico U. de Chile. Analítica avanzada y modelamiento de datos.

Consultor digital

Mario Romero

Ing. Civil Industrial y tesista del Magíster en Ciencia de Datos U. de Chile. Analítica de clientes y modelos predictivos.