El noventa y uno por ciento de las empresas del mid-market afirma tener confianza en su experiencia interna en IA. El diez por ciento ha logrado realmente escalar todas sus iniciativas de IA más allá de la fase piloto (IT Brief UK, 2026).
Los mismos 500 encuestados. La misma encuesta. Las mismas seis semanas de campo.
La distancia entre esos dos números es el lugar donde mueren los pilotos de IA del mid-market — y la razón por la que la mayoría muere no es la que se está financiando. Cuando se preguntó a esos mismos directivos por qué se estancaban los proyectos, el 48 % señaló la falta de experiencia en IA. Es decir: culpan exactamente a la capacidad que acababan de autoevaluar con un 91 % de confianza.
Eso no es una brecha de competencias. Es un error de diagnóstico, y sale caro.
Qué midió realmente la encuesta de Klarus
Klarus, junto con Vitreous World, publicó su estudio sobre IA en el mid-market el 8 de julio de 2026. La muestra: 500 directivos senior de empresas del Reino Unido e Irlanda con ingresos de entre 200 millones y 2.000 millones de libras y entre 300 y 3.000 empleados — propietarios, C-suite, VP, directores y responsables de área con autoridad sobre decisiones tecnológicas (IT Brief UK, 2026).
La adopción no es el problema. El 73 % había desplegado IA de forma parcial o total. Entre quienes la habían explorado, solo el 10 % había escalado todas sus iniciativas más allá del piloto — dejando al 90 % con trabajo estancado o atascado en fases iniciales (Klarus, 2026).
Este segmento no es marginal. Klarus cita datos de NatWest que sitúan al mid-market británico en el 30 % del valor añadido bruto con solo el 0,5 % de las empresas. Una tasa de estancamiento del 90 % en esa franja no es una curiosidad del sector tecnológico. Es una partida de productividad nacional — y, más inmediatamente, tu presupuesto operativo.
La inversión confianza–competencia
Lee juntas las dos cifras principales y aparece una patología concreta.
91 % de confianza en la experiencia interna. 48 % que señala la falta de experiencia como causa de muerte de los pilotos. 39 % que nombra «desarrollar experiencia interna» como prioridad para los próximos doce meses.
Esos tres números no pueden estar describiendo con precisión a la misma organización. Lo que describen es un equipo confiado en abstracto e improvisado en lo concreto — competente usando herramientas de IA, no probado poniéndolas en producción. La confianza es real; simplemente mide lo que no toca. Saber escribir un prompt no es saber ejecutar un modelo contra datos operativos reales, con traza de auditoría, un responsable y un plan de reversión.
La consecuencia es un presupuesto mal dirigido. Cuando los líderes creen que la restricción es la experiencia, contratan. Compran licencias de formación, montan semanas de enablement, abren una vacante de ingeniero de IA. Mientras tanto, el bloqueo real sigue un nivel más abajo, intacto, y el siguiente piloto muere exactamente por la misma causa que el anterior.
La restricción que nadie financia: por qué los pilotos de IA del mid-market se atascan en los datos
Esto es lo que declararon esos mismos directivos cuando se les preguntó por sus datos en vez de por su gente.
El 83 % de las empresas que habían pilotado o desplegado IA reportó mala calidad de datos. El 69 % dijo que eso estaba impidiendo o retrasando activamente el trabajo con IA (IT Brief UK, 2026).
Y cuando los proyectos sí cumplieron expectativas, los encuestados nombraron la razón: una calidad de datos sólida, citada como crítica por el 59 % — por delante de gobernanza, seguridad, privacidad y ética, con un 54 %.
La encuesta responde a su propia pregunta. La calidad de los datos es el principal factor de éxito citado entre los que ganan y una queja casi universal entre los estancados. Simplemente no es a lo que se culpa, porque culpar a tus datos es menos halagador que culpar al mercado laboral.
Dos entidades independientes, sin interés alguno en un encargo de consultoría al mid-market, apuntan en la misma dirección. Gartner prevé que hasta 2026 las organizaciones abandonarán el 60 % de los proyectos de IA que no estén respaldados por datos «AI-ready» (Gartner, 2025). RAND, tras entrevistas estructuradas con 65 científicos e ingenieros de datos experimentados, situó los datos inadecuados entre sus cinco causas raíz del fracaso de los proyectos de IA — junto a entender mal el problema, perseguir la tecnología en lugar del caso de uso, e infraestructura insuficiente para desplegar y mantener modelos (RAND Corporation, 2024).
Tres conjuntos de datos. Uno de una encuesta al mid-market británico, uno de una previsión de analistas, uno de una institución de investigación estadounidense entrevistando a profesionales. Ninguno señala al talento como la restricción principal.
La gobernanza es el mismo problema con otra etiqueta
El 59 % de estas empresas no tiene un marco integral de gobernanza de IA. El 48 % citó preocupaciones de gobernanza, ética, seguridad o privacidad como motivo de estancamiento — la misma proporción que culpó a la falta de experiencia (IT Brief UK, 2026).
Trátalos como un solo hallazgo, no como dos. Un piloto sin marco de gobernanza no tiene un camino definido a producción, porque nadie ha respondido quién aprueba las salidas del modelo, qué pasa cuando una es incorrecta, qué datos pueden salir de la empresa y quién será el responsable dentro de noventa días. Sin esas respuestas, un piloto exitoso no puede promocionarse. Solo puede repetirse.
Ese es el mecanismo detrás del 90 %. La mayoría del trabajo de IA estancado no está fallando técnicamente. Supera el piloto y luego llega a una puerta que nadie construyó, donde espera.
Solo el 35 % planea reforzar sus salvaguardas de IA el próximo año. Para la mayoría, la puerta sigue sin construirse.
Los motivos para no dar esto por bueno sin más
Quiero ser franca sobre la fuente, porque el reflejo de descartarla es en parte correcto.
Klarus es una empresa de servicios tecnológicos que vende exactamente a este mercado. Una encuesta que concluye que las empresas del mid-market necesitan mejores cimientos de datos y una gobernanza más fuerte es, comercialmente, la encuesta que querría publicar. La muestra es solo del Reino Unido e Irlanda, así que los porcentajes concretos no deben trasplantarse a una operación estadounidense o de la UE sin ajustes. Y cada cifra es autodeclarada: «el 83 % reporta mala calidad de datos» mide lo que los directivos creen sobre sus datos, no una auditoría de ellos.
Dos matices, sin embargo, empujan en sentido contrario.
El sesgo de autodeclaración en esta encuesta juega en contra del hallazgo, no a favor. Directivos que sobrevaloran su propia experiencia en un 91 % no son una población propensa a exagerar sus debilidades. En todo caso, el 83 % es un suelo.
Y la corroboración es independiente. La previsión de Gartner sobre datos AI-ready y las entrevistas de RAND a profesionales se produjeron con años de diferencia, en continentes distintos, sin relación comercial con Klarus. Cuando una encuesta patrocinada por un proveedor, una previsión de analistas y un estudio de corte académico convergen, el incentivo comercial merece anotarse y después dejarse de lado.
Lo que ninguno te dice es si tus pilotos se están estancando por esta razón. Eso solo lo responden tus propios datos — y, por mi experiencia, casi nunca se pregunta en esta forma concreta.
Qué cambia en una empresa de 300 a 3.000 personas
No es la historia del «purgatorio de pilotos» que ya has leído
Al mid-market ya le han contado tres cosas distintas sobre por qué se estancan los pilotos de IA: que los derechos de decisión no tienen dueño, que los programas maduros sobre-gobiernan y matan sus propios experimentos, y ahora que la capa de datos nunca estuvo lista. No son explicaciones rivales. Son tres puertas en el mismo camino, y un piloto tiene que atravesarlas todas.
La distinción que importa en lo operativo es la secuencia. Los derechos de decisión y la gobernanza se arreglan con una decisión — alguien con autoridad nombra a un responsable y una ruta de aprobación, y la puerta existe para el viernes. Los cimientos de datos, no. Reconciliar entidades entre tres sistemas, rellenar los campos que nadie hizo obligatorios y establecer el linaje de las tablas que el modelo consumirá de verdad es un trimestre de trabajo poco vistoso sin demo al final.
Que es precisamente por lo que sigue perdiendo la discusión presupuestaria frente a un programa de formación.
La ilusión de los datos curados
A este tamaño no tienes una función de ingeniería de datos con capacidad de sobra. Tienes dos o tres personas que saben dónde vive la verdad en cada sistema, y ya están comprometidas al máximo.
Esa es la verdadera restricción para escalar, y explica un patrón que la mayoría de responsables de operaciones reconocerá: los pilotos triunfan con datos curados y fracasan con datos de producción. El piloto corrió contra un extracto limpio que alguien preparó a mano. Producción corre contra el sistema de registro, con sus IDs de cliente duplicados, su campo de estado en texto libre y sus cuatro años de registros migrados que nadie validó.
Nada del modelo cambió entre una ejecución y otra. Cambiaron los datos.
Un hallazgo más que conviene retener: el 45 % dijo que la IA está ayudando a los empleados junior a hacer su trabajo mejor o más rápido, y el 24 % que está creando nuevos roles (Klarus, 2026). El efecto inmediato de la IA sobre la plantilla en el mid-market aparece como apoyo a tareas y rediseño de puestos, no como reducción de personal. Si tu business case de IA se sostiene sobre ahorro de mano de obra mientras tus pares reportan ganancias de capacidad, no estás siendo más riguroso que ellos. Estás midiendo un retorno que este segmento todavía no produce.
Tres movimientos antes de financiar el próximo piloto
Audita los datos, no al equipo
Antes de que la próxima iniciativa reciba presupuesto, coge los tres conjuntos de datos que realmente va a consumir y comprueba cuatro cosas: completitud, tasa de duplicados, propiedad y linaje. No el almacén de datos en general — esas tres tablas. Le lleva una semana a un analista y te dirá más sobre las probabilidades del piloto que cualquier evaluación de competencias de quienes lo ejecutan.
Construye la puerta de promoción antes de lanzar el piloto
Escribe por adelantado qué debe demostrar un piloto para llegar a producción, quién aprueba, quién lo posee después y qué ocurre cuando una salida es incorrecta. El 59 % de este mercado no tiene semejante marco. Un piloto sin salida definida no es un experimento; es una demo con partida presupuestaria.
Reasigna una libra de formación a una libra de datos
Si tu plan de IA para 2026 financia enablement y contrataciones pero nada en calidad de datos, estás financiando la explicación del 48 % en lugar de la del 83 %. No hace falta abandonar la formación. Hace falta una línea al otro lado del libro mayor, dimensionada para un trimestre de remediación real.
Una decisión este trimestre
Coge tu piloto de IA más reciente que no llegó a escalar y escribe una sola frase que diga por qué se detuvo. Después contrasta esa frase con los datos sobre los que corría.
Si la respuesta honesta es que el modelo funcionaba y la tubería no, no te ha faltado experiencia en IA. Te ha faltado lo aburrido, lo no financiable y perfectamente arreglable que hay debajo — y ese 90 % que nunca escaló un piloto de IA en el mid-market lo componen, sobre todo, personas que siguieron financiando la mitad equivocada del problema.
Un 91 % de confianza no compra nada. El 10 % escalado es el único número en el marcador.
