El problema
Las empresas medianas son la columna vertebral de la economía mexicana; sin embargo, su adopción de IA está estructuralmente estancada: solo el 38% de las empresas mexicanas ha adoptado IA de forma significativa y apenas el 3% ha alcanzado niveles avanzados (AWS, 2025). El premio por cerrar la brecha está cuantificado: el 83% de las empresas mexicanas que adoptan IA reporta crecimiento de ingresos con un promedio del 16%, y McKinsey (2025) documenta una mejora promedio del 37% en la productividad de funciones administrativas. Aplicado a las ~228,000 empresas medianas de México, acelerar sistemáticamente la adopción de IA tendría un impacto económico de escala nacional.
La brecha no es tecnológica. Los marcos existentes fueron diseñados para grandes corporativos en economías desarrolladas; las empresas medianas mexicanas operan bajo un perfil de restricciones fundamentalmente distinto, y los manuales genéricos les fallan de manera recurrente.
La investigación
COMPASS se desarrolló mediante un estudio cualitativo de casos múltiples en cinco organizaciones de la Ciudad de México y Guadalajara, abarcando tres niveles de madurez en IA y cuatro sectores — desde adoptantes tempranos hasta una consultora nativa de IA — con 65 entrevistas semiestructuradas en cinco roles por organización (CEO, gerente de TI, gerente funcional, usuario final, cliente/socio), además de análisis documental y observación longitudinal estructurada. Sintetiza tres teorías consolidadas: la Teoría de Restricciones (¿dónde estás bloqueado?), la Visión Basada en Recursos (¿qué tienes?) y las Capacidades Dinámicas (¿cómo te mueves?).
El hallazgo central
La estrategia consciente de restricciones y calibrada a la madurez — no la selección de tecnología — es el determinante principal del éxito en la transformación con IA.
Cuatro restricciones dominan, y una condiciona a todas las demás:
- Compromiso y alfabetización en IA del liderazgo — la restricción vinculante en todos los casos y niveles de madurez. Ninguna inversión técnica compensa su ausencia. El compromiso (voluntad de patrocinar) y la alfabetización (entender qué puede y qué no puede hacer la IA) son distintos, y el éxito requiere ambos.
- Escasez de talento digital — universal, pero específica por etapa: desde cero competencia interna en empresas tempranas hasta escasez de roles especializados en organizaciones avanzadas.
- Déficits de gobernanza de datos — la barrera técnica más consistente. COMPASS la replantea como un flujo de trabajo paralelo, no un prerrequisito que retrase el primer piloto.
- Resistencia cultural — rara vez oposición abierta; se manifiesta como distanciamiento cauteloso, desvinculación pasiva y parálisis de evaluación, cada una con su propia contramedida.
El marco
COMPASS ubica a la organización en una de tres etapas de madurez y prescribe respuestas probadas por etapa:
| Etapa | Restricciones dominantes | Respuestas prioritarias | Indicadores de éxito |
|---|---|---|---|
| Explorar (temprana) |
Analfabetismo directivo en IA; sin competencia interna; datos no listos; dependencia de consultores; sin campeón interno | Fase de descubrimiento y diagnóstico; piloto acotado en un caso de alto valor; designar campeón interno; estructurar la consultoría para transferencia de conocimiento | Piloto iniciado; campeón designado; programa de alfabetización lanzado; alianza estructurada para transferencia de capacidades |
| Implementar (intermedia) |
Fragmentación de datos; brechas OT–TI; desvinculación pasiva; escalamiento de talento; brechas de medición de ROI | Estándar mínimo viable de datos; despliegue modular por fases; co-diseño de adopción conductual; programa interno de aprendizaje en IA; seguimiento de ROI | Gobernanza de datos activa; tasa de adopción medida; segundo campeón desarrollado; evidencia de ROI documentada |
| Escalar (avanzada) |
Burocracia operativa; escasez de talento especializado; confianza y explicabilidad de la IA; sostener la cultura de aprendizaje | Plataformización de capacidades (marcos/SDKs reutilizables); gobernanza anticipada; ciclos iterativos; marcos de ética y explicabilidad; métricas de innovación | Activos reutilizables desplegados; gobernanza rediseñada; infraestructura de aprendizaje institucionalizada; estándares éticos integrados |
Lo que funciona de manera consistente
- Construir una cultura de aprendizaje y experimentación — codificar las lecciones de cada proyecto en activos organizacionales compartidos.
- Secuenciar las inversiones — un caso de uso de alto valor y baja complejidad; probar el ROI; dejar que la evidencia financie el siguiente paso.
- Empoderar a un campeón interno de IA — autoridad real, respaldo directivo y co-liderazgo de la entrega.
- Diseñar alianzas para transferir capacidades — obligaciones de transferencia de conocimiento e hitos de internalización, no dependencia de solo-entrega.
Sobre el investigador
Daniel Risso Elliot es candidato a doctor por Signum Magnum College (Austria) y ejecutivo de tecnología en una empresa global de software empresarial; asesora a empresas medianas mexicanas en su adopción de IA. Más en rissell.me.
Fuentes: AWS / Strand Partners, "Unlocking Mexico's AI Potential" (2025); McKinsey & Company, "Superagency in the Workplace" (2025); hallazgos transversales de la disertación (caps. 4–5).