La Transición Digital dejó el dato listo; la decisión que debía mejorar empezaría por formularla

hace 2 días

22 min de lectura

[V] verificado · [D] derivado · [E] estimación con supuesto explícito · [H] hipótesis no demostrada

Marcas: [V] verificado en la fuente primaria · [D] derivado con el cálculo a la vista o en el libro de respaldo · [E] estimación con supuestos declarados · [H] hipótesis no demostrada. Las citas a SF-3, DT-2026-001, DS-2026-004, PE-1 y la Perspectiva de almacenamiento heredan la marca que esas piezas asignaron; PE-1 y la de almacenamiento siguen en producción y sin certificar. Cada cifra tiene su renglón, con URL, fecha de consulta y método, en el libro de respaldo.

La empresa que invirtió en controlar, poner a disposición, homogeneizar y gobernar su dato construyó la infraestructura física sin la cual un Decision System no tendría sobre qué correr [H]. Disponer del dato no garantizaría que sus decisiones de negocio estén formuladas, resueltas, gobernadas y listas para reabrirse cuando cambia el estado [H]. La Transición Analítica sería el segundo tramo: institucionalizar esa capacidad sobre la infraestructura que ya pagó, y elegir después, a partir del problema, los métodos analíticos que lo resuelven [H].

Seis de los 12 títulos de esta pieza —los de las secciones 2, 5, 6, 7, 9 y 11— son hipótesis de InsightIA, y por eso van en condicional. Los otros 6 descansan en definiciones, en fuente pública abierta o en material que InsightIA ya publicó. Cada afirmación lleva su marca en el texto, y cada cifra su renglón en el libro de respaldo.

0 · Estructura de esta nota

Las secciones 1 y 2 delimitan la Transición Digital y la formulación de decisiones. Las secciones 3 y 4 examinan inversión declarada y oficios analíticos. Las secciones 5 a 7 proponen responsabilidad, casos de uso e infraestructura intelectual. Las secciones 8 y 9 relacionan familias analíticas y problemas. Las secciones 10 y 11 presentan ejemplos y el orden de elección tecnológica. La sección 12 reúne preguntas de comprobación. Se separan hechos, derivaciones, estimaciones e hipótesis.

1 · La Transición Digital dejó el dato controlado, disponible, homogéneo y gobernado, y esa infraestructura física es la condición de toda decisión mejor que se apoye en datos

La Transición Digital entrega 4 cosas, y cada una se reconoce por lo que permite. El control dice quién puede ver y cambiar cada dato. La disponibilidad pone el dato al alcance de quien lo necesita cuando lo necesita. La homogeneidad hace que una misma magnitud signifique lo mismo en todas las áreas. La gobernanza fija quién decide sobre el dato y con qué reglas. La norma internacional de gobierno del dato, ISO/IEC 38505-1, tuvo su segunda edición publicada en agosto de 2026 [V]. Aplica al dato el modelo de gobierno de ISO/IEC 38500 [V]. Orienta a los órganos de gobierno de la organización hacia el "uso eficaz, eficiente y aceptable" del dato [V].

Esta pieza no estima cuánto se invirtió en la Transición Digital. La única serie oficial con método publicado que esta versión localizó mide la inversión en software de Estados Unidos. Es una categoría más amplia que el dato y corresponde a otro país. Usarla como tamaño de la inversión que aquí se discute excedería lo que mide. Por eso queda en el libro de respaldo y fuera del argumento.

Esta pieza parte de esa inversión y no la discute. Sin dato controlado y gobernado, un Decision System no tiene sobre qué correr [H]. La pregunta que sigue es qué decisión de negocio mejoró con esa inversión y quién lo puede demostrar.

2 · Disponer de dato controlado y gobernado no garantizaría que las decisiones de negocio estén formuladas, porque la función objetivo, las restricciones y la representación compartida no estarían en ningún dato

Un dato registra lo que ocurrió. La formulación dice qué se quiere lograr con la próxima decisión [H]. Un banco con su captación perfectamente gobernada sabe cuánto captó, a qué tasa y en qué segmento. Alguien fija antes de mirar el dato qué margen busca, con qué colchón de liquidez y contra qué meta. En la arquitectura de banca universal publicada por InsightIA, ese criterio se produce en un sistema de segundo orden. Es el de metas, presupuesto y asignación de la ambición. Su salida es la función objetivo de los demás [H, SF-3 §8].

La frontera describe una garantía que falta [H]. Hay programas de Transición Digital que ya incorporan reglas de negocio, optimización o decisiones automatizadas. Esta pieza admite esa posibilidad. Sostiene que disponer del dato y gobernarlo, por sí solos, deja sin asegurar la formulación, resolución e institucionalización de una decisión [H].

La formulación tiene 3 partes, y ninguna sería un dato [H]:

La función objetivo: qué magnitud se maximiza o se minimiza, y quién la fijó
Las restricciones: qué límites no se pueden violar —regulatorios, físicos, contractuales, de capacidad— y cuáles se pueden comprar a un precio
La representación compartida: el modelo vivo del sistema completo, con las decisiones que compiten, sus restricciones e interdependencias. Se sostienen a la vez como un solo objeto sobre el que se decide. Si 2 áreas consumen la misma magnitud y cada una tiene su versión, falta una representación compartida [H, SF-3 §9]. Queda una reconciliación que alguien tendría que hacer a mano, cada vez [H, SF-3 §9]

La tabla describe 2 capacidades complementarias que pueden desarrollarse en etapas coincidentes:

	Transición Digital · infraestructura física	Transición Analítica · infraestructura intelectual
Qué produce	Dato controlado, disponible, homogéneo y gobernado	Decisiones formuladas, resueltas y gobernadas
Su unidad	El dato y su linaje	La decisión y su dueño
Qué pregunta responde	¿Qué ocurrió, dónde está y quién puede usarlo?	¿Qué se decide, con qué criterio, bajo qué restricciones y cuándo se reabre?
Cuándo está completa	Cuando el dato es confiable y accesible	Cuando una decisión cambia de criterio y su resultado queda registrado

Fuente: formulación de InsightIA [H].

Cuando la Transición Digital se limita a dejar el dato controlado y disponible, la capacidad de decidir mejor no queda garantizada [H]. La Transición Analítica institucionalizaría esa capacidad, aunque algunas de sus piezas ya se hayan construido durante la primera [H].

3 · En las encuestas de Gartner de 2026, 3 de cada 4 líderes funcionales declaran la productividad como objetivo clave de la inteligencia artificial (IA), y 1 de cada 5 proyectos de IA en finanzas se inclina a la calidad de la decisión

Las 3 publicaciones de Gartner de 2026 que esta pieza usa miden objetivos declarados de inversión, y ninguna mide mejoras logradas [D].

Encuesta a líderes de finanzas, 20 de julio de 2026. Se encuestó a 204 líderes de finanzas en marzo [V]. Según el cuerpo del comunicado, 45% de las inversiones de IA en finanzas se inclina a la productividad [V]. En otro renglón se reporta que 20% de los proyectos de IA en finanzas se inclina a la calidad de la decisión [V]. Las 2 cifras llevan sustantivos distintos: inversiones y proyectos [V]. Pueden no compartir base y no forman partes de un mismo total. El titular del comunicado las atribuye a directores de finanzas [V]. El cuerpo las atribuye a 204 líderes de finanzas [V], y esta pieza cita el cuerpo
Encuesta a líderes funcionales, 1 de septiembre de 2026. Se encuestó a 1,303 respondientes de enero a abril [V]. La productividad es objetivo clave para 75% de los líderes funcionales y toma cerca de 30% del gasto funcional de IA en promedio [V]. El comunicado titula su figura 1 "Productivity Is the Top Outcome Functions Target with AI" [V]
Matriz de adopción de IA generativa, 22 de junio de 2026. Gartner clasifica la adopción en 7 casos de uso contra 11 industrias [V]. Son buscar, conversar, analizar, redactar, simular, producir imagen y programar [V]. Ninguno de los 7 rótulos nombra una decisión [D]. En la misma lámina, su arquitectura para agentes cierra la capa de contexto con "context graphs for decision and workflow tracing" [V]. Los rótulos, la clave y esa frase están impresos en la imagen de la figura y no en el texto del artículo. Ni el artículo ni la figura declaran qué mide la correlación, ni muestra, ni periodo, ni método [D]. Por eso la matriz se cita como lo que Gartner publica y nunca como medición de adopción

Lo que estas cifras permiten afirmar es acotado, y cada afirmación lleva su base. Según Gartner, entre los 1,303 respondientes de enero a abril la productividad es el resultado que más persiguen las funciones con IA [V]. Entre los 204 líderes de finanzas de marzo, 20% de los proyectos de IA se inclina a la calidad de la decisión [D]. Es una minoría de los proyectos. Las 2 encuestas tienen poblaciones, fechas y unidades distintas [D]. Juntas no forman un ranking de objetivos [D]. La geografía de las 2 encuestas queda sin precisar en los comunicados. Por eso la evidencia no se acredita para América Latina. Que esa manera de invertir deje sin renglón la decisión que el presupuesto debía mejorar es hipótesis de InsightIA [H, DT-2026-001]. Ese resultado queda fuera de los hallazgos de Gartner.

4 · El ingeniero de datos y el científico de datos aportan oficios necesarios; quién responde de que una decisión de negocio se formule, se resuelva y se reabra es una responsabilidad institucional, distinta del oficio

Los 2 oficios se describen aquí con las palabras de la clasificación ocupacional oficial de Estados Unidos, O*NET. Su centro de recursos es patrocinado por el Departamento del Trabajo de ese país.

El ingeniero de datos. O*NET registra "Data Engineer" entre los títulos reportados por ocupantes de la ocupación de arquitectos de bases de datos [V]. Describe esa ocupación como el diseño de "strategies for enterprise databases, data warehouse systems, and multidimensional networks" [V]. Es el oficio que construye la infraestructura física. Decide dónde vive el dato, cómo se mueve, cómo escala y cómo se protege
El científico de datos. O*NET lo describe como quien desarrolla técnicas o aplicaciones analíticas "to transform raw data into meaningful information" [V]. Aplica minería de datos, modelación, procesamiento de lenguaje natural y aprendizaje automático [V]. Visualiza, interpreta y reporta hallazgos [V]. Es el oficio que convierte el dato en modelo y en hallazgo

Ninguna de las 2 descripciones, ni las 5 primeras tareas publicadas por O*NET de cada una, incluye formular una decisión de negocio [D]. Se entiende formulada con función objetivo y restricciones [D]. Esa lectura describe la clasificación y no a las empresas. Que una descripción ocupacional omita una tarea deja sin probar que las organizaciones carezcan de quien la haga [D]. Ambos oficios hacen bien lo que la clasificación les asigna y la Transición Analítica necesita a los 2. Sin el ingeniero de datos falta el dato en producción. Sin el científico de datos falta el modelo.

La clasificación sí contiene un oficio que formula problemas, y conviene nombrarlo con exactitud. La Oficina de Estadísticas Laborales (BLS) de Estados Unidos describe al analista de investigación de operaciones [V]. Lo presenta como quien usa "mathematics and logic to help solve complex issues" [V]. Entre sus funciones están identificar problemas de negocio y desarrollar y probar modelos cuantitativos [V]. También escribir memorandos con hallazgos y recomendaciones "for managers, executives, and other officials" [V]. Su lista de funciones termina en la recomendación a la dirección [D]. Queda fuera responder de que la decisión se resuelva en producción y se reabra cuando cambia el estado [D].

La pieza separa 2 cosas. El oficio comprende las capacidades para formular y resolver problemas. Estos 3 oficios las tienen en distinta medida. La responsabilidad institucional es quién garantiza que la decisión se formule, se resuelva, opere, deje evidencia y se reabra cuando corresponde. La sección siguiente trata de esa responsabilidad.

5 · La responsabilidad que falta garantizaría que la decisión se formule como problema con función objetivo y restricciones y se resuelva en producción; la empresa la conservaría como capacidad, más allá de quién la ejerza

La empresa necesitaría institucionalizar la capacidad de formular, resolver, gobernar y reabrir sus decisiones de negocio sobre la infraestructura de datos que ya construyó [H]. Ésta es la tesis central de la pieza. La responsabilidad tiene 3 partes. Contratar más ingenieros o científicos de datos no las asigna por sí solo [H]:

Formular. Escribir quién decide, qué se maximiza, qué restricciones aplican, qué se puede comprar a un precio y qué representación comparten quienes deciden. Es trabajo con el director de finanzas, el de operaciones y el área que ejecuta, antes de abrir el dato
Seleccionar la arquitectura analítica. Identificar las familias y los métodos que requiere el problema (sección 8), considerando sus restricciones, la incertidumbre, los datos disponibles y las condiciones de implementación
Responder de la resolución en producción. Que la decisión corra con la cadencia que el negocio exige. Que quede registrado qué se decidió, bajo qué estado y qué ocurrió después. Que la decisión se reabra cuando una variable cruza un umbral declarado

Esta pieza describe esa responsabilidad por lo que hace, sin proponer un cargo, porque lo que importa es que la empresa la conserve [H]. En la arquitectura de la banca universal publicada por InsightIA se plantea una pregunta. "si desaparecieran las personas que hoy hacen el análisis, ¿qué tendría que permanecer para que el banco siguiera tomando esa decisión?" [SF-3 §10]. Que esa capacidad permanezca cuando cambian las personas es la hipótesis de diseño de esta pieza [H]. Desarrollarla dentro de la organización es lo que la casa llama Organizational Upskilling.

6 · Un caso de uso que no nombra la decisión que debe mejorar podría producir información valiosa sin cambiar la manera de decidir

Los 2 caminos empiezan con preguntas distintas [H]. En el primero se pregunta qué se puede hacer con el dato disponible. Su producto natural sería un indicador, un tablero o un pronóstico que alguien consulta. En el segundo se pregunta qué decisión, con qué dueño y con qué criterio, y qué dato le falta. Su producto buscado es una decisión que cambia de criterio y deja rastro. Ninguno de los 2 caminos fija el resultado. Un caso nacido en el dato puede terminar cambiando una decisión. Uno nacido en la formulación puede quedarse en tablero si su implementación falla [H]. En el segundo camino se agrega que alguien tendrá que responder qué decisión mejoró. En la Decision Thesis DT-2026-001 se traduce esa propuesta al presupuesto [H]. Cada renglón de inversión en IA tendría que nombrar la decisión que debía mejorar y quién responde por ella [H]. También el resultado económico que se espera y la referencia contra la que se medirá la mejora [H].

La evidencia pública es compatible con esta hipótesis y con otras. Gartner reportó una encuesta a 644 respondientes de organizaciones de Estados Unidos, Alemania y Reino Unido en el cuarto trimestre de 2023 [V]. Reportó que 48% de los proyectos de IA llega a producción y que pasar de prototipo a producción toma 8 meses [V]. El principal obstáculo para adoptar IA es la dificultad para estimar y demostrar su valor [V]. En otra encuesta hubo 432 respondientes de Estados Unidos, Reino Unido, Francia, Alemania, India y Japón, ninguno de América Latina [V]. Se levantó en el cuarto trimestre de 2024 [V]. Entre los líderes de organizaciones de baja madurez en IA, 37% nombró encontrar el caso de uso correcto entre sus principales barreras [V]. En la misma encuesta se registra una explicación rival [V]. La disponibilidad y calidad del dato figuró entre los principales retos para 34% de esos líderes [V].

Lo que estas cifras no dicen importa tanto como lo que dicen. Miden proyectos de IA, en lugar de proyectos analíticos en general. Dejan sin precisar por qué el resto no llegó a producción. Tampoco distinguen un caso de uso nacido en el dato de uno nacido en la decisión [D]. Es compatible con los datos que la dificultad para demostrar valor provenga de casos de uso sin decisión formulada. Los datos dejan esa lectura sin demostrar [H]. La refutaría una cartera de casos de uso que no nombraron su decisión y cambiaron criterios con resultado registrado. Tendría que hacerlo en la misma proporción que los casos que sí la nombraron.

7 · La infraestructura intelectual de la Transición Analítica serían las 6 piezas que institucionalizan un Decision System, y todas se montarían sobre la infraestructura física que la empresa ya pagó

Las 6 piezas vienen de la arquitectura de la banca universal que InsightIA publicó [SF-3 §10]. Aquí se generalizan como hipótesis a cualquier industria [H]. En la tabla se indica sobre qué parte de la infraestructura física se montaría cada una:

Pieza de la infraestructura intelectual	Qué es	Sobre qué parte de la infraestructura física se montaría
Formulación de la decisión	Función objetivo y restricciones explícitas, escritas y vivas	El catálogo y las definiciones homogéneas del dato
Representaciones compartidas	Con dueño, versión y calibración periódica	El dato homogéneo y gobernado: una sola versión de cada magnitud
Mecanismo de resolución conjunta	El procedimiento que produce la respuesta, con sus supuestos declarados	El cómputo y el acceso al dato en la cadencia de la decisión
Registro de decisiones y resultados	Qué se decidió, bajo qué estado del mundo y qué ocurrió después	El almacenamiento y el linaje del dato
Gobierno de la decisión	Quién puede cambiar qué, con qué evidencia, y qué queda reservado al juicio	El control de acceso y las reglas de gobierno del dato
Disparadores de reapertura	Umbrales declarados sobre variables monitoreadas, para que la decisión se reabra cuando cambia el estado	La disponibilidad continua de esas variables

Fuente: las 6 piezas, SF-3 §10; la correspondencia con la infraestructura física, formulación de InsightIA [H].

En la tabla se muestra por qué la Transición Analítica llegaría como segundo tramo y no como reemplazo [H]. Cada pieza intelectual descansa en una física. El registro de decisiones necesita almacenamiento y linaje. Los disparadores necesitan variables disponibles a tiempo. Ninguna pieza física produce por sí sola una pieza intelectual. En el linaje se registra de dónde vino un dato y queda sin registrar qué se decidió con él [H].

8 · Cada familia analítica resuelve una clase de problema y le pide algo distinto al dato: optimización, inferencia causal y econometría, simulación, pronóstico de series, aprendizaje de patrones, reglas y heurísticas, modelos de lenguaje y agentes

Familia	Para qué sirve	Qué problema resuelve	Para qué no sirve	Qué le pide al dato
Optimización	Elegir la mejor alternativa dentro de un conjunto factible	Asignación de recursos, precios, programas de producción, carteras	Sin función objetivo y restricciones escritas no puede plantearse	Parámetros de costo, capacidad y restricción, a la cadencia de la decisión
Inferencia causal y econometría	Estimar qué cambia si se interviene	Efecto de un precio, una política o una campaña; elasticidades	Responder sin supuestos sobre lo que no se observó	Variación en la intervención y covariables que permitan sostener los supuestos de identificación
Simulación	Reproducir el comportamiento de un sistema bajo escenarios	Sistemas con interacciones, colas, eventos raros o dinámica física	Elegir por sí sola la mejor alternativa: compara las que se le dan	Parámetros y distribuciones de cada componente, y validación contra lo observado
Pronóstico de series	Anticipar una magnitud en el tiempo	Demanda, flujos, precios, ocupación	Decidir: entrega un valor esperado y su incertidumbre, y la decisión se toma aparte	Historia suficiente y conocimiento de los factores que mueven la serie
Aprendizaje de patrones	Clasificar, detectar o predecir a partir de ejemplos	Riesgo de crédito, fraude, mantenimiento, segmentación	Distinguir por sí solo correlación de efecto de una intervención	Ejemplos etiquetados en volumen, representativos de las condiciones en que se usará
Reglas y heurísticas	Aplicar un criterio conocido de forma auditable	Políticas, umbrales, cumplimiento, casos de baja frecuencia	Adaptarse a un cambio de estado sin que alguien reescriba la regla	Las variables que la regla usa, confiables y a tiempo
Modelos de lenguaje y agentes	Leer, resumir, redactar y encadenar pasos sobre texto y herramientas	Extracción de documentos, interfaz con el usuario, orquestación de tareas	Garantizar exactitud sin verificación: pueden producir contenido falso con apariencia de certeza	Documentos y contexto confiables, y un mecanismo de verificación de sus salidas

Fuente: definición y mecanismo de cada familia; las capacidades y los límites con fuente primaria llevan su marca en el texto que sigue.

4 de los límites de la tabla tienen fuente primaria.

Optimización. En la formulación estándar de un problema de optimización se minimiza una función objetivo sujeta a funciones de restricción. Entre sus aplicaciones típicas figuran la asignación de recursos, los programas y las operaciones de un portafolio [V, Boyd y Vandenberghe]. Es la familia que más depende de la formulación. Sin función objetivo escrita, falta el problema que se debe resolver [D]
Inferencia causal. Hernán y Robins discuten el estudio de ejemplo de su capítulo 2 en su texto de referencia [V]. Escriben: "we are generally unable to determine whether exchangeability holds in our study" [V]. La intercambiabilidad es el supuesto que permite leer una diferencia como efecto. Que el dato por sí solo no la demuestre es la lectura general que se hace aquí de ese pasaje [H]. Por eso esta familia le pediría al negocio una pregunta y un diseño antes que más dato [H]
Pronóstico. Hyndman es coautor de un texto de referencia de pronóstico [V]. Escribe que la posibilidad de pronosticar depende de cuánto se entienden los factores que mueven la magnitud [V]. También de cuánto dato hay y de si el pronóstico puede afectar lo que se pronostica [V]. La decisión que usa el pronóstico puede cambiar el resultado, como un precio que mueve la demanda. Cuando ocurre, el pronóstico solo deja de bastar y la decisión pasa a otra familia [H]
Modelos de lenguaje. El Instituto Nacional de Estándares y Tecnología (NIST) de Estados Unidos publicó en julio de 2024 su perfil de IA generativa [V]. El documento NIST AI 600-1 nombra como riesgo la confabulación: "the production of confidently stated but erroneous or false content" [V]

Las descripciones de simulación, aprendizaje de patrones y reglas salen de su definición y su mecanismo. Esta versión no les atribuye ninguna capacidad ni límite con fuente. En la tabla se omiten marcas de proveedores. Ninguna familia se presenta como superior a otra fuera de un problema concreto.

9 · Los problemas que entran a un Decision System tendrían en toda industria la misma estructura —decisor, función objetivo y restricciones compartidas— y de ella se seleccionaría, con fundamento, la arquitectura analítica

La estructura tendría 4 elementos, y escribirlos sería el punto de partida para elegir los métodos [H]. Son quién decide, qué busca, qué restricciones comparte con otras decisiones y con qué cadencia vuelve a decidir. Las preguntas siguientes orientan la selección, y cada una apunta a una familia:

¿Se elige entre alternativas bajo restricciones? Optimización
¿Hace falta saber qué cambia si se interviene? Inferencia causal y econometría
¿El resultado depende de interacciones, colas o eventos raros que no se observan con frecuencia? Simulación
¿Hace falta anticipar una magnitud? Pronóstico de series
¿Se clasifica o se detecta en volumen? Aprendizaje de patrones
¿El criterio ya es conocido y tiene que ser auditable? Reglas y heurísticas
¿La entrada o la salida es texto, o la tarea encadena pasos con herramientas? Modelos de lenguaje y agentes

La formulación fija qué tiene que resolverse. La elección final depende además de la estructura matemática del problema, de la incertidumbre y del dato disponible. También de la explicabilidad que se exige y del cómputo [H]. Una decisión real casi siempre combinaría varias familias, en el orden que el problema dicta [H]. En el crédito de un banco, con los modelos de riesgos se estima la probabilidad de incumplimiento. El precio y el límite se fijan con esa estimación como insumo. Se fijan dentro del cargo por capital que emite el núcleo del balance [H, SF-3 §4, §9]. Esos modelos pueden ser de aprendizaje de patrones y la decisión que los usa es de optimización [H]. La familia que aparece primero en el flujo de datos puede ser la última en el orden de la decisión.

10 · Banca, energía y hotelería ya tienen decisiones formuladas por la casa, y Oil & Gas, Industrial e Infraestructura repiten la estructura con 1 ejemplo cada uno

Cada renglón se escribe como decisión, decisor, función objetivo y familia analítica. Las 6 funciones de Decision Systems quedan en la última columna. Los renglones de banca, energía y hotelería vienen de piezas que InsightIA ya publicó o tiene en producción. Los de Oil & Gas, Industrial e Infraestructura son derivaciones de esta pieza, sin un caso real detrás [H].

Sector	Decisión	Decisor	Función objetivo y restricciones principales	Familias analíticas	Función
Sistema Financiero	Mezcla y precio del pasivo, colchón de liquidez, duración y reparto de la capacidad de balance	La unidad que administra activos y pasivos del banco	La que fija el sistema de metas; restricciones de liquidez regulatoria y de capital	Optimización, con pronóstico del comportamiento del depósito	Capital Allocation
Sistema Financiero	A quién originar crédito, con qué monto, precio y límite	El área de crédito, dentro del cargo por capital que emite el núcleo	Margen ajustado por la curva de transferencia y el cargo por capital	Aprendizaje de patrones como insumo; optimización del precio y el límite	Capital Allocation
Sistema Financiero	Por qué canal, con qué frecuencia y con qué oferta llegar a cada cliente	El área comercial	Valor del cliente, con la capacidad de atención instalada como restricción compartida	Inferencia causal, aprendizaje de patrones, optimización de la asignación	Latent Growth
Sistema Financiero	Dónde fijar los umbrales de fraude, y cuánto pagar por la evidencia que los calibra	Quien aprueba la política de fraude	Costo económico total: pérdida, fricción del cliente y capacidad de investigación	Aprendizaje de patrones; inferencia causal con muestra controlada	Execution on Decision Systems
Sistema Financiero	Apetito, reparto de la ambición entre negocios y premisas del plan	La dirección y el consejo	Produce la función objetivo de los demás sistemas; se reabre por desempeño	Simulación de escenarios y optimización con varios objetivos	Institutional Systems
Power, Energy & Environmental Transition	Qué combinación de contratos, potencia y respaldo comprar para cubrir las horas críticas	El comprador que adjudica: la distribuidora o el comercializador	Costo total de cubrir sus horas críticas, incluida la reposición si el contrato falla	Simulación horaria y optimización de la cartera de contratos	Capital Allocation
Power, Energy & Environmental Transition	Qué configuración de almacenamiento construir: tecnología, duración, nodo y fecha	El desarrollador, el fondo y el financiador	Retorno frente a las alternativas, con el beneficio para el sistema y el ingreso capturable medidos por separado	Simulación horaria y nodal del sistema, y evaluación financiera	Capital Projects
Hotelería	Si se reposiciona un activo, y contra qué mercado de origen	El propietario o el comité del activo	Desempeño del activo frente al plan, con la decisión reabierta cuando sus series de referencia divergen	Pronóstico de series y reglas de reapertura por divergencia	Execution on Decision Systems
Oil & Gas	Cómo repartir el presupuesto de perforación y mantenimiento entre campos	El comité de inversión del operador	Valor de la producción, con presupuesto, equipos disponibles y compromisos de producción como restricciones	Optimización con simulación de escenarios de precio y de producción	Capital Allocation
Industrial	Cuánto producir en cada planta y con qué energía, mes a mes	El director de operaciones de una cementera o una acerera	Margen de contribución, con capacidad de hornos, inventario y contratos de energía como restricciones	Pronóstico de demanda y optimización del plan	S&OP
Infraestructura	Qué tramos de una red carretera concesionada intervenir y cuándo	El concesionario	Costo del ciclo de vida, con los niveles de servicio del título de concesión y el presupuesto como restricciones	Pronóstico del deterioro y optimización del programa	Capital Projects

Fuente: Sistema Financiero, SF-3 §4 y §7–§9; Power, Energy & Environmental Transition, Perspectivas PE-1 y de almacenamiento, v0.10, cotejadas el 15 de octubre y sin certificar; Hotelería, Decision Signal DS-2026-004; Oil & Gas, Industrial e Infraestructura, derivación de InsightIA [H]. La asignación a cada función y la elección de familias es formulación de InsightIA [H].

2 fronteras de la tabla merecen explicación. En Capital Projects se decide la configuración de un sistema físico: qué activo, de qué tamaño, dónde y cuándo [Fundamentos de InsightIA]. En Capital Allocation se reparte capital finito entre alternativas que compiten por él [Fundamentos de InsightIA]. Por eso la configuración de almacenamiento va en la primera y la cartera de contratos del comprador en la segunda. Institutional Systems es la sexta función de Decision Systems, la que constituye a la institución como sistema de decisión. En banca le correspondería el sistema que fija las metas de los demás [H]. En la tabla también se muestra que las familias atraviesan las funciones. La optimización aparece en 5 de las 6 [D]. Ningún sector determina por sí solo una familia [H].

Detrás de los renglones de la casa hay hechos públicos que muestran por qué la formulación pesa. En banca, el coeficiente de cobertura de liquidez de la banca múltiple mexicana tiene un mínimo requerido de 100% [V, SF-3]. Es una restricción que debe escribirse en la formulación antes de fijar el precio del depósito. En energía, se ofreció el producto colombiano de energía para la punta de 18:00 a 22:00 [V, PE-1]. En la subasta de largo plazo de 2026 quedó sin adjudicar por el límite regulatorio de competencia [V, PE-1]. Las ofertas fueron por 9.3% de lo pedido [V; D, PE-1]. La hora que los compradores pidieron quedó sin contrato de largo plazo en ese producto [D]. El producto híbrido de la misma subasta sí contrató entrega de 18:00 a 22:00 [V, PE-1]. En almacenamiento, se calculó el margen de arbitraje de una batería de 4 horas en la barra chilena de Crucero [D, Perspectiva de almacenamiento]. Cayó en 12 meses [D, Perspectiva de almacenamiento, con la trazabilidad de la cifra abierta]. El caso de negocio cambia mientras el activo vive. En hotelería, la afluencia de turistas a Tulum cayó 8.6% en el acumulado de enero a julio de 2026 [D, DS-2026-004]. Cayó 2.4 veces más rápido que la de su región [D, DS-2026-004]. La decisión depende de cuál de varias series ancla el plan.

11 · La analítica avanzada o la IA se usarían en cada Decision System, y el método adecuado —que puede no ser IA— llegaría después del problema, como consecuencia de la conversación sobre la decisión

Los 11 renglones de la sección anterior usan al menos un método de analítica avanzada: optimización, simulación, pronóstico o aprendizaje de patrones [D]. En ninguno la herramienta habría podido elegirse antes de escribir la decisión [H]. Varios no requieren IA en sentido estricto. El plan del activo hotelero pide pronóstico y reglas, sin optimización ni aprendizaje [H]. El aprendizaje de patrones aparece como insumo en el crédito y como base de la política en el fraude. Un Decision System se diseña para resolver el problema y emplea IA sólo cuando el problema la pide [H]. Elegir la herramienta primero obligaría a buscarle un problema. Formular primero permitiría deducirla [H].

Aquí se vuelve tesis la línea con que cierra la arquitectura de la banca universal de InsightIA. Qué familia analítica conviene a cada sistema se deduce del problema y viene después. La tecnología llega al final, como consecuencia de la conversación sobre la decisión [H, SF-3 §12]. Las 2 transiciones se ordenarían así. La digital deja el dato listo. En la analítica se formula la decisión. La herramienta, ya elegida por el problema, corre sobre lo que se construyó en la primera [H].

12 · Quien pagó la Transición Digital puede comprobar el lunes, en 3 preguntas, qué decisión de negocio mejoró con ella

Esta pieza describe una arquitectura y deja sin contestar cómo decide su empresa. Usted puede comprobar en la suya si el argumento aplica:

¿Qué decisión de negocio puede usted nombrar que mejoró con su Transición Digital, con su dueño y la referencia contra la que se midió la mejora?
¿Dónde está escrita la función objetivo de esa decisión, y quién la puede cambiar?
De sus casos de uso de analítica e IA, ¿cuáles cambiaron un criterio de decisión con resultado registrado, y cuáles terminaron en un tablero que alguien consulta?

Si la primera respuesta tarda, lo que falta estaría en la formulación de la decisión, sobre un dato que la empresa ya pagó [H].

Lo que esta pieza no afirma

Que la Transición Digital haya sido un error o un desperdicio: es la condición de todo lo que la pieza propone
Que algún oficio sobre: el ingeniero de datos, el científico de datos y el analista de investigación de operaciones hacen trabajo que la Transición Analítica necesita
Que una familia analítica supere a otra fuera de un problema concreto
Cuántas empresas tienen sus decisiones formuladas, ni cifras de fracaso de proyectos de datos sin método publicado
Nada sobre alguna empresa en particular

Fuentes

ISO · ISO/IEC 38505-1:2026, Information technology — Governance of data — Part 1: Application of ISO/IEC 38500 to the governance of data, agosto de 2026, resumen público: https://www.iso.org/standard/87195.html
Gartner · Comunicado del 20 de julio de 2026, encuesta a 204 líderes de finanzas: https://www.gartner.com/en/newsroom/press-releases/2026-07-20-gartner-survey-shows-45-percent-of-cfos-say-their-ai-investments-lean-towwards-productivity-while-20-percent-say-these-investments-lean-towards-decision-quality
Gartner · Comunicado del 1 de septiembre de 2026, encuesta a 1,303 respondientes: https://www.gartner.com/en/newsroom/press-releases/gartner-survey-finds-only-22-percent-of-organizations-have-successfully-scaled-ai-across-multiple-business-units
Gartner · Top Emerging Adoption Trends for Generative AI, Vibha Chitkara, 22 de junio de 2026: https://www.gartner.com/en/articles/emerging-adoption-trends-for-genai; los rótulos, la clave y la cita de la sección 3 se leen en la imagen de su figura, "GenAI use-case adoption trends across industries", código CTMKT_5230645 impreso al pie de la imagen
Gartner · Comunicado del 7 de mayo de 2024, encuesta a 644 respondientes: https://www.gartner.com/en/newsroom/press-releases/2024-05-07-gartner-survey-finds-generative-ai-is-now-the-most-frequently-deployed-ai-solution-in-organizations
Gartner · Comunicado del 30 de junio de 2025, encuesta a 432 respondientes: https://www.gartner.com/en/newsroom/press-releases/2025-06-30-gartner-survey-finds-forty-five-percent-of-organizations-with-high-artificial-intelligence-maturity-keep-artificial-intelligence-projects-operational-for-at-least-three-years
O*NET · Database Architects, 15-1243.00: https://www.onetonline.org/link/summary/15-1243.00; Data Scientists, 15-2051.00: https://www.onetonline.org/link/summary/15-2051.00
Oficina de Estadísticas Laborales de Estados Unidos (BLS) · Occupational Outlook Handbook, Operations Research Analysts, modificada el 27 de agosto de 2026: https://www.bls.gov/OOH/math/operations-research-analysts.htm
Boyd y Vandenberghe · EE364a, Convex Optimization, Stanford, lección de introducción: https://web.stanford.edu/class/ee364a/lectures/intro.pdf
Hernán y Robins · Causal Inference: What If, Chapman & Hall/CRC, capítulo 2: https://www.hsph.harvard.edu/miguel-hernan/wp-content/uploads/sites/1268/2024/04/hernanrobins_WhatIf_26apr24.pdf
Hyndman · "Why are some things easier to forecast than others?", Hyndsight, 18 de septiembre de 2012: https://robjhyndman.com/hyndsight/hardforecasts/
NIST · NIST AI 600-1, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, julio de 2024: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
InsightIA · Perspectiva SF-3 v0.9, Donde el precio interno no llega, las áreas de un banco pueden decidir por separado, 14 de octubre de 2026, certificada; Decision Thesis DT-2026-001; Decision Signal DS-2026-004; Fundamentos de InsightIA, 24 de agosto de 2026; Perspectivas PE-1 v0.10, con dictamen de la vuelta 4, no certificable y con 4 hallazgos de evidencia abiertos en secciones que esta pieza no usa, y de almacenamiento v0.10, en producción con reservas de trazabilidad abiertas; lo que esta pieza toma de ellas se cotejó el 15 de octubre de 2026