Investigación
¿Cómo se convierte realmente la IA en valor empresarial?
Un programa de investigación que explora por qué organizaciones con acceso a tecnologías de IA similares producen resultados económicos radicalmente distintos.
Esta página reúne el programa de investigación: su pregunta central, las tres líneas en que se organiza, los frameworks que cada línea desarrolla y las publicaciones y artículos que lo documentan. Evoluciona con el trabajo.
La cadena causal en el centro del programa
Una agenda de investigación, once frameworks conectados
Cada framework aborda un punto donde la cadena de conversión se rompe: el liderazgo que todavía no puede gobernar la IA, la deuda de arquitectura y gobernanza que se acumula, la forma en que se construyen los pilotos, el modelo operativo que los escala, la medición que hace visible el valor y la asignación de capital que lo reinvierte.
01Tres líneas de investigación
AI Value Realization
¿Por qué capacidades de IA similares producen retornos tan distintos?
Investigación organizacional y económica sobre cómo la inversión en IA se convierte en decisiones, acciones y valor medible. Incluye AVRT y su sistema de medición, los conceptos de deuda (liderazgo, arquitectura, gobernanza) y la asignación de capital en portafolios de IA.
Frameworks de esta línea
- AI Value Realization Theory (AVRT)
- AI Leadership Debt
- Architecture Leadership Debt
- Governance Debt
- AVRT Measurement System
- AI Capital Allocation Theory
- AI Portfolio Decision Framework
- Executive AI Literacy
Publicaciones y evidencia
- Working paper AVRT v3 (en curso; resumen ejecutivo publicado en LinkedIn, ago 2026)
- Serie AVRT, partes 1–3, y serie Portafolio Estratégico de IA (LinkedIn, 2026)
Artículos relacionados · AI Value Realization Theory (AVRT) · Liderazgo y alfabetización ejecutiva en IA · Portafolio y estrategia de IA · Modelos operativos y gobernanza de IA
AI Value Realization Theory: resumen ejecutivo
El resumen ejecutivo del marco: la cadena de conversión, las cinco métricas (ALDI, DCR, ACR, VCR, AIRR), la lógica del eslabón débil, la curva en J, el autodiagnóstico de 10 preguntas, el mapa de posicionamiento, la métrica crítica por industria y la hoja de ruta a 3, 6, 12 y 18–24 meses.
Leer · 9 min de lecturaMás allá del AI-First: convertir la inteligencia artificial en resultados de negocio
No es necesario convertirse en una empresa AI-first para crear valor con inteligencia artificial. Pero sí es necesario repensar cómo la IA cambia la forma en que el negocio opera, decide y genera resultados económicos: dónde está el valor por industria, un caso que lleva el margen bruto de 30 % a 31 %, en qué convergen Microsoft, McKinsey y BCG, por qué no se captura el valor (Deuda de Liderazgo en IA) y cómo saber si se captura (el embudo de conversión de AVRT).
Leer · 15 min de lecturaEl P&L puede estar bien — y la decisión sobre IA seguir estando equivocada
Gartner ya mide los costos ocultos de la IA en la fuerza laboral: un costo del talento especializado 3–4 veces mayor, hasta un 30 % de los cargos desplazados recontratados hacia 2029, una “hipoteca sobre el talento”. Ninguno de esos costos lo causó la tecnología: todos nacen de una decisión. Este artículo nombra el agregado, Deuda de Liderazgo en IA (AI Leadership Debt), y agrega a la ecuación del valor de la IA el término que le falta.
Leer · 11 min de lectura02Tres líneas de investigación
IA industrial
¿Cómo cambian el machine learning y los agentes el control de procesos físicos complejos?
Investigación aplicada en la frontera entre control de procesos e IA: control adaptativo con ML (MPC/APC) para procesos mineros no lineales, gemelos digitales y simuladores de entrenamiento, visión computacional a escala y agentes de IA operacionales que integran miles de señales en tiempo real.
Frameworks de esta línea
- Evolution-Ready PoC
- Expert Validation Loop
- Agent Harness Engineering
Publicaciones y evidencia
- Barrientos C., Neira N., Olivares J., et al. “Non-linear Adaptive APC: ML-Driven Optimization for Copper Mining.” APC Peru, 2025.
- Barrientos C., et al. “Adaptive APC Strategy using ML for SAG Grinding.” APC Peru, 2024.
- Trabajo anterior: modelos predictivos geometalúrgicos y AutoML en minería chilena (CORFO / PIA-CONICYT); Hydrometallurgy (Elsevier).
Artículos relacionados · Ingeniería agéntica y AI-native
Se desarrolla 10 veces más rápido. ¿Se están acelerando también los errores?
Spec-Driven Development, Context Engineering y Loop Engineering gobiernan los inputs y la ejecución de los agentes. Ninguno valida el output como conocimiento. Argumentos a favor de un Expert Validation Loop, y por qué convertir inteligencia incorrecta más rápido es riesgo acelerado.
Leer · 8 min de lecturaMás allá del LLM: Agent Harness Engineering y gobernanza de IA
Un año construyendo agentes de IA para entornos industriales dejó una conclusión inesperada: a más escala, menos consistencia. El problema no era el modelo. Era el diseño del sistema completo a su alrededor: memoria, contexto, orquestación, observabilidad y gobernanza.
Leer · 4 min de lectura03Tres líneas de investigación
IA en salud
¿Puede el machine learning apoyar las decisiones de tratamiento en adultos mayores con cáncer?
Apoyo a la decisión de terapia sistémica en personas mayores con cáncer. PROTEGER, la plataforma desarrollada en Oncoger.ai, analiza cada caso en tres etapas, elegibilidad, intensidad de dosis y pronóstico, a partir de la valoración geriátrica: la IA recomienda, el equipo de oncología y oncogeriatría decide. Modelos multivariables con validación externa, reportados bajo la guía TRIPOD-AI, y una validación prospectiva en curso. Parte de PRECISION-AI, programa tecnológico de cinco años financiado por CORFO y liderado por la Universidad de Chile y la Universidad del Desarrollo.
Con el Hospital Clínico Universidad de Chile, la Universidad del Desarrollo, la Universidad Mayor, el Hospital Dr. Franco Ravera Zunino, el Hospital Digital (Ministerio de Salud) y el University Medical Centre Utrecht; socios internacionales MIT Jameel Clinic y London AI Centre for Value-Based Healthcare.
Frameworks de esta línea
- Expert Validation Loop
Publicaciones y evidencia
- Navarrete G., Martínez G., Barrientos C., Venegas R., et al. “Machine learning models as a supporting tool to decide systemic therapy for older adults with cancer.” Journal of Geriatric Oncology, 17 (2026) 103031. DOI 10.1016/j.jgo.2026.103031 · ISRCTN11875539.
- Modelo de ensamble con AUC 0,84 (IC 95 % 0,78–0,89) en validación externa (272 pacientes, dos centros terciarios, 2021–2025), tras una cohorte de desarrollo de 357 pacientes.
- Plataforma en validación en más de 7 hospitales de Chile, Perú y Brasil, con más de 1.000 pacientes incluidos en los modelos de machine learning (Oncoger.ai).
Investigación
Publicaciones
Investigación revisada por pares
- Navarrete G., Martínez G., Barrientos C., Venegas R., et al. “Machine learning models as a supporting tool to decide systemic therapy for older adults with cancer.” Journal of Geriatric Oncology, 17 (2026) 103031. DOI ↗
- 20+ publicaciones revisadas por pares en Hydrometallurgy (Elsevier), SPIE Astronomical Instrumentation y Space Terahertz Technology, 2005–2016.
Investigación industrial
- Barrientos C., Neira N., Olivares J., et al. “Non-linear Adaptive APC: ML-Driven Optimization for Copper Mining.” APC Peru, 2025.
- Barrientos C., et al. “Adaptive APC Strategy using ML for SAG Grinding.” APC Peru, 2024.
Working papers
- Barrientos C. “AI Value Realization Theory (AVRT): un modelo de conversión del valor de la IA en las organizaciones.” Working paper v3, 2026. Disponible a solicitud.
Artículos y divulgación
- Artículos, series y carruseles publicados en LinkedIn y reproducidos en la sección Artículos e investigación, agrupados por tema.
Explorando actualmente
Preguntas abiertas de la agenda de investigación
Cuatro preguntas que hoy orientan el trabajo. Comentarios, evidencia en contra y colaboración son bienvenidos.
- 01
¿Puede medirse la realización de valor de la IA como un sistema de conversión?
AVRT Measurement System
- 02
¿Puede la Deuda de Liderazgo en IA (AI Leadership Debt) explicar las diferencias persistentes en el ROI de la IA entre organizaciones?
AI Leadership Debt
- 03
¿Cómo deberían las organizaciones asignar capital entre iniciativas de IA bajo incertidumbre organizacional?
AI Capital Allocation
- 04
¿Cómo deberían diseñarse los PoC de IA para maximizar el aprendizaje sin crear Architecture Leadership Debt?
Evolution-Ready PoC · Architecture Leadership Debt