El estudio del MIT detrás del 95 %: qué dice de verdad "The GenAI Divide" y qué significa para una pyme

Desde agosto de 2025 la cifra está en todas partes: "el 95 % de los pilotos de IA fracasa". Nosotros también la hemos citado. Una cifra que se repite tanto merece que alguien lea el documento completo, no el titular. Leímos las 26 páginas de The GenAI Divide: State of AI in Business 2025, del proyecto NANDA del MIT, y con este texto abrimos la serie "Lo que dicen los estudios": leer la fuente, dar cada cifra con su contexto y decir qué le sirve a una pyme colombiana. El PDF no lo alojamos; el enlace oficial y un espejo están en las fuentes.

Lo firman Aditya Challapally, Chris Pease, Ramesh Raskar y Pradyumna Chari, de Project NANDA (MIT Media Lab). Está fechado en julio de 2025, se difundió en agosto cuando Fortune lo volvió titular y se presenta como "hallazgos preliminares".

La base: 52 entrevistas estructuradas con organizaciones, 153 encuestas a directivos recogidas en cuatro conferencias y la revisión de más de 300 iniciativas de IA anunciadas públicamente, entre enero y junio de 2025. "Éxito" es un despliegue que pasa del piloto con indicadores medibles, evaluado seis meses después.

Uno. La brecha. La frase exacta es que, "pese a una inversión empresarial de 30.000 a 40.000 millones de dólares en IA generativa, el 95 % de las organizaciones no está obteniendo retorno". Solo el 5 % de los pilotos integrados "está extrayendo millones en valor"; el resto "sigue atascado sin impacto medible en el estado de resultados". Esa es la brecha, y no la explica la calidad de los modelos ni la regulación, sino el enfoque.

Dos. Mucha adopción, poca transformación. Más del 80 % de las organizaciones probó herramientas generales como ChatGPT o Copilot y cerca del 40 % las tiene desplegadas, pero mejoran la productividad individual, no el estado de resultados. Con los sistemas para una tarea concreta el embudo es brutal: el 60 % los evaluó, el 20 % llegó a piloto y solo el 5 % a producción.

Tres. La brecha de aprendizaje. La barrera principal no es infraestructura, regulación ni talento: la mayoría de los sistemas "no retiene la retroalimentación, no se adapta al contexto ni mejora con el tiempo". El 66 % de los ejecutivos quiere herramientas que aprendan de sus correcciones. Para tareas rápidas el 70 % prefiere la IA; para trabajo complejo, el 90 % prefiere a una persona.

Cuatro. Se invierte donde se ve, no donde rinde. Cerca de la mitad del presupuesto va a ventas y mercadeo, porque sus métricas son fáciles de mostrar. Los ahorros más claros aparecieron en la trastienda: de 2 a 10 millones de dólares al año por dejar de tercerizar servicio al cliente y documentos, y un 30 % menos de gasto en agencias de contenido, sin recortes de personal relevantes.

Cinco. Comprar supera a construir, y lo pequeño va más rápido. Las soluciones compradas y adaptadas al proceso llegaron a producción cerca del 67 % de las veces; las construidas en casa, cerca del 33 %. Las empresas medianas pasaron de piloto a implementación en unos 90 días; las grandes (más de 100 millones de dólares en ingresos), en nueve meses o más. Y mientras solo el 40 % de las empresas pagaba una suscripción oficial, en más del 90 % los empleados ya usaban IA personal para trabajar.

No dice que "el 95 % de los pilotos fracasa": dice que el 95 % de las organizaciones no puede mostrar retorno en su estado de resultados, con una definición de éxito exigente y un plazo de seis meses. Un piloto que ahorra horas pero nadie midió cuenta como fracaso; buena parte del problema que describe es de medición.

No es un estudio sobre pymes ni sobre Latinoamérica: los datos son autorreportados por empresas grandes y medianas, sobre todo de Estados Unidos, y los autores advierten que la muestra puede no representar otras regiones. No es neutral del todo: NANDA desarrolla protocolos para agentes de IA, y la conclusión recomienda justamente agentes con memoria. Y no es preciso en cada cifra: el propio informe da el 50 % o el 70 % del presupuesto en ventas según la sección, y admite que varias cifras son "direccionales". Aquí citamos las que trata como centrales.

Primero, el tamaño no es la barrera: las medianas implementaron tres veces más rápido que las grandes porque tienen menos capas de aprobación. Una pyme tiene esa ventaja de sobra; lo que suele faltar es la métrica acordada antes de empezar. Segundo, la IA en la sombra ya está en su empresa: alguien de su equipo ya redacta, resume o responde con un asistente personal. Mire qué usa y construya sobre eso.

Tercero, no conviene construir: si los desarrollos internos de empresas con equipos de tecnología llegan a producción un tercio de las veces, una pyme sin ellos tiene menos probabilidades. Funciona mejor una solución probada, adaptada al proceso, a la que se le exige resultado y no una demostración. Cuarto, el presupuesto de marketing es el lugar más fácil para gastar sin resultado: la pregunta no es cuántas piezas salen, sino cuánto cuesta cada pieza publicada y qué trajo. Y quinto, la herramienta tiene que aprender del negocio: la que repite el mismo error cada semana termina en el cajón.

El estudio describe, sin proponérselo, nuestra forma de trabajar: empezar por un proceso y no por una herramienta, acordar la métrica antes de tocar nada, registrar el costo de cada resultado para que el retorno se demuestre y no se suponga, y dejar a una persona aprobando lo que cuesta dinero o reputación. Y el sistema aprende: la voz de la marca queda escrita, cada corrección se guarda y lo que funcionó guía la siguiente decisión. Si ya probó algo con IA y no sabe qué cambió, la pregunta que vale es qué número tiene que moverse.