Por qué la mayoría de proyectos de IA no llega a producción, y qué hacen distinto los que sí

Nunca había sido tan fácil empezar un proyecto de inteligencia artificial, y nunca había sido tan común que se quedara a mitad de camino. La demostración impresiona, el piloto arranca con entusiasmo y, meses después, nadie puede decir con números qué cambió en el negocio.

No es una percepción. Los estudios más serios de los últimos dos años cuentan la misma historia desde ángulos distintos.

El estudio de MIT sobre IA en empresas, basado en entrevistas a ejecutivos, encuestas y el análisis de cientos de implementaciones públicas, encontró que apenas una fracción de los pilotos llega a mover el estado de resultados. Sus autores lo llamaron la "brecha de la IA generativa": mucha adopción, poca transformación.

McKinsey llega a una conclusión parecida con otra lente. En su encuesta global de 2025, el 88% de las organizaciones dice usar IA en al menos una función del negocio, pero solo el 39% le atribuye algún impacto en su utilidad operativa, y la mayoría de ellas dice que ese impacto es menor al 5%. Apenas un 6% de las empresas califica como de alto desempeño: las que reportan valor significativo y un impacto en utilidades del 5% o más.

Gartner anticipó que al menos tres de cada diez proyectos de IA generativa serían abandonados después de la prueba de concepto. Las razones que señala no son exóticas: datos de mala calidad, controles de riesgo insuficientes, costos que crecen más de lo previsto y, sobre todo, un valor de negocio que nunca se definió con claridad.

IBM encontró el mismo patrón al preguntar directamente a los directores generales. En su estudio de 2025 con 2.000 CEOs, solo el 25% de las iniciativas de IA había entregado el retorno esperado y apenas el 16% se había escalado a toda la empresa. Los obstáculos que describen son de cultura, gobierno, diseño del trabajo y datos, no de capacidad técnica.

Hay además un sesgo en dónde se invierte. El propio estudio de MIT observa que cerca de la mitad del presupuesto de IA generativa se va a ventas y mercadeo, mientras que algunos de los retornos más claros aparecen en la automatización de procesos internos, menos vistosos. Se invierte donde está el entusiasmo, no necesariamente donde está el retorno.

Empiezan por un proceso, no por una herramienta. La pregunta no es "qué podemos hacer con IA", sino "qué parte de este trabajo consume más tiempo o dinero y cómo sabremos si mejoró". Comprar acceso a una herramienta es la parte barata; rediseñar cómo se hace el trabajo es donde está el valor, y es justo lo que la mayoría no hace.

Miden desde el primer día. Definen antes de empezar qué número tiene que moverse: horas, costo por pieza, tiempo de respuesta, conversión. Sin esa línea base, el proyecto termina defendiéndose con impresiones y pierde la siguiente discusión de presupuesto.

Hacen visible el costo. La IA se paga por uso, y un proyecto que no sabe cuánto cuesta cada resultado no puede saber si es rentable. Llevar la cuenta de lo que se consume, y de lo que se desperdicia en pruebas, es lo que convierte un experimento en una operación.

Mantienen a una persona en las decisiones que importan. Automatizar lo repetitivo y dejar la aprobación humana donde hay dinero o reputación en juego no frena el proyecto: es lo que permite confiar en él lo suficiente como para escalarlo.

Aprenden de lo que funcionó de verdad. Un sistema que solo se califica a sí mismo mejora su propio gusto, no el negocio. Los resultados reales, lo que se vendió, lo que la gente guardó, lo que convirtió, tienen que volver a alimentar la siguiente decisión.

Nada de esto exige un laboratorio de innovación ni un equipo de científicos de datos. Exige disciplina: un problema concreto, una métrica acordada, costos a la vista y un circuito que aprenda de los resultados.

Es el principio con el que construimos IDEAI: producir el contenido de una marca con criterio, medir cuánto cuesta cada publicación y qué resultado dio, y dejar que lo que funciona guíe lo siguiente. Si su empresa está atrapada entre la demostración y los resultados, la conversación que vale la pena tener empieza por esa pregunta: qué número tiene que moverse.