{"version":"1.0","type":"agent_native_article","locale":"es","slug":"presupuesto-ia-donde-importa-valor-real-mppswj9q","title":"El presupuesto de IA que más duele no es el que se pierde, sino el que no llega a donde importa","primary_category":"innovation","author":{"name":"Lucía Navarro","slug":"lucia-navarro"},"published_at":"2026-05-28T18:02:50.126Z","total_votes":76,"comment_count":0,"has_map":true,"urls":{"human":"https://sustainabl.net/es/articulo/presupuesto-ia-donde-importa-valor-real-mppswj9q","agent":"https://sustainabl.net/agent-native/es/articulo/presupuesto-ia-donde-importa-valor-real-mppswj9q"},"summary":{"one_line":"Las empresas invierten masivamente en IA pero acumulan deuda de implementación porque financian la capa del modelo en lugar de los cimientos que la hacen funcionar: datos, procesos, arquitectura y habilidades.","core_question":"¿Por qué el gasto corporativo en IA no se traduce en valor medible, y qué arquitectura presupuestaria diferencia a quienes capturan retorno de quienes solo acumulan actividad?","main_thesis":"El fracaso de los programas de IA empresarial no es tecnológico sino presupuestario: el dinero se concentra en licencias de modelos, infraestructura de cómputo y pilotos visibles, mientras los cuatro cimientos que determinan el retorno real —datos, procesos, arquitectura heredada y habilidades— reciben inversión sistemáticamente insuficiente o tardía."},"content_markdown":"## El presupuesto de IA que más duele no es el que se pierde, sino el que no llega a donde importa\n\nMás de 1,5 billones de dólares en valuaciones de software empresarial se evaporaron en los últimos dos años. No por falta de inversión en inteligencia artificial, sino porque la inversión aterrizó en el lugar equivocado. Esta es la paradoja que define el momento actual: las empresas nunca han gastado tanto en IA y, al mismo tiempo, nunca ha sido tan difícil mostrar dónde está el valor.\n\nRohit Kedia, CEO de Xoriant, lo formuló con precisión en un análisis reciente: la mayor parte del presupuesto corporativo de IA se acumula en la capa del modelo, es decir, en licencias de plataforma, infraestructura de cómputo, asociaciones con proveedores y desarrollo de pruebas de concepto. Esa capa capta la atención, genera anuncios, produce demostraciones. Lo que no produce, con consistencia, son resultados que aparezcan en el estado de resultados.\n\nGartner estimó en febrero de 2025 que, hasta 2026, el 60% de los proyectos de IA serán abandonados por falta de datos listos para ser procesados. No es un fracaso tecnológico. Es un fracaso de arquitectura presupuestaria: se financió el modelo, no la infraestructura que lo sostiene.\n\nLa pregunta que los líderes de tecnología deberían estar haciéndose no es si invertir en IA. Esa decisión ya está tomada. La pregunta es si el dinero está construyendo capacidad operativa o financiando apariencia de modernidad.\n\n## El teatro caro que nadie quiere nombrar\n\nExiste un patrón que se repite con llamativa regularidad en las salas de directivos. Cada semana trae un nuevo anuncio de alianza con un proveedor de modelos, una demostración de agentes autónomos, una promesa de flujos de trabajo transformados. El ruido es alto. El teatro, convincente.\n\nCuando se mira más allá de los comunicados y se pregunta qué cambió de forma concreta en cómo la empresa crea valor para sus clientes, la respuesta honesta suele ser decepcionante. McKinsey reportó en su State of AI 2025 que solo un tercio de las compañías ha comenzado a escalar sus programas de IA a nivel empresarial, aunque el 88% reporta inversión activa. El resto está gastando. Solo que no donde cuenta.\n\nEste fenómeno tiene una estructura identificable. Los presupuestos de IA en 2023 y 2024 vivieron mayoritariamente en líneas de innovación o I+D, con requerimientos de retorno laxos y revisión financiera ligera. Eso creó las condiciones perfectas para la proliferación de herramientas superpuestas, pilotos departamentales sin conexión con procesos centrales y contratos de infraestructura que nadie midió contra un resultado de negocio específico.\n\nEl problema no es que las empresas experimenten. Experimentar tiene valor. El problema es cuando el experimento se vuelve el producto, cuando la demostración reemplaza al despliegue y cuando el presupuesto de innovación funciona como una forma de parecer moderno sin comprometer nada concreto.\n\nDeloitte encontró que alrededor del 66% de las organizaciones que adoptaron IA empresarial reportan mejoras en productividad y eficiencia como el principal beneficio obtenido. Es un número razonable. Pero hay que leerlo con cuidado: productividad y eficiencia son métricas de proceso, no necesariamente de impacto económico estructural. Reducir el tiempo que tarda un analista en preparar un reporte no es lo mismo que reconfigurar la cadena de decisiones que hace que ese reporte importe.\n\nLa distinción entre \"usar IA\" y \"aplicar inteligencia\" es, en el fondo, una distinción presupuestaria. Usar IA significa poner herramientas encima de flujos de trabajo existentes: un copiloto aquí, un chatbot allá, una capa de analítica sobre un tablero que ya existía. Aplicar inteligencia significa algo categóricamente distinto: incrustar capacidad de decisión automatizada dentro de cómo la empresa produce y entrega valor, con trazabilidad al resultado que esa decisión afecta.\n\nEsa segunda opción requiere financiar cosas que no generan titulares: limpieza de datos, rediseño de procesos, modernización de arquitecturas heredadas, formación de equipos. Goldman Sachs señaló en su reporte de marzo de 2026 que la IA no está comiendo el mercado de software; lo está expandiendo, porque reduce el costo de escribir código mientras eleva el techo de lo que ese código puede hacer. Eso implica que el espacio de valor aplicable creció. Pero capturarlo requiere haber construido los cimientos que lo sostienen.\n\n## Los cuatro cimientos que el presupuesto ignora\n\nHay cuatro áreas donde la inversión sistemáticamente llega tarde o llega corta, y las cuatro determinan si cualquier gasto en modelos produce valor o simplemente produce actividad.\n\n**Los procesos** son el primer punto de falla. La IA aplicada sobre un flujo de trabajo roto produce resultados rotos más rápido. Cada dólar invertido en el modelo sin rediseñar el proceso que lo rodea es un dólar que genera velocidad, no dirección. El error más frecuente en los programas de IA empresarial es asumir que la inteligencia del modelo compensará la disfuncionalidad del proceso. No lo hace. Lo amplifica.\n\n**La arquitectura tecnológica** es el segundo problema. Los sistemas heredados fragmentados no pueden soportar inteligencia embebida en el punto de decisión. Comprar un modelo más potente no resuelve un problema de integración. Lo que parece ser un problema de capacidad de IA es, con frecuencia, un problema de deuda técnica no resuelta que el presupuesto de IA nunca tocó porque la deuda técnica no genera demostraciones atractivas.\n\n**Las habilidades** ocupan el tercer lugar y quizás son el déficit más costoso por su invisibilidad. Existe una diferencia entre una fuerza laboral que sabe qué es la IA y una que sabe trabajar con ella. La primera puede responder una encuesta de adopción. La segunda puede redefinir cómo toma decisiones un equipo de operaciones, de riesgo o de atención al cliente. La transformación de capacidades sigue siendo una de las líneas de presupuesto más consistentemente subestimadas en los programas de IA empresarial, tratada como gestión del cambio al final de un proyecto en lugar de como condición de entrega desde el inicio.\n\n**Los datos** cierran el cuadro. Ningún modelo, por sofisticado que sea, produce inteligencia confiable a partir de datos no confiables. Y sin embargo, la preparación de datos recibe una fracción de la inversión que se destina a selección de modelos y adquisición de plataformas. El hallazgo de Gartner no es solo estadístico: es un diagnóstico de prioridades. Las empresas invierten donde hay visibilidad y reconocimiento. Los datos limpios, bien gobernados y conectados a los procesos correctos no generan demostraciones espectaculares. Generan resultados. Esa diferencia explica por qué el 60% de los proyectos no sobrevive.\n\nUn estudio de costos publicado en 2026 estima que los sistemas de IA listos para producción, con cumplimiento normativo y escalabilidad real, cuestan entre 250.000 y más de un millón de dólares por sistema, una vez que se contabilizan ingeniería, trabajo de datos, gobernanza e integración. Ese número incluye los costos recurrentes de mantenimiento de modelos, reentrenamiento y monitoreo. Casi ningún piloto fue diseñado para sostener esa estructura. Lo cual explica por qué los pilotos no escalan.\n\n## La arquitectura presupuestaria que diferencia a quien captura valor de quien lo observa\n\nLa diferencia entre las empresas que están capturando valor sostenible con IA y las que están acumulando deuda de implementación no está en qué modelos eligieron. Está en cómo construyeron la arquitectura de inversión alrededor de esos modelos.\n\nLas compañías que están generando retorno medible comparten un patrón de tres capas. La primera es inversión de cimiento: trabajo de preparación de datos, rediseño de procesos, modernización de sistemas heredados y programas de capacitación con métricas de adopción. Es el trabajo sin glamour que determina si todo lo demás funciona. La segunda capa es despliegue de inteligencia: IA integrada de forma nativa en flujos de trabajo reales, no como herramienta paralela sino como capacidad dentro de la plataforma, el producto o el recorrido del cliente, con trazabilidad directa a un resultado de negocio. La tercera es orquestación, tanto humana como agéntica, pero solo tiene valor cuando las dos capas anteriores ya están construidas.\n\nLa proyección de Deloitte indica que el número de empresas con más del 40% de sus proyectos de IA en producción se duplicará en el próximo ciclo de planificación. Ese número importa menos como indicador de adopción que como señal de qué tipo de empresa será capaz de competir sobre una base de costos estructuralmente diferente.\n\nLos directores de finanzas están empezando a mover los presupuestos de IA desde líneas de innovación con revisión laxa hacia presupuestos operativos de tecnología con las mismas exigencias que se aplican a una inversión en ERP o en plataformas de gestión de relaciones con clientes. Eso tiene dos consecuencias inmediatas. La primera es que los proyectos que no pueden mostrar un retorno operativo medible van a perder financiamiento. La segunda es que los proveedores y sistemas integradores que sobrevivan serán los que puedan conectar su oferta a métricas de proceso concretas, no a promesas de transformación abstracta.\n\nEl argumento de fondo del análisis de Kedia, y el que más incomoda a los equipos de tecnología, es que la inversión de IA que más importará el próximo año es la que hoy parece menos atractiva. Eso no es una paradoja retórica. Es una descripción precisa de cómo se distribuye el valor en mercados con alta asimetría de información: quienes invierten en lo que no se puede demostrar en una presentación capturan el valor que los demás solo describen en sus informes anuales.\n\nLa arquitectura presupuestaria que construye inteligencia aplicada es, por definición, menos visible que la que financia experimentos con modelos avanzados. Pero es la única que produce resultados que aguantan una auditoría real de valor. Y en un entorno donde los consejos de administración empiezan a pedir exactamente eso, la visibilidad del gasto dejó de ser su principal ventaja.","article_map":{"title":"El presupuesto de IA que más duele no es el que se pierde, sino el que no llega a donde importa","entities":[{"name":"Rohit Kedia","type":"person","role_in_article":"CEO de Xoriant, fuente principal del diagnóstico sobre concentración del presupuesto de IA en la capa del modelo"},{"name":"Xoriant","type":"company","role_in_article":"Empresa cuyo CEO articula el argumento central sobre arquitectura presupuestaria en IA"},{"name":"Gartner","type":"institution","role_in_article":"Fuente de la estimación de que el 60% de los proyectos de IA serán abandonados antes de 2026 por falta de datos"},{"name":"McKinsey","type":"institution","role_in_article":"Fuente del dato de que solo un tercio de las empresas escala IA a nivel empresarial pese a que el 88% reporta inversión activa"},{"name":"Deloitte","type":"institution","role_in_article":"Fuente de datos sobre beneficios reportados de IA y proyección de empresas con proyectos en producción"},{"name":"Goldman Sachs","type":"institution","role_in_article":"Fuente del análisis sobre expansión del mercado de software impulsada por IA"},{"name":"Lucía Navarro","type":"person","role_in_article":"Autora del artículo"},{"name":"IA empresarial","type":"technology","role_in_article":"Tecnología central analizada en términos de arquitectura de inversión y retorno"},{"name":"ERP","type":"product","role_in_article":"Referencia comparativa para el nivel de exigencia de retorno que los CFOs están comenzando a aplicar a los presupuestos de IA"}],"tradeoffs":["Visibilidad del gasto (demostraciones, anuncios, pilotos) vs. valor auditable (datos limpios, procesos rediseñados, habilidades desarrolladas)","Velocidad de adopción (herramientas encima de flujos existentes) vs. profundidad de impacto (inteligencia embebida en cómo se produce valor)","Flexibilidad presupuestaria en líneas de innovación vs. disciplina financiera con exigencia de retorno operativo","Inversión en lo que genera titulares (modelos avanzados, infraestructura de cómputo) vs. inversión en lo que genera resultados (preparación de datos, arquitectura, habilidades)","Escalar rápido con pilotos desconectados vs. escalar lento con cimientos que sostienen el costo de producción real"],"key_claims":[{"claim":"Más de 1,5 billones de dólares en valuaciones de software empresarial se evaporaron en los últimos dos años.","confidence":"high","support_type":"reported_fact"},{"claim":"Gartner estimó en febrero de 2025 que hasta 2026 el 60% de los proyectos de IA serán abandonados por falta de datos listos para ser procesados.","confidence":"high","support_type":"reported_fact"},{"claim":"McKinsey (State of AI 2025) reportó que solo un tercio de las compañías ha comenzado a escalar programas de IA a nivel empresarial, aunque el 88% reporta inversión activa.","confidence":"high","support_type":"reported_fact"},{"claim":"Deloitte encontró que alrededor del 66% de las organizaciones que adoptaron IA empresarial reportan mejoras en productividad y eficiencia como principal beneficio.","confidence":"high","support_type":"reported_fact"},{"claim":"Goldman Sachs (marzo 2026) señaló que la IA no está comiendo el mercado de software sino expandiéndolo al reducir el costo de escribir código y elevar el techo de lo que ese código puede hacer.","confidence":"high","support_type":"reported_fact"},{"claim":"Los sistemas de IA listos para producción cuestan entre 250.000 y más de un millón de dólares por sistema una vez contabilizados ingeniería, datos, gobernanza e integración.","confidence":"medium","support_type":"reported_fact"},{"claim":"El número de empresas con más del 40% de sus proyectos de IA en producción se duplicará en el próximo ciclo de planificación (Deloitte).","confidence":"medium","support_type":"reported_fact"},{"claim":"La mayor parte del presupuesto corporativo de IA se acumula en la capa del modelo: licencias, cómputo, asociaciones con proveedores y pruebas de concepto.","confidence":"high","support_type":"inference"}],"main_thesis":"El fracaso de los programas de IA empresarial no es tecnológico sino presupuestario: el dinero se concentra en licencias de modelos, infraestructura de cómputo y pilotos visibles, mientras los cuatro cimientos que determinan el retorno real —datos, procesos, arquitectura heredada y habilidades— reciben inversión sistemáticamente insuficiente o tardía.","core_question":"¿Por qué el gasto corporativo en IA no se traduce en valor medible, y qué arquitectura presupuestaria diferencia a quienes capturan retorno de quienes solo acumulan actividad?","core_tensions":["Entre la presión institucional de mostrar modernidad tecnológica y la necesidad de construir capacidad operativa real","Entre el ciclo de atención corto de los directorios y el tiempo largo que requieren los cimientos de datos, procesos y habilidades","Entre la lógica de innovación (experimentar sin comprometer) y la lógica operativa (desplegar con trazabilidad a resultados)","Entre el costo visible de los modelos y el costo invisible pero mayor de la deuda de implementación acumulada","Entre proveedores que venden promesas de transformación y CFOs que empiezan a exigir métricas de proceso concretas"],"open_questions":["¿Cómo diseñar un sistema de gobernanza presupuestaria que incentive inversión en cimientos sin eliminar la capacidad de experimentar?","¿Qué métricas intermedias permiten evaluar el progreso de la inversión en datos y procesos antes de que el modelo esté en producción?","¿Cómo distinguir operativamente entre un piloto que tiene potencial de escalar y uno que está financiando apariencia de modernidad?","¿Qué rol deben jugar los proveedores de modelos en garantizar que sus clientes construyan los cimientos necesarios para el despliegue?","¿En qué punto la migración de presupuestos de IA hacia líneas operativas con exigencia de retorno puede frenar innovación legítima?","¿Cómo cambia la arquitectura presupuestaria óptima según el tamaño, sector y madurez digital de la empresa?"],"training_value":{"recommended_for":["CFOs y directores financieros que gestionan presupuestos de transformación digital","CTOs y CIOs que necesitan justificar inversión en infraestructura de datos y arquitectura frente a directorios","Líderes de programas de IA empresarial que enfrentan la brecha entre pilotos y despliegue a escala","Consultores y asesores de transformación digital que necesitan marcos para diagnosticar madurez de inversión en IA","Proveedores e integradores de IA que necesitan reposicionar su oferta hacia métricas de proceso concretas","Miembros de consejos de administración que empiezan a exigir retorno auditable de las inversiones en IA"],"when_this_article_is_useful":["Al evaluar si reasignar presupuesto de IA desde innovación hacia operaciones de tecnología","Al diseñar el business case de un programa de IA que necesita sobrevivir una auditoría de valor del consejo de administración","Al identificar por qué un piloto de IA exitoso no está escalando a producción","Al seleccionar proveedores o integradores de IA con criterios de retorno operativo concreto","Al construir un argumento para invertir en preparación de datos o modernización de arquitectura heredada frente a presión por resultados rápidos","Al diagnosticar si una organización está en modo 'usar IA' o en modo 'aplicar inteligencia'"],"what_a_business_agent_can_learn":["Cómo diagnosticar si un presupuesto de IA está construyendo capacidad operativa o financiando apariencia de modernidad","El modelo de tres capas (cimiento, despliegue de inteligencia, orquestación) como marco de secuenciación presupuestaria","Los cuatro cimientos que determinan el retorno de cualquier inversión en modelos: datos, procesos, arquitectura y habilidades","La diferencia entre métricas de proceso (productividad, eficiencia) y métricas de impacto económico estructural","Cómo los CFOs están cambiando el régimen de gobernanza del gasto en IA y qué implica para proveedores e integradores","Por qué los pilotos no escalan: la brecha entre el costo de un piloto y el costo real de un sistema en producción","El patrón institucional que permite que el gasto sin retorno persista: líneas de I+D con revisión financiera laxa"]},"argument_outline":[{"label":"1. La paradoja del gasto","point":"Las empresas nunca han invertido tanto en IA y nunca ha sido tan difícil mostrar dónde está el valor. Más de 1,5 billones de dólares en valuaciones de software empresarial se evaporaron en dos años no por falta de inversión sino por inversión mal ubicada.","why_it_matters":"Establece que el problema no es de volumen de gasto sino de arquitectura de asignación, lo que reencuadra toda la conversación sobre ROI en IA."},{"label":"2. El teatro caro","point":"El 88% de las empresas reporta inversión activa en IA pero solo un tercio ha comenzado a escalar programas a nivel empresarial (McKinsey, 2025). Los presupuestos vivieron en líneas de I+D con revisión financiera laxa, generando pilotos desconectados y herramientas superpuestas.","why_it_matters":"Identifica el mecanismo institucional que permite que el gasto sin retorno persista: la ausencia de exigencia de retorno operativo en las líneas presupuestarias de innovación."},{"label":"3. Usar IA vs. aplicar inteligencia","point":"Usar IA significa poner herramientas encima de flujos existentes. Aplicar inteligencia significa incrustar capacidad de decisión automatizada dentro de cómo la empresa produce valor, con trazabilidad al resultado. La distinción es presupuestaria antes que tecnológica.","why_it_matters":"Ofrece un criterio operativo para evaluar si una inversión en IA construye capacidad real o financia apariencia de modernidad."},{"label":"4. Los cuatro cimientos ignorados","point":"Procesos rediseñados, arquitectura tecnológica modernizada, habilidades de la fuerza laboral y preparación de datos son las cuatro áreas donde la inversión llega tarde o corta. Gartner estima que el 60% de los proyectos de IA serán abandonados antes de 2026 por falta de datos listos para ser procesados.","why_it_matters":"Convierte el diagnóstico abstracto en cuatro líneas de inversión concretas y auditables, útiles para CFOs y CTOs que necesitan reasignar presupuesto."},{"label":"5. El costo real de producción","point":"Los sistemas de IA listos para producción cuestan entre 250.000 y más de un millón de dólares por sistema cuando se contabilizan ingeniería, datos, gobernanza e integración. Casi ningún piloto fue diseñado para sostener esa estructura, lo que explica por qué los pilotos no escalan.","why_it_matters":"Ancla la discusión en cifras concretas y expone la brecha estructural entre el costo de un piloto y el costo de un despliegue real."},{"label":"6. La arquitectura de tres capas que genera retorno","point":"Las empresas que capturan valor comparten un patrón: inversión de cimiento primero, luego despliegue de inteligencia nativa en flujos reales, luego orquestación. La tercera capa solo tiene valor cuando las dos anteriores están construidas.","why_it_matters":"Proporciona un modelo de secuenciación presupuestaria accionable, no solo un diagnóstico de lo que falla."}],"one_line_summary":"Las empresas invierten masivamente en IA pero acumulan deuda de implementación porque financian la capa del modelo en lugar de los cimientos que la hacen funcionar: datos, procesos, arquitectura y habilidades.","related_articles":[{"reason":"Aborda directamente la gobernanza de sistemas de IA empresarial y el rol del juicio humano en hacer posible el despliegue real, complementando el argumento sobre orquestación como tercera capa que solo funciona cuando los cimientos están construidos","article_id":13160},{"reason":"Examina la paradoja de que la IA genera más trabajo humano, no menos, lo que refuerza el argumento sobre la subestimación del presupuesto de habilidades y capacitación en los programas de IA empresarial","article_id":13048},{"reason":"Analiza el problema de datos que no hablan solos en contextos de decisión empresarial, conectando directamente con el diagnóstico de Gartner sobre el 60% de proyectos abandonados por falta de datos listos para ser procesados","article_id":12974}],"business_patterns":["Concentración del gasto en la capa más visible (modelos, licencias, cómputo) mientras los cimientos permanecen subfinanciados","Proliferación de pilotos departamentales sin conexión a procesos centrales ni estructura de costos de producción","Uso de líneas de I+D con revisión laxa como refugio para gasto en IA sin exigencia de retorno","Confusión entre métricas de proceso (productividad, eficiencia) y métricas de impacto económico estructural","Migración progresiva de CFOs hacia exigencia de retorno operativo en presupuestos de IA, equiparándolos a inversiones en ERP","Empresas que capturan valor real invierten primero en lo que no genera demostraciones atractivas"],"business_decisions":["Reasignar presupuesto de IA desde líneas de I+D con revisión laxa hacia presupuestos operativos de tecnología con métricas de retorno concretas","Priorizar inversión en preparación de datos, rediseño de procesos y modernización de arquitecturas heredadas antes de escalar modelos","Diseñar pilotos con la estructura de costos de un sistema en producción para evaluar escalabilidad real desde el inicio","Establecer trazabilidad directa entre cada despliegue de IA y un resultado de negocio específico antes de aprobar financiamiento","Tratar la formación de habilidades como condición de entrega desde el inicio del proyecto, no como gestión del cambio al final","Exigir a proveedores e integradores que conecten su oferta a métricas de proceso concretas, no a promesas de transformación abstracta","Separar presupuestariamente las tres capas: cimiento, despliegue de inteligencia y orquestación, y secuenciarlas en ese orden"]}}