Por qué el 97% de las empresas tienen proyectos de IA y solo el 5% tiene datos listos para usarlos
Hay una estadística que debería frenar cualquier reunión de directorio sobre inteligencia artificial: según una encuesta de Dun & Bradstreet a 10.000 empresas realizada en 2026, el 97% declara tener iniciativas activas de IA, mientras que apenas el 5% considera que sus datos están realmente preparados para sostenerlas. Esa brecha no es un detalle técnico menor. Es la distancia entre invertir en infraestructura y tener algo que funcione de forma confiable en producción.
Lo que describe ese número es un patrón conocido para quienes han observado cómo se toman decisiones de tecnología en grandes organizaciones: primero se aprueba el piloto, después se busca el problema que justifique haberlo aprobado. La demostración impresiona. La sala aplaude. El proyecto recibe presupuesto. Y en algún punto entre ese momento y la operación cotidiana, algo se interrumpe sin que nadie haya declarado el fracaso formalmente.
BCG lo documentó con precisión: solo el 5% de las empresas obtiene valor sustancial de la IA, mientras que el 60% reporta ningún impacto material. McKinsey, por su parte, encontró que más del 80% de los encuestados no estaba viendo ningún efecto tangible en el EBIT proveniente de inteligencia artificial generativa, incluso cuando la adopción declarada seguía creciendo. Esas cifras no son una condena a la tecnología. Son una fotografía de cómo se está gestionando la inversión.
La ilusión del piloto perpetuo
Existe una forma silenciosa de fracaso organizacional que no aparece en los balances ni genera comunicados de prensa: el piloto que no muere. Se instala bajo el nombre de "innovación", consume recursos técnicos y humanos de forma crónica, produce presentaciones internas razonablemente atractivas y nunca llega a convertirse en algo que cambie una línea del estado de resultados. Las organizaciones con mayor madurez en transformación digital llevan años aprendiendo que esta dinámica no es accidental, sino estructural.
El problema comienza en el origen del proyecto. Cuando una iniciativa de IA se aprueba porque "el caso de uso es interesante" o porque un proveedor hizo una demostración convincente, carece desde el principio de algo que todo programa de inversión debería tener: una línea de base medible, un propietario del resultado y un criterio de salida si el valor no aparece. Sin esos tres elementos, el piloto no tiene forma de morir con dignidad ni de escalar con trazabilidad.
BCG identificó que las empresas con mejores resultados en IA priorizan entre tres y cuatro casos de uso en promedio, frente a los seis o siete de las organizaciones con peores retornos. Esa diferencia no surge del presupuesto disponible ni del tamaño del equipo técnico. Surge de la disposición a rechazar iniciativas que no pueden demostrar alineación estratégica y viabilidad económica desde el momento en que piden financiamiento. El foco no es una virtud gerencial abstracta; en este contexto es la única condición que hace viable el escalado.
Lo que los datos de BCG y McKinsey revelan de forma combinada es que la mayoría de las organizaciones están en una fase que podría llamarse teatro de IA: alta actividad visible, baja transformación operativa. Los comunicados hablan de adopción. Las métricas internas hablan de otra cosa.
El problema no está en el modelo, está debajo del modelo
Hay una tendencia comprensible a analizar el rendimiento de la IA desde el ángulo del modelo: qué arquitectura se usó, qué proveedor, qué versión del sistema. Ese análisis tiene utilidad en contextos de investigación, pero en la mayoría de los entornos empresariales el cuello de botella no está en el modelo. Está en lo que el modelo necesita para funcionar de forma confiable: datos limpios, definiciones compartidas, flujos de trabajo rediseñados y propiedad clara sobre las decisiones que el sistema debe apoyar.
La encuesta de Dun & Bradstreet citada antes lo pone en términos que no admiten mucha interpretación alternativa: si casi ninguna empresa considera que sus datos están listos, entonces el problema masivo no es de experimentación tecnológica sino de fundamentos. Una IA que recibe datos fragmentados, sin fuente de verdad única, con reglas de negocio enterradas en planillas de cálculo y procesos de excepción que nadie documentó, no genera recomendaciones más confiables que el sistema que pretende mejorar. En muchos casos, simplemente acelera los errores existentes.
PwC identificó este patrón desde otro ángulo: los resultados más sólidos llegan cuando las empresas rediseñan los flujos de trabajo en lugar de superponer IA sobre procesos heredados. Esa distinción importa económicamente. Agregar un componente de inteligencia artificial a un proceso ineficiente puede hacer que ese proceso sea más rápido. Pero no cambia la lógica de costo ni la estructura de la operación. La economía del trabajo permanece igual, solo que ejecutada con mayor velocidad.
El caso de entornos de alta exigencia regulatoria es especialmente claro. Finanzas, cumplimiento normativo, revisión legal, cadena de suministro: son contextos donde dos respuestas distintas a la misma consulta no son una señal de flexibilidad del sistema, sino un problema de control. La confiabilidad en producción tiene un estándar diferente al de la experimentación. Y esa diferencia es la que separa a los sistemas que se adoptan de los que se abandonan silenciosamente después del piloto.
Cuando el 70% del valor proviene de factores que no aparecen en el roadmap tecnológico
BCG documentó algo que suele incomodar a los equipos de tecnología: en las transformaciones impulsadas por IA que generaron resultados reales, el 70% del valor provino de acciones relacionadas con personas, no con tecnología. Eso incluye redefinición de roles, cambios en los incentivos, gestión activa del proceso de adopción y construcción de capacidades en los equipos que debían usar los sistemas en producción.
Ese hallazgo no debería leerse como un argumento contra la inversión técnica. Debería leerse como un mapa de dónde suele estar el bloqueo real. Un modelo de lenguaje puede procesar miles de contratos por hora; pero si el equipo legal no confía en sus salidas, si los incentivos del área no han cambiado, si nadie redefinió qué significa "revisar un contrato" cuando hay un sistema que hace la primera pasada, la adopción no ocurre de forma sostenida. El sistema existe. El valor no.
Las empresas del Global 1000 que sí están reportando impactos medibles comparten algunas características operativas: han rediseñado procesos específicos antes de implementar los sistemas, han establecido métricas contra líneas de base documentadas y han asignado propiedad de los resultados a personas con accountability real sobre esos números. En algunos casos documentados, los resultados son materiales: incrementos del orden del 30% en eficiencia manufacturera, 80% de reducción en tiempos de análisis documental, mejoras de 1,7 veces en tasas de conversión de ventas. Esos números no provienen de modelos superiores. Provienen de integraciones superiores.
La diferencia entre una empresa que usa IA y una empresa que opera con IA no está en el proveedor del modelo ni en el tamaño del presupuesto de innovación. Está en si la organización ha sido capaz de conectar la salida del sistema a una decisión concreta, dentro de un proceso rediseñado, con alguien responsable de medir si eso mueve el número que se supone debe mover.
El desplazamiento real que estos números revelan
La fase actual del ciclo empresarial de inteligencia artificial no está siendo definida por los avances en los modelos de base. Está siendo definida por la capacidad de las organizaciones para pasar de la legitimidad del experimento a la exigencia del resultado. Y esa transición no es mayoritaria todavía.
Lo que los datos de BCG, McKinsey, PwC y Dun & Bradstreet describen en conjunto es un mercado con una distribución asimétrica: una minoría pequeña de empresas está generando valor medible y compuesto con IA, mientras una mayoría más amplia sigue acumulando proyectos que no tocan el estado de resultados. Esa brecha no se cierra con más tecnología. Se cierra con disciplina de cartera, con fundamentos de datos que hoy claramente faltan en la mayor parte del mercado, y con una disposición organizacional a aceptar que la adopción real requiere rediseño, no superposición.
El desplazamiento que está ocurriendo, aunque todavía incompleto, apunta en una dirección precisa: la IA está dejando de ser una señal de modernidad para convertirse en una demanda de evidencia. Las organizaciones que no puedan responder con números a la pregunta de qué cambió operativamente desde que implementaron sus sistemas enfrentarán presión creciente, primero interna, luego de sus consejos directivos y sus inversores. El capital que antes fluía hacia el experimento irá migrando hacia donde el experimento demostró ser algo más.
