El 95% de los modelos de IA que las empresas construyen nunca llegan a producción
El director de tecnología de una gran corporación global le contó hace poco a Abhijit Kakhandiki, vicepresidente senior de BMC Software, algo que resume el estado del mercado con una precisión incómoda: sus equipos de ciencia de datos habían construido más de 200 modelos de inteligencia artificial. Menos de diez estaban en producción.
Una tasa de conversión inferior al cinco por ciento. No en una empresa pequeña experimentando con tecnología nueva, sino en una organización con los recursos, el talento y la presión competitiva necesarios para hacerlo bien. El número no es una anomalía: es el patrón.
McKinsey lo confirmó en su encuesta global de 2025: aunque el uso de IA era generalizado, apenas un tercio de las organizaciones había comenzado a escalar programas de inteligencia artificial de forma transversal. Gartner, mientras tanto, proyectaba gasto global en IA de aproximadamente 2,59 billones de dólares en 2026, un incremento del 47 por ciento respecto al año anterior. El dinero sigue fluyendo. La producción, no.
Esa contradicción es el caso de estudio que merece atención, porque no señala un problema de talento ni de tecnología. Señala algo más difícil de admitir para quienes lideran estas inversiones.
El experimento más caro del mercado no tiene dueño de resultado
La narrativa dominante sobre IA empresarial sigue girando en torno a los modelos: qué tan precisos son, qué arquitectura usan, cuántos parámetros tienen. Las conversaciones técnicas son sofisticadas. Lo que falta, con frecuencia, es una respuesta clara a una pregunta mucho más básica: ¿qué indicador de negocio va a mejorar esto y en cuánto?
Kakhandiki documenta un caso que se repite sin variaciones: un equipo construye una solución de IA generativa con pipelines de recuperación aumentada, bases de datos vectoriales con actualización periódica y modelos ajustados. Cuando se les pregunta qué métrica de negocio está mejorando, no hay respuesta concreta. Meses después, con inversión significativa acumulada, el sistema sigue en piloto.
El problema no es la tecnología. Es que nadie definió el umbral de éxito antes de construir nada.
"Mejorar la productividad" es la respuesta que más se escucha cuando se pide ese umbral. Pero un modelo que incrementa la precisión de una clasificación en cinco puntos porcentuales no tiene valor por sí mismo. Ese valor aparece cuando se puede traducir en tiempo de ciclo reducido, en costo operativo evitado, en una tasa de incumplimiento de acuerdos de servicio que deja de ocurrir. Sin esa traducción, el piloto no tiene argumento para convertirse en operación.
Gartner identificó una correlación relevante: las organizaciones con mayor madurez en IA son, consistentemente, las que definen sus iniciativas en función del valor de negocio y la viabilidad técnica antes de construir, no después. Esa inversión del orden de las decisiones —primero el resultado, luego la arquitectura— es lo que distingue a quienes escalan de quienes acumulan proyectos estancados.
La brecha entre el modelo que funciona en un entorno controlado y el sistema que corre en producción no es técnica en su mayoría. Es organizacional. Falta dueño del resultado. Falta métrica que obligue a tomar una decisión. Falta, en muchos casos, la pregunta de si alguien pagaría por ese resultado si tuviera que hacerlo.
Confiar en un sistema que no puede explicarse a sí mismo tiene un límite operativo preciso
Hay un segundo mecanismo de bloqueo que opera en paralelo y que no tiene solución técnica simple: las organizaciones no despliegan lo que no pueden controlar.
Cuando un modelo niega una solicitud de crédito, el banco debe poder responder con exactitud qué datos usó, qué versión del modelo estaba corriendo en ese momento, cómo se llegó a esa recomendación y quién aprobó ese proceso. No como ejercicio de transparencia voluntaria, sino porque marcos como la Ley de IA de la Unión Europea y el Marco de Gestión de Riesgo de IA del NIST lo requieren de forma explícita. La trazabilidad y la explicabilidad dejaron de ser características opcionales y se convirtieron en condiciones de operación.
El error que se repite es tratar la gobernanza como una capa que se añade cuando el modelo está listo para producción. Eso no funciona. La linaje de datos y modelos, el monitoreo de desviación estadística, los mecanismos de detección de sesgo: nada de eso puede construirse retroactivamente con la misma solidez que si forma parte del diseño desde el inicio.
Gartner señala que las organizaciones con alta madurez en IA tienen más probabilidades de reportar que sus unidades de negocio confían en los sistemas desplegados y están dispuestas a usarlos. La confianza no es una consecuencia automática de que el modelo funcione bien en métricas de desempeño. Es el resultado de poder auditar cada decisión que ese modelo toma.
Un proveedor de salud con el que trabajó el equipo de BMC eligió deliberadamente un modelo menos preciso porque era explicable para los médicos que debían actuar sobre sus recomendaciones. Esa decisión aceleró la adopción y permitió el despliegue completo. Los modelos más precisos pero opacos permanecieron en piloto. La precisión técnica perdió frente a la capacidad de ser verificado.
El umbral real de producción no es la exactitud del modelo. Es si alguien dentro de la organización puede firmar debajo de cada decisión que ese modelo toma, con la información disponible para hacerlo.
Eso exige que el monitoreo de producción corra en paralelo con la inferencia. Que la detección de desviación estadística y sesgo no sea un proceso periódico sino continuo. Que cada ejecución deje un registro vinculado a los datos de entrenamiento y al proceso de desarrollo que lo originó. Cuando esa cadena se rompe, el sistema deja de ser confiable independientemente de su rendimiento promedio.
Integrar un modelo al negocio no es conectar una API
La última barrera es la que más sorprende a quienes vienen del mundo del desarrollo de modelos, porque ocurre cuando ya todo lo anterior funciona. El modelo es preciso, puede explicarse, pasa los controles de gobernanza. Y aun así, el negocio sigue sin mejorar.
Una organización de servicios financieros implementó un modelo de IA dentro de su flujo de procesamiento de transacciones. El modelo operó exactamente como fue diseñado. Pero el servicio de IA no estaba incorporado en el marco de acuerdos de nivel de servicio de la compañía. Los plazos comprometidos con clientes se incumplieron. El modelo tuvo éxito. El sistema falló.
Ese caso ilustra el problema con claridad: introducir IA como una capacidad autónoma en lugar de integrarla en la estructura operativa de la empresa produce exactamente ese resultado. El modelo hace su parte. La empresa no puede sostener la operación alrededor de él.
Los líderes que han llegado a producción a escala formulan un conjunto diferente de preguntas desde el principio. Cómo orquesta el sistema de IA con los procesos por lotes y los sistemas de negocio que ya sostienen la operación. Cómo se garantiza la disponibilidad, la recuperación ante fallos y la propiedad clara sobre los procesos encadenados. Cómo se gestiona el costo, el rendimiento y la escala cuando la inferencia y los agentes autónomos corren sin interrupción.
La respuesta que funciona trata a la IA en producción exactamente como se trata cualquier capacidad crítica del negocio: con las mismas disciplinas de orquestación, gestión de acuerdos de servicio, gobernanza, monitoreo y control de costos. No como algo separado que se conecta al negocio, sino como una extensión de la infraestructura de automatización en la que la organización ya confía.
Esto se vuelve más urgente a medida que los sistemas de IA evolucionan de modelos pasivos hacia agentes que pueden recomendar, iniciar y ejecutar acciones. Cada incremento en autonomía eleva el requerimiento de supervisión, capacidad de auditoría y mecanismos de control. Un agente que puede ejecutar no puede operar sin las mismas salvaguardas que cualquier sistema que toca dinero, datos de clientes o compromisos externos.
La ventaja competitiva está en la operación, no en el modelo
El patrón que separa a las organizaciones que escalan de las que acumulan pilotos no es el modelo más sofisticado ni el equipo de ciencia de datos más grande. Es la decisión de tratar la IA como infraestructura de negocio con las mismas exigencias que cualquier otro sistema sobre el que descansa la operación.
Deloitte reportó que el acceso de trabajadores a IA creció un 50 por ciento en 2025 y proyectó que el número de empresas con al menos el 40 por ciento de sus proyectos de IA en producción se duplicaría en los siguientes seis meses. Pero tener un sistema en producción y tener un sistema integrado en el tejido operativo del negocio son dos condiciones distintas. La primera es relativamente fácil de alcanzar. La segunda es donde se genera o se destruye el retorno sobre la inversión.
Con gasto global en IA proyectado en 3,49 billones de dólares para 2027 según Gartner, la presión para justificar esa inversión con resultados medibles solo va a crecer. Las organizaciones que tienen más de 200 modelos construidos y menos de diez en producción no tienen un problema de capacidad técnica. Tienen un problema de asignación de responsabilidad sobre los resultados, de gobernanza integrada al diseño y de gestión operacional de sistemas críticos.
La conversación que está pendiente en muchos C-levels no es sobre qué modelo elegir. Es sobre qué hace falta cambiar en la forma en que la organización asume propiedad, define éxito y sostiene operaciones para que los modelos que ya tienen dejen de vivir en pilotos y empiecen a mover los números que importan.
