El 95% de los pilotos de IA empresarial no entrega resultados y el problema no es la tecnología
La cifra es difícil de ignorar: el 95% de los pilotos empresariales de inteligencia artificial generativa no produce ningún impacto financiero medible. No es una estimación pesimista de analistas críticos de la tecnología. Es el hallazgo central del reporte The GenAI Divide: State of AI in Business 2025, elaborado por la iniciativa NANDA del MIT, con base en cerca de 300 implementaciones públicas y más de 150 entrevistas ejecutivas. Para contextualizar la magnitud del fracaso: los proyectos tecnológicos ordinarios fallan a una tasa del 25%. La IA cuadruplica ese número.
El dato de BCG va en la misma dirección: el 74% de las empresas reporta que no ha obtenido ningún valor de su inversión en IA. S&P Global registró que la proporción de compañías que abandonaron la mayoría de sus iniciativas de IA saltó del 17% al 42% en un solo año. Y Gartner proyecta que más del 40% de los proyectos de IA agentiva serán cancelados antes de finales de 2027, sofocados por sobrecostos, ROI difuso y ausencia de controles de riesgo.
Estas cifras describen una tecnología que funciona, siendo desplegada por organizaciones que no están diseñadas para usarla. Ahí está la grieta. No en los modelos, no en los algoritmos, no en la potencia computacional. La grieta está en cómo las empresas estructuran —o no estructuran— la manera en que la IA se integra en sus operaciones reales.
Automatizar un proceso roto produce más errores, más rápido
El patrón de fracaso que documentan MIT, BCG y S&P Global no es aleatorio. Tiene una mecánica específica que se repite con suficiente consistencia como para llamarla diseño defectuoso.
La secuencia típica es esta: una empresa compra una herramienta de IA, lanza un piloto en algún proceso existente y espera resultados. Lo que no hace es preguntarse si ese proceso tiene la estructura necesaria para que la IA opere de manera confiable. Y casi siempre no la tiene.
Todo proceso de negocio contiene fisuras. Una cotización que se aprueba verbalmente. Un archivo de cliente que vive en la memoria de un vendedor. Una lista de precios desactualizada que sigue circulando en cadenas de correo. Los empleados humanos tapan esas fisuras constantemente: preguntan a un colega, aplican criterio, notan cuando algo se ve mal. La IA no hace nada de eso. Introduce más volumen, más velocidad, en el mismo proceso con las mismas grietas. El resultado es una propagación de errores a velocidad de máquina.
El caso del chatbot de Air Canada lo ilustra con consecuencias legales concretas. El sistema informó a un pasajero identificado en los documentos del tribunal como Jake Moffatt que podía solicitar una tarifa de duelo después de realizar el viaje, cuando la política real exigía hacerlo antes. Air Canada argumentó que el chatbot era una entidad separada y que la aerolínea no podía ser responsable de lo que el sistema dijera. El Tribunal de Resolución Civil de Columbia Británica rechazó ese argumento: la compañía tenía un deber de cuidado frente al usuario y no tomó medidas razonables para garantizar que su chatbot fuera preciso. El tribunal ordenó el reembolso más intereses y costas. El sistema no falló en sentido técnico. Hizo exactamente lo que fue configurado para hacer, que era responder sin límites ni verificación.
Otro caso citado en análisis de Forbes involucra a una cadena de restaurantes cuyo sistema de IA en el autoservicio aceptó un pedido de 18,000 botellas de agua porque nadie programó un techo de cantidad. El sistema no malinterpretó la orden. La ejecutó. Porque nadie le dio la instrucción de dudar de algo así.
Ambos casos comparten una arquitectura idéntica: ningún límite definido, ningún punto de supervisión humana, ninguna cadena de responsabilidad clara sobre el output. La herramienta funcionó. El diseño falló.
El especialista en operaciones Tim Mobley, citado en Inc., articula el diagnóstico con precisión: la mayoría de las empresas no tiene un problema de IA, tiene un problema de diseño de flujo de trabajo. Y el fracaso vive en los traspasos: el momento entre que la IA produce algo y un humano actúa sobre ello, donde la accountability desaparece silenciosamente.
Una secuencia de cuatro etapas que la historia ya conoce
Lo que está ocurriendo con la IA no es nuevo en su estructura. Es la misma secuencia que acompañó cada oleada tecnológica relevante de los últimos treinta años, con actores distintos y cifras actualizadas.
En los años noventa, las empresas dieron a los sistemas de correo electrónico poder de envío ilimitado sin ningún tipo de gobernanza. El resultado fue colapsos de servidores, tormentas de respuestas masivas y una crisis de spam que terminó en legislación federal. En el período del boom de las puntocom, Boo.com quemó 135 millones de dólares construyendo un sitio de comercio electrónico demasiado sofisticado técnicamente para las conexiones de acceso telefónico que usaba el 90% de sus clientes potenciales. En la década de 2010, JCPenney apostó miles de millones en una transformación digital que forzó a sus clientes hacia canales que nadie les había pedido, y perdió la mitad de su valor bursátil.
La secuencia es siempre la misma: tratar la nueva tecnología como magia, desplegarla sin límites ni gobernanza, ver cómo los pequeños fallos se acumulan hasta convertirse en grandes problemas, y luego recibir la corrección —del mercado, de los reguladores, o de ambos—.
Según los análisis de Gartner y el propio reporte del MIT, la IA empresarial está actualmente entre la segunda y la tercera etapa de esa secuencia. Muchas empresas ya desplegaron agresivamente y están empezando a absorber las consecuencias: cancelaciones, write-offs, exposición legal y revisiones de portafolio. Las que sobrevivieron las oleadas anteriores no lo hicieron por moverse más rápido ni gastar más. Lo hicieron porque se preguntaron qué no debería hacer la tecnología antes de preguntarse qué podía.
Esa pregunta —qué no debería hacer— no es instintiva para organizaciones orientadas a la ejecución. Requiere un tipo de disciplina de diseño que la mayoría de las empresas no ejerce en sus procesos internos y mucho menos cuando adopta tecnología nueva. La prisa por demostrar que "ya están usando IA" tiende a desplazar ese trabajo.
El 5% que funciona no tiene acceso a mejor tecnología
Lo que separa al 5% de implementaciones exitosas del 95% restante no es el modelo de IA, el presupuesto ni el tamaño de la empresa. Es un conjunto de decisiones de diseño que la mayoría de las organizaciones nunca toma porque las considera administrativas, no estratégicas.
Los límites se definen antes de activar las capacidades. Un agente de cotización tiene un precio mínimo. Un bot de atención al cliente tiene una lista cerrada de políticas que puede discutir y una regla explícita de escalar todo lo demás. Un sistema de pedidos tiene validaciones de sentido: ningún cliente ordenó 18,000 botellas de agua. Los límites no restringen la utilidad de la IA. Son lo que hace que la IA sea operable en un negocio real con consecuencias reales.
Los humanos se rediseñan dentro del flujo, no se eliminan de él. La pregunta de partida en las implementaciones exitosas no es "qué podemos automatizar". Es dónde el criterio humano crea valor que la máquina no puede replicar y cómo se estructura el trabajo alrededor de eso. La IA maneja volumen: consultas rutinarias, clasificación, recuperación de información, primeros borradores. Los humanos manejan excepciones: el cliente cuya situación no encaja en ninguna plantilla, la queja con riesgo legal, el número que se ve ligeramente mal. Las empresas que invierten esa asignación obtienen los fracasos que merecen.
La supervisión es un trabajo formal, no un supuesto implícito. El reporte de supervisión de IA de Connext Global para 2026 encontró que el 28% de los usuarios dice que la IA todavía necesita supervisión activa para producir resultados confiables. Ese dato no describe una limitación técnica temporal. Describe una función permanente que alguien debe ocupar de manera formal. Revisar, corregir y retroalimentar el sistema es trabajo real que requiere un titular nombrado. Una implementación de IA sin un responsable humano identificado no es automatización. Es abandono de responsabilidad.
Cada output tiene una cadena de accountability. El fallo de Air Canada cerró la discusión sobre si una empresa puede apropiarse de los éxitos de su IA mientras desconoce sus errores. No puede. Si el sistema hace una promesa, la empresa la cumple. Construir el registro de auditoría —qué dijo la IA, con qué base, revisado por quién— es más barato antes del litigio que después.
Ninguno de estos hábitos es glamoroso. Ninguno genera un comunicado de prensa sobre transformación digital. Todos son trabajo de diseño organizacional que ocurre antes de que la herramienta sea visible hacia afuera.
Esperar ya no es la posición más segura
Los datos de adopción cruzaron el umbral en el que quedarse fuera dejó de ser prudencia para convertirse en riesgo competitivo activo.
El uso de IA generativa entre pequeñas empresas estadounidenses pasó del 40% al 58% en un año. Las empresas que usan IA tienen 2.3 veces más probabilidad de reportar crecimiento de ingresos que las que no la usan. Entre las pequeñas empresas que ya la adoptaron, el 91% reporta aumentos medibles en ingresos. Son cifras de la Cámara de Comercio de Estados Unidos y de investigación de Salesforce compiladas en 2026.
Del otro lado, el 77% de las empresas que todavía no adoptaron IA citan como razón principal que "no aplica a su negocio". Esa frase tiene un historial conocido. Con exactamente esas palabras, intercambiando el nombre de la tecnología, se justificó no tener sitio web, no vender en línea, no migrar a la nube. Las empresas que la dijeron son las que hoy protagonizan los estudios de caso sobre lo que no hacer.
La elección que enfrenta una empresa en 2026 no es si implementar IA. Es si implementarla de la manera en que lo hace el 95% —herramienta primero, diseño de proceso nunca, accountability en ningún lugar— o de la manera en que opera el 5% que genera resultados: proceso rediseñado, límites establecidos, humanos posicionados donde el criterio importa, y un nombre vinculado a cada output que el sistema produce.
La tecnología nunca fue el obstáculo. Lo que falla es la estructura organizacional que se construye alrededor de ella, o que se decide no construir. Eso no es un problema de IA. Es un problema de diseño, y las organizaciones que no lo traten como tal seguirán acumulando fracasos a velocidad de máquina.
