El presupuesto de IA que más duele no es el que se pierde, sino el que no llega a donde importa
Más 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.
Rohit 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.
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. No es un fracaso tecnológico. Es un fracaso de arquitectura presupuestaria: se financió el modelo, no la infraestructura que lo sostiene.
La 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.
El teatro caro que nadie quiere nombrar
Existe 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.
Cuando 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.
Este 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.
El 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.
Deloitte 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.
La 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.
Esa 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.
Los cuatro cimientos que el presupuesto ignora
Hay 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.
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.
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.
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.
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.
Un 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.
La arquitectura presupuestaria que diferencia a quien captura valor de quien lo observa
La 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.
Las 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.
La 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.
Los 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.
El 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.
La 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.
