La inteligencia artificial generativa ya ocupa un lugar central en la estrategia de empresas de todos los tamaños. Sin embargo, el entusiasmo por la tecnología todavía no se traduce de manera generalizada en resultados económicos.
El informe “The GenAI Divide: State of AI in Business 2025”, elaborado por investigadores de Project NANDA, una iniciativa vinculada al MIT, estima que las compañías destinaron entre US$30.000 millones y US$40.000 millones a proyectos empresariales de IA generativa. A pesar de esa inversión, solo el 5% de los pilotos integrados analizados logró generar millones de dólares en valor.
Los investigadores denominaron “GenAI Divide” a la distancia entre las organizaciones que experimentan con inteligencia artificial y aquellas que consiguen incorporarla a sus operaciones, escalarla y convertirla en resultados concretos.
Muchas pruebas de IA, pocas implementaciones
Más del 80% de las organizaciones relevadas había explorado o probado herramientas como ChatGPT y Microsoft Copilot, mientras que cerca del 40% informaba algún nivel de implementación.
Estas plataformas se utilizan principalmente en tareas individuales, como redactar documentos, resumir información o generar contenidos. Su facilidad de uso permite obtener beneficios inmediatos sin modificar los sistemas internos de la compañía.
La situación cambia cuando la IA debe integrarse a procesos empresariales específicos. El 60% de las organizaciones había evaluado soluciones personalizadas, pero solo el 20% llegó a iniciar un piloto y apenas el 5% consiguió llevarlo exitosamente a producción.
Una demostración puede funcionar con datos controlados. Un entorno empresarial, en cambio, incluye excepciones, permisos, sistemas heredados, requisitos de seguridad y procesos que cambian constantemente. Esa complejidad explica por qué tantos proyectos quedan detenidos antes de alcanzar una implementación real.
El problema no está solo en los modelos
Según el informe, uno de los principales obstáculos es la incapacidad de muchas soluciones para aprender del uso cotidiano y adaptarse al contexto de cada organización.
Los sistemas suelen requerir que los usuarios ingresen nuevamente la misma información, repiten errores ya corregidos y pierden el contexto de interacciones anteriores. También pueden fallar ante situaciones que no fueron contempladas durante el piloto.
“Vimos decenas de demostraciones este año. Tal vez una o dos sean realmente útiles”, reconoció uno de los responsables de tecnología entrevistados para la investigación.
En tareas simples, la aceptación es elevada. Sin embargo, ante proyectos complejos o trabajos de largo plazo, la preferencia por una persona era ampliamente superior.
Para operar en procesos críticos, las empresas necesitan sistemas que recuerden decisiones, incorporen correcciones y respeten reglas internas.
Shadow AI gana terreno
Mientras muchos proyectos corporativos permanecen en fase experimental, los empleados ya utilizan inteligencia artificial por cuenta propia.
El estudio identificó una creciente “economía de IA en la sombra”, formada por trabajadores que emplean cuentas personales de ChatGPT, Claude y otras plataformas para automatizar tareas sin el conocimiento de los departamentos de tecnología.
Trabajadores de más del 90% de las organizaciones aseguraron utilizar regularmente herramientas personales de IA, aunque solo el 40% de las empresas había contratado oficialmente una suscripción.
La práctica puede generar valor individual, pero también introduce riesgos de seguridad, privacidad y gobierno de los datos.
El retorno aparece en procesos concretos
Las empresas suelen concentrar buena parte de sus presupuestos de IA en ventas y marketing, donde resulta más sencillo mostrar métricas visibles. No obstante, algunos de los retornos más importantes aparecieron en tareas administrativas y operaciones de back office.
Las implementaciones exitosas consiguieron acelerar un 40% la calificación de oportunidades comerciales y mejorar un 10% la retención de clientes mediante seguimientos automatizados. Algunas organizaciones también informaron ahorros anuales de entre US$2 millones y US$10 millones al reducir servicios tercerizados de atención y procesamiento de documentos.
Además, se registraron disminuciones del 30% en gastos destinados a agencias externas y ahorros cercanos a US$1 millón anual en controles de riesgo financiero tercerizados.
El retorno de inversión en IA puede encontrarse en procesos poco visibles, pero con costos claros: clasificación de documentos, atención de consultas, seguimiento comercial, controles financieros y tareas administrativas repetitivas.
Qué hacen diferente las empresas que avanzan
Las organizaciones que superan la etapa piloto seleccionan un problema específico, calculan su costo actual y definen desde el inicio qué indicador permitirá medir el resultado.
Los proyectos exitosos también se integran con las herramientas que ya utiliza la empresa. Una solución aislada obliga a copiar datos, cambiar de plataforma o modificar la forma de trabajar. La IA incorporada al flujo existente tiene mayores posibilidades de adopción.
La investigación encontró que las implementaciones realizadas junto con socios externos alcanzaron aproximadamente el doble de éxito que los desarrollos completamente internos.
Las grandes compañías lideran en cantidad de pilotos, pero suelen tardar nueve meses o más en escalar una iniciativa. Algunas empresas medianas consiguieron pasar de la prueba a una implementación completa en aproximadamente 90 días.
El objetivo no es incorporar IA en todas las áreas al mismo tiempo. La prioridad debe ser encontrar procesos repetitivos, costosos o lentos donde la tecnología pueda producir un cambio demostrable.
Los agentes de IA abren otra etapa
Los agentes de IA, diseñados para conservar contexto, aprender de interacciones anteriores y coordinar distintas acciones, podrían resolver parte de las limitaciones actuales.
Las primeras pruebas incluyen agentes de atención que gestionan consultas de principio a fin, sistemas financieros que supervisan operaciones rutinarias y herramientas comerciales que realizan seguimientos en distintos canales.
Sin embargo, la autonomía por sí sola no garantiza resultados. Estos sistemas también necesitan acceso controlado a la información, supervisión humana, reglas claras y objetivos comerciales medibles.
Las empresas ya superaron la primera fase de curiosidad y experimentación. El desafío ahora es convertir los pilotos en herramientas confiables que reduzcan costos, mejoren procesos y produzcan resultados verificables.
Preguntas frecuentes
- ¿Por qué los proyectos empresariales de IA no llegan a producción? Las principales dificultades son la falta de integración con los procesos existentes, la escasa capacidad para conservar contexto y la imposibilidad de aprender de las correcciones realizadas por los usuarios.
- ¿Dónde genera mayor retorno la inteligencia artificial? Los resultados más claros aparecen en procesos específicos, como atención al cliente, procesamiento de documentos, tareas financieras, seguimiento comercial y automatización administrativa.
- ¿Qué es la IA en la sombra? Es el uso de herramientas personales de inteligencia artificial por parte de los empleados para realizar tareas laborales sin que exista una implementación oficial de la empresa.
- ¿Qué necesitan las empresas para obtener retorno de inversión en IA? Deben seleccionar casos de uso concretos, definir métricas comerciales, integrar la solución a los flujos existentes y utilizar sistemas capaces de adaptarse y mejorar con el tiempo.
Leer más
- Kimi K3 desafía a OpenAI y Anthropic desde China
- ChatGPT unifica Chat, Work y Codex en su nueva app
- El gasto oculto de la IA: empresas desvían su presupuesto de software hacia centros de datos e infraestructura
