La inteligencia artificial se instaló en la agenda de todas las empresas, pero los números muestran una realidad incómoda. Un estudio de la iniciativa NANDA del MIT encontró que el 95% de los pilotos de IA generativa en empresas no genera un retorno financiero medible.
Gartner proyectó que el 30% de esos proyectos sería abandonado tras la etapa de prueba de concepto antes de fin de 2025. Y RAND Corporation, tras entrevistar a 65 científicos de datos, concluyó que más del 80% de los proyectos de IA fracasa (el doble que los proyectos de IT sin IA) y que las causas son mayormente organizacionales, no técnicas.
Proyectos de IA: el error no está en la tecnología, sino en cómo se implementa
“Los errores tienen más que ver con cómo los humanos gestionan e implementan la IA que con que la tecnología no funcione. Se busca resolver problemas para los que todavía no está preparada, o se ejecuta mal la implementación por un mal diagnóstico inicial”, explica Axel Jutoran, consultor y especialista en IA aplicada a negocios.
Para Jutoran, el error más determinante es por dónde eligen empezar las empresas: “Arrancan queriendo escalar el Everest en vez de empezar haciendo trekking: eligen una oportunidad muy compleja, y eso las termina convenciendo de que la IA no es para ellas“. A eso se suman la falta de gobernanza (no definir qué herramientas usar ni qué información se puede cargar) y la tentación de saltar directo a agentes complejos antes de ordenar los procesos básicos.
El costo de una mala implementación no siempre se mide en presupuesto perdido: en 2024, un tribunal canadiense falló contra Air Canada después de que su chatbot le prometiera por error una tarifa a un pasajero, y la aerolínea tuvo que pagar una indemnización por “representación negligente” de su propio sistema.
“Si no hay alguien con conocimiento acompañando la implementación, avanzar con IA es casi una cuestión de suerte. Una señal clara es cuando se invierte mucho y el resultado tarda demasiado en llegar”, advierte Jutoran, que remarca además la importancia de un compromiso real desde la conducción: “Tiene que haber un enfoque top-down. Si no lo hay, es muy complejo que el proyecto funcione”.
Empezar pequeño: la estrategia para reducir el riesgo
Entre pymes y grandes corporaciones, el especialista identifica una diferencia clave: las primeras pueden moverse más rápido y suelen contar con menos presupuesto, y cuando aprovechan esa velocidad para arrancar con quick wins y proyectos chicos, terminan avanzando más rápido que las corporaciones.
¿Y si el primer intento ya fracasó? “Es complejo, porque un fracaso genera frustración y el proceso queda en stand by. La clave es identificar por qué falló e identificar una oportunidad bien concreta para reiniciar con un plan claro”, cierra Jutoran.
Preguntas frecuentes
- ¿Por qué fracasan tantos proyectos de inteligencia artificial en las empresas? Principalmente por problemas organizacionales: una mala identificación del problema, objetivos poco claros, falta de gobernanza, procesos desordenados y una implementación sin suficiente acompañamiento.
- ¿Cómo puede una empresa reducir el riesgo al implementar IA? Una estrategia recomendada es comenzar con proyectos pequeños y concretos, conocidos como quick wins, que permitan demostrar resultados antes de avanzar hacia implementaciones más complejas.
- ¿Qué hacer si un primer proyecto de IA fracasa? No conviene abandonar la iniciativa automáticamente. Lo recomendable es identificar las causas del fracaso, elegir una oportunidad concreta y reiniciar el proyecto con objetivos, responsables y un plan de implementación claros.
