{"id":189026,"date":"2026-08-27T11:22:26","date_gmt":"2026-08-27T14:22:26","guid":{"rendered":"https:\/\/www.itsitio.com\/ar\/?p=189026"},"modified":"2026-08-27T11:22:26","modified_gmt":"2026-08-27T14:22:26","slug":"el-error-del-everest-por-que-el-95-de-los-proyectos-de-ia-en-las-empresas-fracasa","status":"publish","type":"post","link":"https:\/\/www.itsitio.com\/ar\/inteligencia-artificial\/el-error-del-everest-por-que-el-95-de-los-proyectos-de-ia-en-las-empresas-fracasa\/","title":{"rendered":"\u201cEl error del Everest\u201d: por qu\u00e9 el 95% de los proyectos de IA en las empresas fracasa"},"content":{"rendered":"

La inteligencia artificial se instal\u00f3 en la agenda de todas las empresas, pero los n\u00fameros muestran una realidad inc\u00f3moda. Un estudio de la iniciativa NANDA del MIT encontr\u00f3 que el 95% de los pilotos de IA generativa en empresas no genera un retorno financiero medible.<\/strong><\/p>\n

Gartner proyect\u00f3 que el 30% de esos proyectos ser\u00eda abandonado tras la etapa de prueba de concepto antes de fin de 2025<\/strong>. Y RAND Corporation, tras entrevistar a 65 cient\u00edficos de datos, concluy\u00f3 que m\u00e1s 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 t\u00e9cnicas.<\/p>\n

Proyectos de IA: el error no est\u00e1 en la tecnolog\u00eda, sino en c\u00f3mo se implementa<\/span><\/h2>\n

“Los errores tienen m\u00e1s que ver con c\u00f3mo los humanos gestionan e implementan la IA que con que la tecnolog\u00eda no funcione. Se busca resolver problemas para los que todav\u00eda no est\u00e1 preparada, o se ejecuta mal la implementaci\u00f3n por un mal diagn\u00f3stico inicial”, <\/em>explica Axel Jutoran<\/a>, consultor y especialista en IA aplicada a negocios.<\/strong><\/p>\n

\"La
La mayor\u00eda de los proyectos de IA generativa no logra demostrar un retorno financiero, seg\u00fan estudios citados en el art\u00edculo.<\/figcaption><\/figure>\n

Para Jutoran, el error m\u00e1s determinante es por d\u00f3nde 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<\/strong>“<\/em>. A eso se suman la falta de gobernanza (no definir qu\u00e9 herramientas usar ni qu\u00e9 informaci\u00f3n se puede cargar) y la tentaci\u00f3n de saltar directo a agentes complejos antes de ordenar los procesos b\u00e1sicos.<\/p>\n

El costo de una mala implementaci\u00f3n no siempre se mide en presupuesto perdido: en 2024, un tribunal canadiense fall\u00f3 contra Air Canada despu\u00e9s de que su chatbot le prometiera por error una tarifa a un pasajero, y la aerol\u00ednea tuvo que pagar una indemnizaci\u00f3n por “representaci\u00f3n negligente” de su propio sistema.<\/p>\n

“Si no hay alguien con conocimiento acompa\u00f1ando la implementaci\u00f3n, avanzar con IA es casi una cuesti\u00f3n de suerte. Una se\u00f1al clara es cuando se invierte mucho y el resultado tarda demasiado en llegar”<\/em>, advierte Jutoran, que remarca adem\u00e1s la importancia de un compromiso real desde la conducci\u00f3n: “Tiene que haber un enfoque top-down. Si no lo hay, es muy complejo que el proyecto funcione”<\/em>.<\/p>\n

\"\u201cArrancan
\u201cArrancan queriendo escalar el Everest en vez de empezar haciendo trekking\u201d, se\u00f1ala Axel Jutoran sobre las empresas que eligen proyectos de IA demasiado complejos.<\/figcaption><\/figure>\n

Empezar\u00a0peque\u00f1o: la estrategia\u00a0para reducir el\u00a0riesgo<\/span><\/h2>\n

Entre pymes<\/strong><\/a> y grandes corporaciones, el especialista identifica una diferencia clave: las primeras pueden moverse m\u00e1s r\u00e1pido y suelen contar con menos presupuesto, y cuando aprovechan esa velocidad para arrancar con quick wins y proyectos chicos, terminan avanzando m\u00e1s r\u00e1pido que las corporaciones.<\/p>\n

\u00bfY si el primer intento ya fracas\u00f3? “Es complejo, porque un fracaso genera frustraci\u00f3n y el proceso queda en stand by. La clave es identificar por qu\u00e9 fall\u00f3 e identificar una oportunidad bien concreta para reiniciar con un plan claro”<\/em>, cierra Jutoran.<\/p>\n

Preguntas frecuentes<\/span><\/h3>\n
    \n
  1. \u00bfPor qu\u00e9 fracasan tantos proyectos de inteligencia artificial en las empresas? <\/strong>Principalmente por problemas organizacionales: una mala identificaci\u00f3n del problema, objetivos poco claros, falta de gobernanza, procesos desordenados y una implementaci\u00f3n sin suficiente acompa\u00f1amiento.<\/li>\n
  2. \u00bfC\u00f3mo puede una empresa reducir el riesgo al implementar IA? <\/strong>Una\u00a0estrategia recomendada\u00a0es comenzar con\u00a0proyectos peque\u00f1os y\u00a0concretos, conocidos como\u00a0quick wins<\/em>, que permitan demostrar resultados antes de avanzar hacia implementaciones m\u00e1s complejas.<\/span><\/li>\n
  3. \u00bfQu\u00e9 hacer si un primer proyecto de IA fracasa? <\/strong>No conviene abandonar\u00a0la iniciativa autom\u00e1ticamente. Lo recomendable es\u00a0identificar las causas\u00a0del fracaso, elegir\u00a0una oportunidad concreta\u00a0y reiniciar el\u00a0proyecto con objetivos, responsables y un\u00a0plan de implementaci\u00f3n\u00a0claros.<\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"

    Estudios del MIT, Gartner y RAND Corporation coinciden en que la mayor\u00eda de los proyectos de IA en empresas no llegan a buen puerto. El consultor Axel Jutoran explica por qu\u00e9 el problema casi nunca es t\u00e9cnico, sino organizacional.<\/p>\n","protected":false},"author":229,"featured_media":188004,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"default","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[65],"tags":[165],"class_list":["post-189026","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-inteligencia-artificial","tag-inteligencia-artificial"],"_links":{"self":[{"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/posts\/189026","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/users\/229"}],"replies":[{"embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/comments?post=189026"}],"version-history":[{"count":3,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/posts\/189026\/revisions"}],"predecessor-version":[{"id":189029,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/posts\/189026\/revisions\/189029"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/media\/188004"}],"wp:attachment":[{"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/media?parent=189026"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/categories?post=189026"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/tags?post=189026"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}