Pilotos de IA: por qué fracasa el 95% y cómo evitarlo

La mayoría de las empresas ya probó la inteligencia artificial generativa, pero muy pocas obtienen algo a cambio. Un informe del MIT que circuló con fuerza en 2025 puso cifra al malestar que muchos gerentes intuían: el 95% de los pilotos de IA no logra un retorno financiero medible. La pregunta deja de ser si conviene adoptar IA y pasa a ser otra, más incómoda y más útil: por qué tantos proyectos se quedan a mitad de camino, y qué hacen distinto los pocos que sí funcionan.

Lo esencial

• El fracaso de los pilotos de IA casi nunca es tecnológico: falla la integración con los procesos, la calidad de los datos y el patrocinio ejecutivo.
• Comprar soluciones a proveedores especializados y formar alianzas funciona cerca de dos tercios de las veces; los desarrollos internos tienen mucha menos probabilidad de éxito.
• El valor real aparece en 12 a 18 meses y en procesos internos (back-office), no en las semanas que esperan muchos directivos ni necesariamente en las áreas de cara al cliente.

¿Por qué fracasa el 95% de los pilotos de IA?

La respuesta directa: los pilotos de IA fracasan porque se tratan como demostraciones tecnológicas aisladas y no como cambios en la forma de trabajar. El estudio de la iniciativa NANDA del MIT, titulado The GenAI Divide: State of AI in Business 2025, analizó más de 300 despliegues públicos, entrevistó a 52 organizaciones y encuestó a más de 150 directivos y empleados. Su conclusión central es contundente: pese a un gasto empresarial estimado entre 30.000 y 40.000 millones de dólares en IA generativa, el 95% de las organizaciones no observa ningún retorno en su cuenta de resultados (Fortune).

El matiz importa. No es que la tecnología no sirva; es que la mayoría de las empresas la conecta mal con su operación real. El informe describe una “brecha de la IA generativa” (GenAI divide): un pequeño grupo de organizaciones extrae millones en valor mientras la gran mayoría queda atrapada en lo que el sector llama, con ironía, el “purgatorio de los pilotos”. La herramienta funciona en la demostración, impresiona en la reunión de comité, y luego no logra insertarse en el flujo de trabajo diario.

McKinsey llega a un diagnóstico compatible desde otro ángulo. En su informe The State of AI de 2025, el 88% de las organizaciones usa IA con regularidad, pero solo cerca del 6% reporta un impacto significativo a nivel de toda la empresa, entendido como una contribución de cinco puntos o más al resultado operativo (McKinsey). Hay adopción masiva y resultados escasos. Esa distancia entre usar y capturar valor es, hoy, el verdadero problema gerencial de la IA.

¿Qué diferencia a un piloto que fracasa de uno que escala?

Cuando se observan los proyectos que sí generan retorno, los patrones se repiten en países y sectores muy distintos. No es casualidad: son decisiones de gestión, no de ingeniería.

El origen de la solución pesa. El estudio del MIT encontró que comprar herramientas a proveedores especializados y construir alianzas tiene éxito alrededor del 67% de las veces, mientras que los desarrollos internos lo logran apenas un tercio de esa frecuencia. La tentación de “construirlo nosotros mismos” suele costar caro: consume tiempo, talento escaso y atención directiva, y rara vez supera a una solución probada.

El lugar donde se aplica importa. Los mejores retornos no aparecieron en las áreas más vistosas. Las empresas que aplicaron IA en procesos internos —finanzas, operaciones, soporte administrativo— obtuvieron mejores resultados que las que apostaron primero por marketing y ventas de cara al cliente. La razón es práctica: en el back-office los procesos están más acotados, los datos son más controlables y el error tiene menos consecuencias reputacionales.

El horizonte temporal debe ser realista. Según el MIT, los proyectos exitosos necesitaron de 12 a 18 meses para mostrar valor medible, pero muchas organizaciones esperaban resultados en 3 a 6 meses. Cuando el tablero financiero exige retorno antes de tiempo, el piloto se cancela justo antes de la curva en que habría empezado a rendir.

El patrocinio ejecutivo es decisivo. McKinsey observa que las organizaciones de alto desempeño en IA tienen tres veces más probabilidad de contar con un liderazgo senior involucrado y dueño del proyecto. No se trata de un comité que aprueba presupuesto, sino de directivos que rediseñan procesos, asumen el riesgo del cambio y sostienen el esfuerzo cuando los primeros meses no muestran cifras.

¿Es la tecnología o es la gestión del cambio?

Es la gestión. Y esta es la parte que más conviene asimilar, porque es donde un gerente sí tiene control. Un modelo de lenguaje puede redactar, resumir o clasificar muy bien en una prueba controlada; el problema surge cuando esa capacidad debe convivir con personas, sistemas heredados y datos desordenados.

Tres obstáculos concentran la mayoría de los fracasos. El primero son los datos: si la información está dispersa, duplicada o mal etiquetada, ningún modelo compensa esa base débil. El segundo es la integración: una herramienta que vive en una pestaña aparte, fuera del sistema donde el empleado ya trabaja, termina abandonada por fricción. El tercero es la adopción humana: si el equipo no entiende para qué sirve, no confía en el resultado o teme por su empleo, el piloto muere por desuso aunque funcione técnicamente.

Por eso conviene tratar la IA como un proyecto de gestión del cambio organizacional antes que como una compra de software. La experiencia reciente de las propias empresas tecnológicas lo ilustra: varias que recortaron personal apostando por automatizar con IA debieron luego recontratar, al descubrir que la herramienta no reemplazaba el criterio humano que creían eliminar (un patrón que ya analizamos en Despidos por IA: por qué las empresas vuelven a contratar). El aprendizaje es transversal: la IA rinde cuando rediseña el trabajo con las personas, no cuando se impone sobre ellas.

¿Cómo se ve esto en distintos países y empresas?

El reto es global, pero el contexto cambia el punto de partida. En Estados Unidos, la abundancia de capital y talento permitió experimentación masiva; la consecuencia, según el MIT, fue también una acumulación masiva de pilotos sin retorno. En España, bancos y grandes minoristas han priorizado casos de uso internos —detección de fraude, gestión documental, atención de primer nivel— precisamente porque son terrenos donde el dato propio es más fiable.

En México, la banca y el comercio minorista aplican IA a la prevención de fraude y a la cobranza, áreas donde el retorno es directo y medible. En Colombia y Chile, varias compañías de servicios financieros y de consumo masivo han optado por adoptar plataformas de proveedores establecidos en lugar de construir desde cero, en línea con lo que el MIT identifica como la vía más exitosa. Y en la comunidad hispana de Estados Unidos, las pymes están encontrando valor temprano en tareas concretas —respuestas a clientes, generación de contenido, traducción— más que en grandes transformaciones, lo que confirma que empezar pequeño y específico suele rendir más que apostar a lo ambicioso.

El denominador común es revelador: las organizaciones que ganan no son las que más gastan, sino las que eligen mejor dónde y cómo aplicar la IA. McKinsey lo resume al señalar que los altos desempeños tratan la IA como un catalizador para transformar la organización —rediseñando flujos de trabajo— y no como un simple recorte de costos incremental.

¿Qué debe hacer un gerente para pasar del piloto a la producción?

La buena noticia es que el camino de salida del “purgatorio de los pilotos” es bastante claro, porque se deduce directamente de las causas del fracaso. Una ruta práctica:

1. Elija un problema acotado y costoso. Empiece por un proceso interno con dolor real y métrica conocida (horas de trabajo, tasa de error, tiempo de respuesta). Evite el caso de uso vistoso de cara al cliente como primer proyecto.
2. Defina el retorno antes de empezar. Acuerde qué indicador va a moverse y en cuánto tiempo. Y dele un horizonte honesto: pensar en 12 a 18 meses, no en un trimestre.
3. Compre antes de construir. Salvo que la IA sea su producto, parta de una solución de un proveedor especializado. Reserve el desarrollo interno para lo que de verdad lo diferencia.
4. Arregle los datos primero. Sin datos limpios, accesibles y bien gobernados, ningún modelo entrega valor sostenido. Esta suele ser la inversión menos glamorosa y la más rentable.
5. Intégrelo en el flujo de trabajo. La herramienta debe vivir donde el empleado ya trabaja, no en una aplicación aparte. La fricción mata la adopción.
6. Asigne un dueño ejecutivo. Alguien con autoridad para rediseñar procesos y sostener el proyecto cuando los primeros meses no muestren cifras.
7. Mida, ajuste y luego escale. Trate el piloto como un experimento con criterios de éxito explícitos. Si funciona, replíquelo; si no, aprenda y reoriente sin dramatizar.

Conviene además ubicar la IA dentro de la estrategia tecnológica general de la empresa y no como una iniciativa suelta; el material de la sección de tecnología de información ayuda a darle ese marco. Y para profundizar en casos y tendencias específicas, la categoría de inteligencia artificial reúne análisis aplicados al management.

Conclusión: el 95% no es un veredicto sobre la IA

El dato del 95% asusta, pero leído con cuidado es alentador. No dice que la IA no funcione; dice que la mayoría de las empresas todavía la implementa mal, y que casi todos los errores son corregibles porque son de gestión, no de tecnología. El 5% que sí captura valor no tiene mejores modelos: tiene mejores decisiones sobre dónde aplicarlos, mejor calidad de datos, mejor integración y un liderazgo que sostiene el esfuerzo el tiempo suficiente.

La inteligencia artificial seguirá madurando, y el costo de la tecnología seguirá bajando. Lo que no se abarata es la disciplina gerencial de elegir bien el problema, preparar los datos, integrar la herramienta en el trabajo real y medir con honestidad. ¿Su próxima iniciativa de IA está diseñada para impresionar en una demostración, o para cambiar de verdad cómo trabaja su equipo? De esa respuesta depende si terminará en el 95% o en el 5%.