¿Burbuja de IA? El 95% no ve retorno (y cómo ser el 5%)

El dinero que las empresas destinan a inteligencia artificial crece a un ritmo vertiginoso, pero la mayoría de los proyectos todavía no muestra un retorno medible. Un estudio del MIT encontró que el 95% de los pilotos de IA generativa no logró impacto financiero comprobable, justo cuando el gasto global en la tecnología se proyecta en billones de dólares. La pregunta ya no es solo “¿estamos en una burbuja de IA?”, sino una mucho más útil para el gerente: ¿cómo pertenecer al 5% que sí obtiene resultados?

Lo esencial

• El 95% de los pilotos de IA generativa no genera un retorno financiero medible, según un estudio del MIT sobre 300 despliegues empresariales; el problema rara vez es el modelo, sino cómo se implementa.
• Sí existen señales de burbuja en la valoración de mercado y en la brecha entre inversión e ingresos, pero la IA aplicada con disciplina a procesos concretos ya produce ahorros reales.
• Ser parte del 5% exige elegir pocos casos de uso bien medidos, integrar la IA en el flujo de trabajo real y exigir métricas de negocio, no demostraciones vistosas.

¿Existe realmente una burbuja de IA?

Depende de qué se mire. En los mercados financieros hay razones legítimas para hablar de burbuja: las cinco mayores proveedoras de infraestructura de nube e IA de Estados Unidos —Microsoft, Alphabet, Amazon, Meta y Oracle— comprometieron entre 660.000 y 690.000 millones de dólares de inversión de capital solo para 2026, y las proyecciones de Goldman Sachs apuntan a que el gasto anual en infraestructura podría escalar hasta 1,6 billones de dólares hacia 2031. Frente a esa magnitud, los ingresos directos por servicios de IA de los grandes proveedores rondan apenas unos 25.000 millones de dólares, cerca del 4% de lo que se invierte en infraestructura. Esa distancia entre lo que se gasta y lo que se factura es el corazón del debate sobre la burbuja de IA.

Pero “burbuja financiera” no significa “tecnología inútil”. La internet de finales de los noventa vivió una burbuja bursátil brutal y, aun así, transformó la economía. Lo mismo puede ocurrir con la IA: que haya exceso de expectativas en las bolsas no anula el valor que una empresa concreta puede extraer si la aplica bien. Para el gerente hispanoamericano, la conclusión práctica es que la discusión sobre la burbuja en Wall Street importa menos que una pregunta interna: ¿mi inversión en IA está produciendo resultados que pueda medir?

Por qué el 95% de los pilotos de IA no da retorno

La cifra que encendió la alarma proviene del informe The GenAI Divide: State of AI in Business 2025, elaborado por la iniciativa NANDA del MIT a partir de 150 entrevistas a directivos, una encuesta a 350 empleados y el análisis de 300 despliegues públicos de IA. Su hallazgo es contundente: pese a un gasto empresarial estimado entre 30.000 y 40.000 millones de dólares, alrededor del 95% de las organizaciones no obtiene retorno de sus iniciativas de IA generativa, y solo un 5% logra una aceleración real de ingresos. Puede consultarse la cobertura en Fortune.

Lo revelador es la causa. Según el MIT, el problema casi nunca es la calidad del modelo de lenguaje. El obstáculo es una “brecha de aprendizaje”: la mayoría de los sistemas no retiene el contexto, no incorpora la retroalimentación del usuario ni mejora con el uso, y las organizaciones tampoco rediseñan sus procesos para aprovecharlos. Es el mismo patrón que arruina otras iniciativas de cambio; en degerencia lo hemos analizado a propósito de por qué fracasan las transformaciones, en el artículo sobre la falsa alineación en las transformaciones empresariales.

Hay un segundo error de asignación. El estudio señala que más de la mitad de los presupuestos de IA generativa se dirige a herramientas de ventas y marketing, mientras que el mayor retorno aparece en la automatización de tareas administrativas: reducir la tercerización de procesos, recortar costos de agencias externas y agilizar operaciones repetitivas. Dicho de otro modo: muchas empresas gastan donde se ve más, no donde se gana más.

El “purgatorio de pilotos”: el síntoma más común

Existe un patrón que se repite en empresas de México, Colombia, Chile o España por igual: la organización lanza una prueba de concepto entusiasta, muestra una demostración impresionante en un comité de dirección y… ahí se queda. El piloto nunca se integra en el trabajo diario, nadie es responsable de sus resultados y a los pocos meses se abandona en silencio para empezar otro. Es el “purgatorio de pilotos”: mucha actividad, ninguna consecuencia en la cuenta de resultados.

Este purgatorio tiene un costo oculto. Consume el tiempo de los mejores equipos, genera escepticismo interno (“otra moda que no sirvió”) y quema presupuesto que podría haberse concentrado en uno o dos casos con impacto real. El gerente que quiere estar en el 5% debe tratar cada piloto como una inversión que rinde cuentas, no como un experimento perpetuo.

¿Qué distingue al 5% que sí obtiene retorno?

Los datos del MIT y los análisis posteriores coinciden en varios rasgos de las organizaciones que sí capturan valor. No se trata de tener más presupuesto ni mejores modelos, sino de disciplina de gestión.

• Eligen pocos casos de uso, bien delimitados. En vez de “transformar toda la empresa con IA”, automatizan un proceso concreto y medible: responder consultas de soporte de primer nivel, conciliar facturas, redactar borradores de contratos estándar o clasificar solicitudes. Menos ambición retórica, más resultado verificable.
• Empoderan a los mandos medios, no solo al laboratorio central de IA. El estudio encontró que la adopción funciona mejor cuando los jefes de línea —los que conocen el proceso— impulsan la herramienta, y no cuando se impone desde un área central desconectada de la operación.
• Integran la IA en el flujo de trabajo existente. Las herramientas que se adoptan son las que se conectan a los sistemas que la gente ya usa y se adaptan con el tiempo, no las que exigen cambiar de aplicación o memorizar instrucciones complejas.
• Exigen métricas de negocio desde el primer día. Definen qué significa el éxito —horas ahorradas, costo por transacción, tiempo de respuesta, ingresos incrementales— antes de encender el piloto, y matan sin culpa lo que no cumple.

Goldman Sachs aporta un matiz importante para calibrar expectativas: en un análisis reciente encontró poca relación general entre adopción de IA y productividad agregada, salvo en dos usos específicos donde sí observó mejoras cercanas al 30%, según reportó Fortune. La lección es coherente con el MIT: el valor no está repartido de forma uniforme; se concentra en aplicaciones puntuales y bien ejecutadas.

¿Cómo elegir y medir un caso de uso de IA?

Para pasar del entusiasmo a los resultados, conviene un método simple que cualquier empresa —grande o PYME— puede aplicar antes de comprometer dinero.

1. Empiece por el dolor, no por la herramienta. Identifique un proceso costoso, repetitivo y con alto volumen. Si no puede nombrar el problema en una frase, todavía no está listo para automatizarlo.
2. Estime la línea base. Mida cuánto cuesta hoy ese proceso: horas de trabajo, errores, tiempo de espera del cliente, gasto en proveedores externos. Sin línea base no habrá forma de demostrar retorno.
3. Defina una métrica de éxito y un plazo. Por ejemplo: “reducir en 40% el tiempo de respuesta del soporte en 90 días” o “recortar un 25% el costo de conciliación mensual”. Concreto y con fecha.
4. Pruebe pequeño, pero en condiciones reales. Un piloto útil corre con datos y usuarios reales, no en una demostración de laboratorio. La fricción del mundo real es justamente lo que distingue a los proyectos que sobreviven.
5. Decida con datos. Si la métrica se cumple, escale e integre; si no, cierre el piloto y libere el presupuesto. La disciplina de cortar es tan valiosa como la de invertir.

Este enfoque de decidir con evidencia y no con moda enlaza con una capacidad gerencial de fondo. Quien quiera profundizar puede revisar nuestra sección de estrategia empresarial, donde el hilo común es el mismo: alinear cada inversión con un objetivo medible.

Riesgos que un gerente no debe ignorar

Optimizar el retorno no significa cerrar los ojos a los riesgos. Tres merecen atención especial en Hispanoamérica.

El primero es la dependencia y el costo recurrente. Muchas herramientas de IA cobran por uso; un piloto barato puede convertirse en una factura elevada al escalar. Conviene modelar el costo a volumen real antes de comprometerse.

El segundo es la calidad de los datos. La IA amplifica lo que encuentra: si los datos internos están desordenados o incompletos, los resultados serán poco fiables. En economías donde la información no siempre está digitalizada, este suele ser el verdadero cuello de botella.

El tercero es el cumplimiento y la protección de datos. Regiones como la Unión Europea avanzan con marcos exigentes, y varios países latinoamericanos —México, Colombia, Chile, Brasil— fortalecen sus leyes de protección de datos personales. Introducir IA sin revisar qué información se comparte con proveedores externos puede crear un problema legal mayor que el ahorro obtenido.

¿Qué significa esto para la PYME hispanoamericana?

La buena noticia para las empresas medianas y pequeñas de la región es que la lógica del 5% no depende de presupuestos millonarios. Precisamente porque el retorno se concentra en casos acotados, una PYME disciplinada puede superar a una gran corporación dispersa en veinte pilotos sin dueño. Un comercio en Lima que automatiza la atención de preguntas frecuentes, un despacho contable en Bogotá que acelera la clasificación de comprobantes o una fábrica en Guadalajara que usa IA para planificar mantenimiento pueden capturar valor real con inversiones modestas.

La clave es resistir dos tentaciones opuestas: la de ignorar la IA por considerarla “una burbuja que ya reventará” y la de comprarla toda de golpe por miedo a quedarse atrás. Entre esos dos extremos está el camino del 5%: empezar pequeño, medir en serio y escalar solo lo que funciona.

Conclusión: la burbuja de otros, la oportunidad propia

Es muy posible que exista una burbuja en la valoración bursátil de la IA, con inversiones que superan por mucho los ingresos actuales. Pero esa es la burbuja de los mercados, no necesariamente la de su empresa. El estudio del MIT deja una enseñanza que trasciende la coyuntura: el fracaso del 95% no se debe a la tecnología, sino a la falta de foco, medición y rediseño de procesos. Son fallas de gestión, y las fallas de gestión se corrigen con gestión.

La pregunta con la que conviene cerrar cada reunión de dirección no es si hay una burbuja de IA, sino esta otra: de todo lo que estamos gastando en inteligencia artificial, ¿qué podemos medir con números en los próximos noventa días? Quien responda con claridad ya está más cerca del 5%.