El Instituto de Tecnología de Massachusetts (MIT) publicó este año un hallazgo contundente: el 95% de las empresas no logra retorno en sus proyectos de inteligencia artificial generativa. Aunque la cifra se repite en conferencias y artículos, pocas veces se analiza en profundidad.
El problema no radica en modelos mal entrenados ni en errores técnicos. La tecnología funciona. Lo que falla es el ecosistema organizacional que debería sostenerla.
Las cinco fricciones que bloquean el retorno
El especialista Ernesto Mislej, con dos décadas de experiencia en soluciones de datos en la región, identifica cinco fricciones recurrentes:
- Foco limitado: muchas empresas ven la IA solo como herramienta de reducción de costos, cuando el verdadero potencial está en expandir márgenes y crear nuevos ingresos.
- Falta de profundidad: en sectores como energía, agro o salud, el diferencial competitivo surge de la capa de dominio sobre el modelo base. Sin ella, la IA es genérica y poco útil.
- Gobernanza débil: sin arquitecturas auditables y soberanía de datos, la adopción masiva es inviable. El problema es institucional, no técnico.
- Resistencia organizacional: implementar IA exige rediseñar procesos y roles. Tratarlo como un proyecto de IT lleva al fracaso.
- Carencia metodológica: abundan prototipos y demos, pero faltan frameworks que conecten pilotos con resultados medibles de negocio.
La raíz del problema: cultura de innovación
Detrás de estas fricciones aparece una causa común: la ausencia de una cultura de innovación real. No basta con valores en una intranet. Se requiere práctica operativa:
- Liderazgo que habilite la experimentación sin penalizar el error.
- Aprendizaje continuo como inversión presupuestada.
- Colaboración interdisciplinaria como norma para resolver problemas complejos.
La creatividad que genera valor en IA no proviene de los modelos, sino de las personas y del entorno que las organizaciones construyen para que piensen distinto.
El error más común
Según Mislej, el fallo más frecuente no es técnico: las empresas no saben formular el problema que quieren resolver. Antes de escribir una línea de código, deberían responder:
- ¿Qué decisión se quiere mejorar?
- ¿Quién la toma hoy?
- ¿Qué información le falta?
Sin estas respuestas, cualquier solución técnica es irrelevante. Además, un MVP de IA no es un prototipo bonito para una demo, sino la versión mínima que valida una hipótesis de negocio con datos reales antes de escalar.
El secreto de quienes escalan IA
Las organizaciones que logran escalar IA no se diferencian por la tecnología elegida, sino por el método aplicado y la cultura que lo sostiene.
La tecnología está lista. Los casos de uso están claros. Lo que falta es rigor, proceso y disposición a cambiar la forma en que se toman decisiones.
El problema nunca fue tecnológico. Fue —y sigue siendo— organizacional y metodológico.
