Si estás leyendo esto, probablemente ya tienes alguna iniciativa de IA activa en tu empresa o quizás más de una. Y es probable que la conversación interna sobre esos proyectos tenga más matices de los que aparecen en los reportes que subes al directorio.
No hay crítica en eso. Es más común de lo que pensamos.
Un estudio del MIT publicado en 2025, basado en 52 entrevistas con ejecutivos, encuestas a 153 líderes y análisis de 300 implementaciones públicas, encontró que el 95% de los pilotos de IA generativa no produjo ningún impacto medible en el resultado del negocio. Solo el 5% de los sistemas integrados generó valor significativo.
- 95% de pilotos de IA sin impacto medible en resultados | MIT NANDA, 2025
- 28% de iniciativas de IA que cumplen las expectativas de ROI | Gartner, 2026
Gartner llegó a una conclusión similar en su encuesta de 2026 a 782 líderes de infraestructura y operaciones: solo el 28% de los casos de uso de IA cumplió las expectativas de retorno. El 57% de los que reportaron fracaso reconoció haber esperado demasiado, demasiado rápido.
Estos números no son un titular de alarmismo tecnológico. Son el contexto en el que operan quienes invirtieron en IA durante los últimos dos años.
¿Qué está pasando?
La respuesta más cómoda es culpar a los proveedores, a la madurez del mercado, a los datos sucios, o a la falta de talento interno. Hay algo de verdad en todo eso.
Pero hay una causa más profunda que aparece una y otra vez en los proyectos que fallan, y que pocas veces se nombra con claridad: los sistemas se construyeron para optimizar una métrica, no para cumplir un propósito que todos entendían por igual. Y esa distinción lo cambia todo.
Cuando un sistema de IA se diseña alrededor de indicadores de eficiencia como tiempo de resolución, tasa de conversión o volumen de interacciones, aprende a maximizar esos indicadores. Lo hace bien. Muchas veces, demasiado bien, y todos los semáforos se van a verde.
El problema aparece cuando esa optimización entra en conflicto con lo que la empresa realmente necesita: mantener la confianza del cliente a largo plazo, tomar decisiones que no siempre cierran la venta pero sí construyen relación, o reconocer cuándo escalar a una persona en lugar de insistir con el flujo automatizado.
Esas decisiones requieren propósito explícito. En la mayoría de los proyectos que fracasan, ese propósito nunca se definió con precisión. Se asumió que emergería solo, o de la mano de los expertos, que tampoco sabían que esa definición dependía de ellos.
"El mayor costo no viene del primer error. Viene de la repetición sistemática del error sin aprendizaje verificable."
En mi trabajo sobre taxonomía de agentes propongo que la supervisión humana no es un freno a la innovación, sino una condición de diseño. Igual que la retroalimentación o la corrección acotada.
Los sistemas que funcionan en producción, más allá del piloto, tienen algo en común: cada nivel del sistema tiene una persona identificada con autoridad real para auditar, corregir y redefinir el propósito cuando sea necesario. Esa supervisión no es burocrática. Es parte de la arquitectura.
Los que fallan tienen, casi siempre, alguna variante del mismo problema: se desplegaron sin definir quién es responsable de la coherencia del sistema completo. No del módulo de IA. Del sistema completo: la experiencia del cliente, los valores de marca, la ética de las decisiones que ese sistema toma en nombre de la empresa.
Nos pasa lo mismo a nivel de procesos, fallan cuando no tienen un dueño y el responsable termina siendo "alguien". El problema es que "alguien" no figura en la nómina.
Hay una pregunta que vale la pena hacerse antes de escalar cualquier iniciativa de IA:
¿En qué nivel está operando este sistema, y quién es responsable de su propósito?
La investigación propone cinco preguntas de diagnóstico que cualquier ejecutivo puede usar, sin necesidad de entrar en los detalles técnicos:
Nivel requerido. ¿Este caso de uso necesita un agente individual, o requiere múltiples agentes coordinados hacia un objetivo común? Un bot de FAQ y un sistema que toma decisiones de crédito no están en la misma categoría.
Propósito del organismo. ¿Cuál es el propósito preciso del sistema, y quién rinde cuentas por él? No el proveedor ni del equipo de IT. Un responsable de negocio con nombre y apellido.
Mecanismos de corrección. ¿Cómo detecta el sistema que se está desviando de su propósito? ¿Esa detección está diseñada desde el inicio, o se va a agregar después?
Supervisión activa. ¿Existe un proceso periódico de revisión de decisiones automatizadas? ¿O el sistema opera como una caja negra que solo se abre cuando algo explota?
Interoperabilidad con coherencia. Si este sistema se conecta con otros como marketing, operaciones o servicio, ¿hay alineación entre lo que intercambian? ¿O cada uno optimiza su función local sin referencia al conjunto?
Son preguntas que se responden antes de firmar el inicio del proyecto. No seis meses después, cuando el piloto ya está en producción y los números no terminan de cuadrar con la promesa.
La buena noticia es que la brecha entre los proyectos que fallan y los que entregan resultados no es tecnológica. Es de gestión.
Quiero ser preciso aquí: la tecnología importa cuando se trata de materializar el diseño, la herramienta adecuada, el LLM correcto, las voces naturales, la experiencia del cliente. Ese detalle no es menor.
Los proyectos de IA que entregan valor no son los más sofisticados. Son los que tuvieron claridad de propósito desde el día uno, los que definieron quién responde por qué, y los que construyeron mecanismos de supervisión como parte del diseño original.
Esa claridad no viene de los proveedores. Viene de quienes dirigen la empresa. Y ese es exactamente el rol que ningún sistema puede asumir.
Esta es la tercera y última entrega de la serie. Las tres comparten una misma postura: la inteligencia artificial no se niega ni se idealiza. Se reubica. Se pone al servicio de un propósito que una empresa, un emprendedor o un ejecutivo, en algún momento, tuvo que definir y decidió defender.
La IA como ADN del negocio, no como accesorio tecnológico.