El 95% de los proyectos de IA no genera retorno: el problema no es tecnológico

El 95% de las empresas no logra retorno en sus proyectos de Inteligencia Artificial Generativa, según un dato publicado este año por el MIT. Un número que se cita mucho pero se analiza poco.

Ese 95% no habla de modelos mal entrenados ni de pipelines con errores técnicos. Habla de organizaciones que implementaron una solución sin un modelo de adopción. La tecnología funcionó. Lo que falló fue todo lo que rodea a la tecnología.

Con casi dos décadas implementando soluciones de datos en organizaciones de distintas industrias en toda la región, veo repetirse cinco fricciones que bloquean el retorno. Vale la pena nombrarlas sin eufemismos.

Las cinco fricciones que nadie quiere nombrar

La primera es de foco. Muchas organizaciones siguen tratando la IA como una palanca de reducción de costos. El problema es que la oportunidad real está en otra parte: en la expansión de margen y en la generación de nuevos flujos de ingreso. La eficiencia es condición necesaria. No es suficiente.

La segunda es de profundidad. El ruido alrededor de los grandes modelos de lenguaje de propósito general oscurece algo estructural: en sectores como energía, agro o salud, el diferencial competitivo no lo da el modelo base. Lo da la capa de dominio que se construye sobre él. Sin esa capa, el modelo es genérico. Y lo genérico no compite.

La tercera es de gobernanza. Sin arquitecturas auditables y soberanía de datos, la adopción a escala es inviable. No es un problema técnico: es un problema de confianza institucional. Las organizaciones que no resuelven esto primero terminan construyendo sobre arena.

La cuarta es organizacional. Implementar IA implica rediseñar procesos de decisión y estructuras de roles. Las empresas que lo tratan como un proyecto de IT fracasan más rápido que las que lo abordan como un cambio en el modelo operativo. La diferencia no es sutil: es la diferencia entre un proyecto piloto que muere en seis meses y una capacidad que escala.

La quinta —y la más subestimada— es metodológica. Hay mucha experimentación y muy pocos frameworks que conecten los pilotos con resultados medibles de negocio. Se generan demos, se presentan prototipos, se consiguen aplausos internos. Y después, silencio.

La causa que está detrás de todas ellas

Detrás de estas cinco fricciones hay una causa común que pocas organizaciones están dispuestas a mirar de frente: la ausencia de una cultura de innovación real.

No cultura como declaración de valores en una intranet. Cultura como práctica operativa. Una donde el liderazgo habilita la experimentación sin castigar el error. Donde el aprendizaje continuo es una inversión presupuestada y no un beneficio opcional. Donde la colaboración entre disciplinas es el mecanismo por defecto para resolver problemas complejos.

Esto importa más de lo que parece, porque la creatividad que necesita la IA para generar valor no viene de los modelos: viene de las personas que los operan y de los entornos que las organizaciones construyen para que esas personas piensen distinto. Sin eso, cualquier framework metodológico opera en el vacío.

El problema más común no es técnico

El problema más común que veo en las organizaciones no es que no sepan usar IA. Es que no saben formular el problema que quieren resolver.

Hay una pregunta que debería hacerse antes de escribir una sola línea de código: ¿qué decisión se quiere mejorar, quién la toma hoy y qué información le falta? Sin esa respuesta, cualquier solución técnica es una respuesta a una pregunta que nadie hizo.

Lo que separa a las organizaciones que logran escalar IA de las que no rara vez tiene que ver con la tecnología que eligieron. Casi siempre tiene que ver con el método que aplicaron y con la cultura que lo sostiene.

La tecnología está lista. Los casos de uso están claros. Lo que falta es el método para pasar de la idea vaga a una iniciativa validada y cuantificada.

Eso no se resuelve con un nuevo modelo. Se resuelve con rigor, con proceso y con organizaciones dispuestas a cambiar la forma en que toman decisiones. No es un problema tecnológico. Nunca lo fue.

(*) Ernesto Mislej es MS en Ciencias de la Computación, docente universitario, Cofounder y Chief Data Scientist de 7Puentes