95 por ciento de los pilotos de IA no sirven para nada, el 5 por ciento sí
6 Min. de lectura
95 %. Según el muy citado estudio del MIT sobre el GenAI Divide, esa es la proporción de pilotos de IA en las empresas que no generan ningún efecto medible en los resultados. La razón rara vez reside en el modelo y casi siempre en cómo se integra la herramienta en el trabajo diario. Quien quiera formar parte del 5 % debe responder primero a una pregunta incómoda: ¿qué proceso concreto debe funcionar después de forma más barata, rápida o fiable?
Lo más importante en resumen
- El problema no es el modelo: El estudio del MIT atribuye la falta de efectos a la escasa integración en los procesos, no a una IA débil. La adopción es alta, la transformación, baja.
- El presupuesto está en el lugar equivocado: La mayor parte del dinero fluye hacia el marketing y las ventas, pero la palanca medible se encuentra en el back office. Justo ahí es donde menos se invierte.
- Comprar supera a construir: Las soluciones especializadas adquiridas logran demostrar su eficacia aproximadamente el doble de veces que los desarrollos internos. Para la pyme, esta es la lección más importante.
Relacionado:IA en la sombra en la pyme: lo que revela su uso clandestino / Licencia social para la IA: cuando la adopción supera a la confianza
Qué revelan realmente el 95 %
La cifra suena a un ajuste de cuentas con toda la tecnología, pero es justo lo contrario. Para el informe sobre el GenAI Divide, el equipo de investigación del MIT evaluó alrededor de 300 proyectos de IA documentados públicamente y entrevistó y consultó a directivos de diversos sectores. El resultado: el 95 % de los pilotos no muestra ningún efecto medible en la cuenta de resultados. No porque los modelos sean malos, sino porque nunca llegan al punto en el que un proceso funciona realmente de otra manera.
¿Qué es el GenAI Divide? El término describe la brecha entre el uso generalizado y la creación real de valor. Muchos empleados utilizan herramientas de IA, pero pocas empresas las integran en sus procesos de manera que los costes, el tiempo o la calidad se modifiquen de forma medible. Alta adopción, baja transformación.
Para la pyme, esto es a la vez una buena noticia y una incómoda. Buena, porque la pieza que falta no tiene que venir necesariamente de Silicon Valley. Incómoda, porque desmonta la excusa habitual. Quien atribuya la falta de efectos a la regulación o a la madurez de los modelos está buscando en el lugar equivocado. El verdadero déficit se encuentra entre la herramienta y el día a día laboral.
Por qué el marketing es el que menos devuelve
A este respecto, debo argumentar contra mi propia especialidad. La mayor parte del presupuesto de inteligencia artificial se destina al marketing y a la venta, porque allí los instrumentos son más visibles y el entusiasmo más fuerte. Una idea de campaña en minutos, diez textos publicitarios con un solo clic, una persona sin talleres. Eso da la sensación de progreso y rara vez se refleja en la cuenta de resultados.
Los datos de MIT sitúan el punto de apoyo en otro lugar. El efecto comprobable surge en la oficina trasera, en rutinas basadas en documentos, en procesos financieros, en el servicio al cliente. Allí donde cuesta media hora de trabajo manual por trámite y, sumado a miles de trámites, representa tiempo real. Justamente esos ámbitos reciben menos atención, porque no son espectaculares. Un ingreso de facturas automatizado no gana ningún premio creativo.
Un ejemplo concreto del propio centro de máquinas lo ilustra. Una herramienta de IA genera diez variantes de anuncios en minutos, ahorrando la primera hora. Sin embargo, la tasa de conversión en el funnel no se mueve por ello. Solo se mueve cuando las variantes se prueban contra segmentos reales, se asignan correctamente en el CRM y se ajustan posteriormente. El efecto medible está en esta mecánica, no en el texto. Quien celebra solo la hora ahorrada confunde salida con efecto.
Para una área de marketing sin presupuesto corporativo, esto no significa dejar de lado la IA. Significa distinguir honestamente. ¿Qué acelera solo la sensación de velocidad y qué reduce realmente los costos por trámite? Esta segunda pregunta suele llevar fuera del marketing.
Lo que hace diferente el 5 por ciento
Los proyectos exitosos comparten algunas características sobrias. Comienzan con un proceso claramente definido que hoy cuesta dinero o tiempo, y luego buscan la herramienta adecuada. Compran con frecuencia una solución especializada, en lugar de construir una herramienta dentro del propio equipo, que nadie mantendrá tan pronto como pase la primera euforia. Los números de MIT son claros aquí: las soluciones compradas alcanzan un testimonio de efectividad en aproximadamente dos de cada tres casos, mientras que los proyectos internos solo en alrededor de un tercio. Y los ganadores limpian la base de datos antes de aplicar una herramienta, ya que un modelo sobre datos sucios solo equivocará más rápido.
El arranque típico
- Comenzar con la herramienta y buscar después un caso de aplicación
- Construir internamente sin plan para mantenimiento y operación
- Invertir donde el efecto es más difícil de medir
El patrón de los ganadores
- Comenzar con un proceso costoso y buscar la herramienta adecuada
- Comprar soluciones especializadas con operador claro
- Limpiar los datos antes de que el modelo los use
Es sorprendente cuán poco de esto tiene que ver con la tecnología. En el núcleo, se trata de trabajo de proceso con un bloque de IA dentro. El proyecto de IA con complemento de proceso fracasa exactamente en esta confusión. La diferencia decide si, tras seis meses, hay un número en la cuenta de resultados o solo una diapositiva en la junta directiva.
Lo que el mundo mediano puede aprovechar
Un empresario de mediana empresa no necesita una propia departamento de investigación para saltar el muro. Necesita un proceso que se repita con suficiente frecuencia como para que media hora de ahorro valga la pena, y el valor para mantenerlo pequeño. Un único caso de uso bien definido con una solución adquirida supera a diez experimentos paralelos que todos terminan en fase piloto.
Prácticamente significa tres cosas. Nombrar primero el proceso más costoso y recurrente antes de hablar de herramientas. Elegir una solución que alguien esté esperando, que no esté dentro de su propio hogar. Y medir previamente cuánto tiempo dura el proceso hoy, para que el efecto posterior no sea solo una sensación. Quien siga este orden sigue el patrón de pocos proyectos que al final muestran un resultado. Quien lo invierte, paga por la demostración que aplaudió en el círculo de dirección y que nadie conoce en la contabilidad.
Preguntas frecuentes
¿De dónde viene el número de que el 95 % de los pilotos de IA fracasan?
Del informe del MIT The GenAI Divide: State of AI in Business 2025. Se basa en entrevistas y encuestas con directivos, así como en la evaluación de unos 300 casos documentados de implementación de IA y mide el efecto en la cuenta de resultados.
¿Está el fracaso debido a la calidad de los modelos de IA?
Según la encuesta, no. El punto crítico es la integración en procesos existentes, no el rendimiento de los modelos. Alta utilización frente a baja implantación en los procesos.
¿Debo comprar IA o construirla yo mismo?
Los datos hablan claramente a favor de la compra. Las soluciones especializadas adquiridas alcanzan aproximadamente el doble de veces un impacto comprobable que las construcciones internas, sobre todo porque la mantenimiento y operación están garantizados de forma continua.
¿Dónde se obtiene el mayor efecto medible de la IA en la empresa?
En el back office. Las rutinas documentales, los procesos financieros y de servicio generan un retorno medible, mientras que marketing y ventas, aunque consumen más presupuesto, rara vez muestran un efecto claro en la cuenta de resultados.
¿Cómo inicia un empresario de mediana empresa un proyecto de IA correctamente?
Primero, nombrar el proceso más costoso y recurrente y medir su duración actual. Luego elegir una solución especializada esperada, en lugar de construirse uno mismo. Solo después introducir la herramienta y mantener el efecto frente a la medición inicial.
Recomendaciones de lectura de la redacción
Más de la red MBF Media
Fuente de la imagen: Generada por IA (junio de 2026)
