En los últimos meses circuló una cifra difícil de ignorar: el 95% de las iniciativas empresariales de inteligencia artificial generativa no estaría produciendo un impacto financiero medible.
El dato proviene de The GenAI Divide: State of AI in Business 2025, una investigación de Project NANDA del MIT.
Pero hay que leerlo con cuidado.
El estudio no dice que el 95% de los sistemas de inteligencia artificial no funcione técnicamente, ni que las personas no obtengan beneficios al utilizarlos. De hecho, encuentra una adopción amplia de herramientas de IA generativa.
Lo que señala es otra cosa: la gran mayoría de las iniciativas analizadas no logra traducir esa adopción en un impacto medible en el P&L —el estado de resultados— de la organización. Apenas un pequeño grupo consigue atravesar lo que los investigadores denominan el GenAI Divide: la distancia entre experimentar con inteligencia artificial y convertir esa experimentación en resultados económicos observables.
La distinción es importante.
- —Una herramienta puede funcionar.
- —Las personas pueden usarla.
- —Puede ahorrarles tiempo.
- —Puede mejorar un proceso.
Y, aun así, todo eso puede no traducirse todavía en una mejora observable en ingresos, costos o resultados financieros.
Entonces, antes de preguntarnos por qué tantas iniciativas de IA no consiguen producir esos resultados, vale la pena dar un paso atrás.
Porque el problema no empezó con la inteligencia artificial.
01/07Antes de la IA, la transformación digital
En 2025, VML publicó Unlocking the Power of Digital Transformation, una investigación realizada con más de 4.000 líderes empresariales de Estados Unidos, Reino Unido, Brasil, China, Alemania, India, México y Países Bajos.
El estudio encontró que el 37% de los proyectos de transformación digital fracasa.
Pero quizás sea más interesante observar qué sucede detrás de esa cifra.
El 64% de los proyectos comienza sin una hoja de ruta clara o un objetivo final definido.
Y el 83% de los encuestados considera que la transformación digital tiene tanto que ver con las personas como con la tecnología.
Es decir, antes de discutir qué tecnología utilizar aparecen preguntas bastante más elementales.
- —¿Qué queremos transformar?
- —¿Por qué?
- —¿Qué debería ser diferente después?
- —¿Quiénes tienen que cambiar su manera de trabajar?
- —¿Cómo esperamos que la tecnología produzca ese cambio?
- —¿Y cómo sabremos que está ocurriendo?
02/07Y antes de la transformación digital, los proyectos tecnológicos
Podemos retroceder todavía un poco más.
Hace más de una década, McKinsey y la Universidad de Oxford estudiaron más de 5.400 proyectos de tecnología de la información.
En los grandes proyectos analizados, los costos terminaron en promedio 45% por encima del presupuesto, los plazos un 7% por encima de lo previsto y el valor entregado fue 56% menor al esperado.
Los proyectos de software presentaban, además, el mayor riesgo de desviaciones de costos y plazos.
Otro estudio de Bent Flyvbjerg y Alexander Budzier analizó 1.471 proyectos de IT. El sobrecosto promedio fue del 27%, pero ese promedio escondía algo mucho más peligroso: uno de cada seis proyectos se convertía en un caso extremo, con un sobrecosto promedio del 200% y una demora cercana al 70%.
Entonces podemos mirar el problema en perspectiva:
Proyectos tecnológicos → Transformación digital → Inteligencia artificial.
Cambian las tecnologías.
Cambian los nombres.
Cambian las promesas.
Pero algunas dificultades parecen persistir.
Por eso, quizás la pregunta más interesante no sea solamente por qué tantas iniciativas de inteligencia artificial no consiguen generar impacto financiero.
Hay una pregunta anterior:
03/07¿Por qué sigue siendo tan difícil transformar organizaciones con tecnología?
Una posible respuesta es que muchas veces confundimos incorporar una tecnología con producir una transformación.
Comprar una plataforma no transforma una organización.
Desarrollar un software tampoco.
Incorporar inteligencia artificial, por sí sola, tampoco.
Hay transformación cuando algo relevante es diferente después de la intervención: un proceso requiere menos tiempo, disminuyen los errores, una persona desarrolla una nueva capacidad, una decisión se toma con mejor información, mejora la experiencia de un cliente, disminuyen los costos, aumentan los ingresos o aparece una nueva forma de producir valor.
La tecnología puede ser un componente fundamental.
Pero la transformación es el cambio que esperamos producir con ella.
04/07Necesitamos una tesis de transformación
Por eso, antes de empezar un proyecto tecnológico deberíamos poder formular con claridad una tesis de transformación.
En su forma más sencilla:
Si hacemos X, esperamos producir Y porque creemos que ocurrirá Z.
No se trata de producir un documento sofisticado. Se trata de ser capaces de responder algunas preguntas bastante concretas.
¿Qué queremos transformar?
No qué tecnología queremos implementar, sino qué proceso, capacidad, comportamiento o resultado queremos modificar.
"Implementar inteligencia artificial" no es todavía un objetivo de transformación.
Reducir los tiempos de respuesta, aumentar la capacidad de un equipo, mejorar una decisión o automatizar una tarea repetitiva sí pueden serlo.
¿Para quién?
¿Quién debería experimentar ese cambio?
Puede tratarse de clientes, trabajadores, equipos, proveedores, ciudadanos o de la propia organización.
La transformación debería poder observarse en alguien o en algo.
¿Cómo esperamos que ocurra?
Entre implementar una tecnología y obtener un resultado existe una cadena de cambios.
La tecnología tiene que funcionar.
Pero probablemente también tenga que integrarse con otros sistemas, incorporarse a un proceso, ser utilizada por personas, modificar comportamientos y desarrollar nuevas capacidades.
Hacer explícita esa cadena permite identificar los supuestos sobre los que descansa el proyecto.
¿Quién hace qué?
Una transformación rara vez depende exclusivamente del equipo tecnológico.
Hay componentes tecnológicos, pero también procesos que deben modificarse, datos que deben estar disponibles, personas que necesitan aprender nuevas formas de trabajo, decisiones que alguien debe tomar y responsables que deben coordinar cada parte.
Por eso necesitamos definir componentes, responsables y dependencias.
¿Cuánto esperamos cambiar?
También necesitamos definir qué magnitud de cambio justificaría la intervención.
- —¿Cuánto debería reducirse un tiempo?
- —¿Cuánto debería aumentar la productividad?
- —¿Cuántos usuarios deberían adoptar la solución?
- —¿Cuánto debería disminuir un costo?
- —¿En qué momento esperamos que esas mejoras comiencen a traducirse en resultados económicos?
Sin esa referencia es muy fácil declarar exitoso un proyecto porque "la herramienta funciona", aunque todavía no sepamos si produjo la transformación que justificaba la inversión.
05/07¿Cómo sabremos que vamos bien?
Esta puede ser la pregunta más importante.
No deberíamos esperar hasta el final de un proyecto para descubrir si nuestra tesis de transformación era correcta.
Necesitamos hitos.
Un hito no es simplemente una fecha en un cronograma. Es algo que debería haber ocurrido a determinada altura del proceso si nuestra tesis es correcta.
Supongamos que una organización incorpora un asistente de inteligencia artificial para atención al cliente.
Podríamos tener una secuencia como esta:
Semana 4: el prototipo resuelve correctamente un conjunto acotado de consultas.
Primera pregunta: ¿podemos hacerlo?
Semana 8: una proporción relevante del equipo lo utiliza regularmente.
Segunda pregunta: ¿las personas lo adoptan?
Semana 12: el sistema resuelve autónomamente una parte de las consultas reales.
Tercera pregunta: ¿está modificando efectivamente el proceso?
Semana 16: disminuye el tiempo medio de respuesta sin deteriorar la satisfacción del cliente.
Cuarta pregunta: ¿está mejorando el desempeño?
Más adelante podremos preguntar si esa mejora redujo costos, permitió atender más clientes, aumentó ingresos o produjo algún otro resultado financiero.
Ahí aparece algo importante para interpretar correctamente cifras como la del MIT.
Funcionar → ser adoptado → cambiar un proceso → mejorar el desempeño → producir impacto financiero.
No son lo mismo.
Y tampoco necesariamente ocurren al mismo tiempo.
06/07Una hoja de ruta no es solamente un cronograma
Vista de esta manera, una hoja de ruta deja de ser una lista de tareas con fechas de inicio y finalización.
Se convierte en una manera de poner a prueba nuestra tesis de transformación mientras avanzamos.
Podríamos representarlo así:
Tesis de transformación → Componentes → Responsables → Hoja de ruta → Hitos → Indicadores → Decisiones
Cada hito debería producir evidencia.
Y cada evidencia debería permitir tomar una decisión:
seguir, corregir, escalar o detener.
Esto reduce un riesgo bastante habitual en los proyectos tecnológicos: descubrir demasiado tarde que construimos correctamente algo que no estaba produciendo el cambio que necesitábamos.
La pregunta que debería acompañar todo el recorrido es sencilla:
¿Qué deberíamos estar viendo en el camino si nuestra tesis es correcta?
07/07El problema quizás no sea tan nuevo
La inteligencia artificial tiene desafíos propios y sería un error minimizar sus particularidades.
Pero también sería un error atribuirle todos los fracasos que ocurren alrededor de ella.
Décadas de proyectos de software, grandes implementaciones tecnológicas y programas de transformación digital muestran que las organizaciones ya tenían dificultades para convertir tecnología en resultados mucho antes de la actual ola de inteligencia artificial.
La IA quizás esté acelerando el proceso y haciendo mucho más visible un problema anterior.
Y si esto es así, mejores modelos no serán suficientes.
Necesitamos ser mejores definiendo qué queremos transformar, para quién, mediante qué mecanismo, quién será responsable, cuánto esperamos cambiar y qué deberíamos estar observando durante el camino para saber que vamos bien.
Porque implementar tecnología y transformar una organización con tecnología son dos cosas diferentes.
Y quizás buena parte del desafío empiece por aprender a distinguirlas.