Por qué el 95% de los proyectos de IA en pymes no dan resultados (y no es culpa de la tecnología)

Por qué el 95% de los proyectos de IA en pymes no dan resultados (y no es culpa de la tecnología)

Un estudio reciente del MIT analizó más de 300 implementaciones reales de inteligencia artificial en empresas. La conclusión principal es incómoda: el 95% de esos proyectos no generó retorno sobre la inversión.

Si estás evaluando si vale la pena incorporar IA a tu negocio, ese número merece atención. No para asustarte, sino para entender qué está pasando realmente antes de que te vendan algo que no va a funcionar.

Porque el problema no es la tecnología. El problema es cómo se implementa.

El modelo IA no falla. El proceso sí.

Esta distinción es importante. Cuando un proyecto de IA no da resultados, la reacción habitual es pensar que la herramienta era mala, que era muy cara, que "no era para nosotros". En la mayoría de los casos, eso es incorrecto.

Lo que falla no es el modelo de inteligencia artificial. Lo que falla es la forma en que las organizaciones innovan, integran y ajustan esas soluciones dentro de su operación diaria.

Dicho de otra manera: es un problema de proceso, no de tecnología.

Eso es una buena noticia. Los procesos se pueden mejorar. Pero primero hay que entender qué patrones llevan al fracaso. El informe del MIT identifica tres que se repiten constantemente.

Patrón 1: La IA ya está en tu empresa, pero nadie lo sabe

Esto suena raro, pero es muy común. El estudio encontró que mientras solo el 40% de las empresas tiene una suscripción oficial a alguna herramienta de IA, en más del 90% de las empresas los empleados ya están usando herramientas personales —ChatGPT, Claude, Gemini— para hacer su trabajo.

En Argentina esto no es diferente. El empleado de administración que le pide a ChatGPT que le corrija un correo. La vendedora que usa IA para armar una respuesta a un cliente difícil. El encargado de compras que le consulta a una IA cómo redactar una nota de pedido.

Lo hacen solos, con sus propias cuentas, sin que la empresa lo sepa ni lo supervise.

¿Es un problema? Depende de cómo lo mires. Si lo ignorás, perdés visibilidad sobre algo que ya está pasando en tu organización. Si lo aprovechás, tenés un punto de partida real: ya sabés quiénes son los que naturalmente adoptaron estas herramientas y qué tareas les resultaron útiles.

El error más frecuente es esperar a tener un "proyecto oficial de IA" antes de hacer algo. Mientras tanto, el uso informal crece sin ningún criterio, sin consistencia y sin que genere ningún valor medible para el negocio.

Patrón 2: La demo funciona perfecto. La realidad, no tanto.

El segundo patrón explica por qué los proyectos piloto de IA rara vez llegan a implementarse de verdad.

La historia es siempre parecida. Alguien —un empleado, un proveedor, un consultor— presenta una demostración impresionante de lo que puede hacer una herramienta de IA. Funciona bien, parece sencillo, genera entusiasmo. Se aprueba un piloto.

Y después, en el contacto con la operación real, el sistema se rompe.

¿Por qué? Porque el piloto se diseñó para un flujo de trabajo ideal, sin excepciones, sin interrupciones, sin los diez pasos informales que el equipo hace porque "siempre se hizo así". El flujo real de cualquier negocio tiene desvíos, aprobaciones que no están escritas en ningún lado, criterios que dependen de quién esté disponible ese día.

La herramienta de IA no aprendió nada de eso. No sabe lo que tu equipo corrigió ayer. No incorpora el juicio de tu mejor vendedor ni el criterio de tu encargada de operaciones. Repite los mismos errores porque nadie le enseñó cuáles son los errores.

A eso se suma otro problema: cuando el piloto falla o se estanca, nadie se hace cargo. Hay entusiasmo al inicio, pero no hay una persona concreta responsable de que funcione el lunes siguiente. Y sin responsable, no hay aprendizaje. Sin aprendizaje, no hay mejora.

¿Por qué es más difícil implementar IA internamente que con ayuda externa?

El mismo informe del MIT encontró que los proyectos de IA acompañados por consultores externos tienen el doble de probabilidades de llegar a una implementación completa que los que los equipos internos lideran solos.

No porque los equipos internos sean menos capaces. Sino porque enfrentan fuerzas que van en la dirección opuesta.

Un líder interno que impulsa un proyecto de IA asume un riesgo personal. Si el piloto funciona, bien. Si falla, quedó expuesto. Entonces lo más racional —desde el punto de vista de su carrera— es mantener el piloto prolijo, acotado y sin complicaciones. Lo cual significa: sin implementación real.

Además, los datos con los que se prueba un piloto casi nunca son los datos reales del negocio. Se usan versiones limpias, ordenadas, sin los casos excepcionales que aparecen todos los días en la operación. Cuando el sistema pasa a producción, se enfrenta a la realidad y no está preparado.

Y hay un tercer factor que pocas veces se nombra: los tiempos. Un piloto puede durar 30 o 60 días. Pero los procesos internos de aprobación —sistemas, seguridad, presupuesto— pueden llevar 90 o 180 días. Para cuando todo está alineado, el responsable del proyecto cambió de prioridades y el impulso se perdió.

Qué preguntar antes de arrancar con IA en tu empresa

Si estás evaluando incorporar IA a algún proceso de tu negocio, estas preguntas te van a ahorrar tiempo y plata:

1. ¿La herramienta vive donde vive el trabajo? No al lado de tus sistemas. Adentro. Si requiere que el equipo cambie de pantalla o abra otra aplicación, la adopción va a ser baja.

2. ¿Puede aprender de lo que pasa en tu negocio? Una herramienta de IA que no incorpora feedback real de tu operación va a repetir los mismos errores indefinidamente.

3. ¿Quién se hace cargo el lunes? No un comité. No "el área de sistemas". Una persona con nombre y apellido que tenga la responsabilidad concreta de que funcione.

4. ¿El piloto usa los datos reales de tu operación? Si se probó con datos de laboratorio, lo que viste en la demo no es lo que vas a ver en producción.

Ninguna de estas preguntas requiere conocimiento técnico. Son preguntas de gestión. Y si quien te quiere vender una solución de IA no tiene respuestas claras para todas ellas, es una señal de alerta.

En resumen

El 95% de los proyectos de IA no generan retorno no porque la tecnología sea mala. Es porque:

• Se ignora el uso informal que ya existe en la empresa y se empieza de cero

• Los pilotos se diseñan para flujos ideales que no existen en la operación real

• No hay una persona responsable del resultado day-to-day

• Los tiempos de prueba y los tiempos de aprobación interna no están alineados

La buena noticia es que ninguno de estos problemas es tecnológico. Son problemas de proceso, de criterio y de gestión. Y eso significa que tienen solución.

Pero esa solución empieza por hacer las preguntas correctas antes de comprometerse con nada.

Suscribite al Newslatter