Por qué fracasan la mayoría de los proyectos de inteligencia artificial en las empresas

La mayoría de los proyectos de inteligencia artificial en empresas no llegan a dar resultado. El informe "The GenAI Divide: State of AI in Business 2025", del MIT (basado en 52 entrevistas a directivos, una encuesta a 153 líderes empresariales y el análisis de 300 despliegues públicos de IA), encontró que el 95% de los proyectos piloto de IA generativa no genera ningún impacto medible en los resultados, pese a una inversión conjunta estimada en 30.000-40.000 millones de dólares.

La razón no suele ser la tecnología en sí. La inteligencia artificial no piensa: ordena. Reconoce patrones en cantidades de información que ninguna persona podría revisar a tiempo, y devuelve una respuesta plausible según esos patrones. Es una herramienta, no algo que decide por sí sola, aunque en la conversación pública se la trate a veces como si lo hiciera.

La diferencia entre una empresa que saca partido real de la IA y otra que solo añade un chatbot decorativo a su web suele estar en haber entendido este límite antes de empezar. No es un problema de qué modelo se usa: una encuesta de Gartner a 782 responsables de infraestructura y operaciones, publicada en abril de 2026, encontró que el 73% de los proyectos de IA que fracasan no tenían, desde el principio, una definición acordada de qué significaba "éxito".

Por qué hay que entender el problema antes de elegir la herramienta

La pregunta que de verdad determina si un proyecto de IA aplicada funciona no es "qué modelo usamos", sino "qué proceso concreto nos hace perder horas cada semana, y por qué". Un asistente interno que responde dudas sobre catálogo solo funciona si antes alguien ha ordenado ese catálogo, ha decidido qué preguntas importan y ha aceptado que algunas respuestas seguirán necesitando a una persona detrás.

Cuando se salta ese paso, y se instala primero la herramienta y se piensa el proceso después, el resultado suele parecerse al que describe el informe del MIT: un sistema que funciona bien en la demostración pero no deja huella en los resultados. Contesta con seguridad cosas que no sabe, no distingue cuándo debería callarse, y genera más trabajo de revisión del que ahorra.

Cómo automatizar bien: primero el proceso, después la herramienta

Antes de conectar herramientas o entrenar un asistente conviene definir, aunque sea en un papel, el recorrido real de la información: de dónde viene un dato, quién lo usa, dónde se duplica, en qué paso se pierde tiempo sin necesidad. La automatización que funciona suele ser poco vistosa: un formulario que ya no hay que rellenar dos veces, un correo que se clasifica solo, una factura que se registra sin que nadie la teclee.

El propio informe del MIT señala que el mayor retorno no está en las herramientas de cara al cliente (donde se concentra más de la mitad del presupuesto de IA generativa en las empresas), sino en la automatización de procesos internos. La IA que genera titulares rara vez es la que más cambia el día a día de un negocio pequeño; suele cambiar más una automatización sencilla bien pensada que un asistente llamativo mal ajustado a la realidad de la empresa.

Qué parte del trabajo sigue siendo humana

Hay una parte del trabajo que sigue siendo terreno humano, y probablemente lo seguirá siendo durante mucho tiempo: decidir qué merece la pena resolver, qué riesgo es aceptable delegar en un sistema automático, y qué conversación con un cliente no debería depender de una respuesta generada. La tecnología ayuda a ejecutar mejor esa decisión, pero no la sustituye.

En CADA Partners empezamos casi siempre por ahí: por entender el problema antes de proponer la herramienta, y por acordar con quien nos contrata qué significaría exactamente que el proyecto funcione, antes de escribir una sola línea de código.