Las empresas gastaron miles de millones en pilotos que no movieron una cifra del negocio. La causa no está en el modelo que eligieron.
En agosto de 2025 el MIT publicó un número que incomoda a cualquier directorio: el 95% de los pilotos de IA generativa en empresas no movió una sola cifra del estado de resultados. Entre 30 y 40 mil millones de dólares invertidos, y la mayoría de los proyectos quedó estancada antes de llegar a producción.
El titular se leyó como prueba de que la IA está sobrevendida. No es eso. El mismo estudio del MIT muestra dónde está el problema, y no es el modelo.
Adopción alta, resultado bajo
La paradoja del informe es directa. La tecnología ya entró a las empresas. Más del 80% de las organizaciones probó herramientas como ChatGPT o Copilot y cerca del 40% las desplegó. Pero apenas el 5% de los pilotos integrados generó valor económico real. El resto sumó actividad sin sumar resultado.
Es la diferencia entre tener IA y que la IA rinda. Una cosa pasó en casi todas las empresas. La otra, en muy pocas.
El estudio encontró también una desalineación en cómo se reparten los recursos. Mucho presupuesto va a pilotos visibles y vistosos, y poco a integrarlos donde el negocio gana o pierde plata de verdad. Se invierte en mostrar que se está usando IA, no en que la IA sirva.
El cuello de botella es organizacional, no técnico
El MIT lo nombró learning gap: la distancia entre tener un modelo capaz y meterlo dentro de los flujos, las estructuras y la cultura de la empresa. Las herramientas genéricas sirven al individuo porque son flexibles, pero se estancan en la organización porque no aprenden del proceso ni se adaptan a la operación diaria.
Gartner llega al mismo punto desde otro ángulo. Proyecta que más del 40% de los proyectos de IA agéntica se cancelarán antes de fines de 2027, por costos que escalan, valor de negocio poco claro y controles de riesgo insuficientes. Su diagnóstico es áspero: la mayoría son experimentos tempranos movidos por el ruido del momento y mal aplicados.
Hay un agravante de mercado. Gartner llama agent washing a la práctica de rebautizar como agente un chatbot viejo o una automatización de siempre, y estima que de los miles de proveedores que dicen ofrecer IA agéntica, cerca de 130 son reales. Buena parte de lo que se vende como agente no lo es. La empresa que compra apurada termina pagando un nombre nuevo por una herramienta vieja.
La barrera no es la capacidad del modelo. Es la falta de un proceso ordenado donde ese modelo trabaje.
Qué hace distinto al 5% que sí rinde
El autor principal del estudio del MIT lo resumió en una idea: las empresas que ganan eligen un punto de dolor, lo ejecutan bien y lo integran al flujo de quien usa la herramienta. No parten por la tecnología. Parten por el problema.
Un ejemplo del B2B chileno. Dos empresas con la misma molestia, cotizaciones lentas que demoran días y se traban en aprobaciones. La primera compra un agente que responde rápido sobre un catálogo desordenado y reglas de precio que viven en la cabeza de tres personas. El agente cotiza rápido y cotiza mal, y alguien tiene que revisar todo igual. La segunda primero ordena el catálogo, escribe las reglas de precio, define quién aprueba y en qué rango, y recién entonces pone el sistema encima. Mismo software, resultado opuesto. La diferencia no estuvo en la IA. Estuvo en lo que había debajo.
Poner IA sobre un proceso desordenado no acelera el negocio. Acelera el desorden.
El orden que sí funciona
Lo que separa al 5% no es una tecnología mejor. Es un método. Y el método tiene un orden que casi nadie respeta cuando hay entusiasmo de por medio.
Primero el diagnóstico. Qué tarea se repite todos los días, cuánto tiempo consume, dónde se traba el flujo, qué error se paga caro. Sin ese mapa, no hay proyecto, hay una corazonada con presupuesto.
Después, el conocimiento. Qué información necesita el sistema para decidir bien, dónde vive hoy, en qué estado está. Si vive en correos, planillas sueltas y en la memoria de la gente, ningún modelo la va a ordenar por ti. Eso es trabajo humano y va antes.
Recién entonces viene el diseño del sistema y, al final del todo, la elección de la tecnología. El modelo es la última decisión, no la primera. La mayoría de los proyectos que fracasan invirtió ese orden.
La ventana es ahora, el cómo decide quién gana
Nada de esto es un argumento contra la IA. La misma Gartner proyecta que para 2028 cerca del 15% de las decisiones rutinarias de trabajo se tomará de forma autónoma con agentes, desde un 0% en 2024, y que un tercio del software empresarial llevará capacidades agénticas integradas. La tecnología llega, y llega rápido.
Por eso el orden importa más, no menos. La diferencia entre la empresa que gana y la que cancela el proyecto no va a estar en quién compró primero. Va a estar en quién ordenó primero. La ventana está abierta hoy. Lo que defines ahora es si entras con un proceso listo o con el desorden de siempre, pero más caro.
Las preguntas antes de comprar tecnología
Si estás evaluando un proyecto de IA, responde estas tres cosas antes de mirar un solo modelo o plataforma.
- Qué proceso real quieres intervenir, y cuánto cuesta hoy en tiempo o en errores. Si no lo puedes nombrar con precisión, todavía no hay proyecto.
- Dónde vive el conocimiento que el sistema necesita, y en qué estado está. Disperso en correos y cabezas no le sirve a ningún modelo.
- Cómo vas a medir el resultado, con qué número, desde el primer día. Sin una métrica definida antes de partir, no vas a saber si el sistema rindió.
Si no tienes respuesta a las tres, el problema no es qué IA comprar. Es que el proceso todavía no está listo para que ninguna IA lo mejore.
La IA no define sola si una empresa rinde. Eso lo define la estructura sobre la que se monta. El 5% que ganó no tuvo mejor tecnología. Tuvo mejor proceso. La pregunta para tu empresa no es cuál es el mejor modelo del mercado. Es si tu operación está ordenada para que un modelo, el que sea, genere valor.
En NLACE trabajamos en ese orden. Antes de poner un modelo, diagnosticamos el proceso, ordenamos dónde vive el conocimiento y definimos con qué número se va a medir el resultado. La tecnología entra al final, cuando ya sabemos qué tiene que resolver. No vendemos un agente, diseñamos el sistema que hace que ese agente sirva. Si tu empresa está evaluando IA y prefiere partir por el proceso y no por la herramienta, conversemos.
