El 95% de los proyectos de IA fracasan: causas y soluciones

CAMBRIDGE, EE.UU. – Un estudio reciente del Instituto Tecnológico de Massachusetts (MIT) ha revelado que el 95% de los proyectos piloto de inteligencia artificial (IA) generativa en empresas no logran generar un impacto significativo en los ingresos. Este hallazgo, parte del informe The GenAI Divide: State of AI in Business 2025, destaca que el problema no radica en la calidad de los modelos de IA, sino en su implementación y adopción dentro de las organizaciones.

El concepto de learning gap se menciona como una de las principales causas de este fracaso. Este término se refiere tanto a la inadecuada integración de los modelos en los flujos de trabajo empresariales, como a la falta de capacitación del personal para utilizarlos de manera efectiva. Sin embargo, el informe señala que esta no es la única razón detrás del alto índice de fracaso.

Desafíos en la implementación de la IA

El estudio del MIT también subraya que muchas empresas intentan desarrollar internamente aplicaciones de IA complejas sin contar con el conocimiento técnico necesario. Esto a menudo resulta en implementaciones fallidas. En lugar de construir desde cero, el informe sugiere que podría ser más eficiente adquirir y adaptar modelos existentes para casos de uso específicos.

Además, el informe resalta el exceso de implementaciones de IA en áreas comerciales como marketing y ventas, cuando las mayores oportunidades de retorno de inversión se encuentran en la automatización de operaciones y la mejora de la eficiencia empresarial.

El papel de los líderes y la gobernanza

Otro problema identificado es la falta de involucramiento de los líderes de área en el desarrollo de soluciones de IA. Estos líderes, que mejor conocen los procesos del negocio, a menudo no participan en el desarrollo de estas soluciones. Por otro lado, también se observa el fenómeno de shadow IT, donde líderes proactivos desarrollan soluciones aisladas que no se integran con los sistemas centrales de la empresa.

Estas situaciones reflejan errores comunes desde el inicio de la transformación digital: subestimar la inversión en capacitación, no alinear las tecnologías con las necesidades del negocio y una gobernanza inadecuada de las iniciativas tecnológicas.

Ejemplos de éxito en la implementación de IA

No todas las empresas están fallando en sus intentos de integrar la IA. El informe del MIT menciona ejemplos de éxito, como el caso de una empresa especializada en análisis, inspección y certificación. Esta compañía ha implementado un programa para identificar tareas manuales y operativas en cada rol y área, empoderando a los empleados para automatizarlas.

En el área de Laboratorio, tres empleados identificaron más de una docena de tareas rutinarias que podían ser automatizadas, como la recepción y registro de muestras, categorización de fotos y notificaciones internas. Utilizando herramientas como Power Automate y Power Apps de Microsoft, lograron liberar miles de horas anuales.

“La automatización no es un enemigo, sino un superpoder que ellos mismos pueden dominar”, afirma el informe.

Este enfoque no solo empoderó a los empleados, sino que también permitió al área de Tecnología escalar procesos automatizados y asegurar su alineación con las necesidades del negocio. Como resultado, el equipo de Laboratorio ahora puede analizar más muestras por semana y concentrarse en tareas de mayor valor.

Mirando hacia el futuro

El informe del MIT sugiere que para mejorar la tasa de éxito de los proyectos de IA, las empresas deben centrarse en la capacitación continua, involucrar a los líderes de área desde el principio y asegurar que las implementaciones tecnológicas estén alineadas con las necesidades reales del negocio. Además, deben evitar la tentación de seguir modas tecnológicas sin una estrategia clara y bien gobernada.

En conclusión, aunque el camino hacia una implementación exitosa de la IA está lleno de desafíos, las empresas que logran superar estos obstáculos pueden obtener ventajas competitivas significativas. La clave está en aprender de los errores del pasado y adoptar un enfoque más estratégico y colaborativo hacia la tecnología.