La inteligencia artificial no falla, fallan los procesos que le entregamos

En 2024, una encuesta reveló que el 65% de las organizaciones globales ya usa inteligencia artificial generativa de forma regular en al menos una función de negocio. Eso representaba ya en aquél momento el doble que el año anterior. El número circuló como señal de adopción masiva. Pero lo que se desprende de esos mismos estudios es bastante más incómodo: solo el 30% de esas organizaciones reporta un impacto medible en sus resultados.

Esto es: hay un gap enorme entre “usamos IA” y “sabemos qué nos genera”. Este fenómeno tiene nombre en el mundo de la consultoría tecnológica: “pilot purgatory” (o Purgatorio de los Proyectos Piloto). Las organizaciones lanzan proyectos piloto de IA —un asistente de atención al cliente, un modelo de scoring crediticio, una herramienta de análisis de contratos— y los proyectos funcionan. En el piloto, los resultados generalmente son buenos. La demo convence al directorio. Y entonces el proyecto no escala. Queda en producción limitada, en un equipo, en un caso de uso que nunca se expande. Se estima que cerca del 40% de los proyectos de IA corporativos que superan la fase de prueba conceptual nunca llegan a un despliegue completo.

La inteligencia artificial no es el problema

El problema, casi siempre, es que nadie mapeó bien el proceso que la IA iba a mejorar antes de empezar. Se selecciona la herramienta, se negocia la licencia, se arma el equipo técnico. Y en algún momento alguien pregunta: “¿cuál es exactamente el proceso que estamos automatizando? ¿Quién es el dueño de ese proceso? ¿Qué mide hoy ese proceso, y cómo sabremos si mejoró?” Las respuestas suelen ser vagas. En muchos casos, el proceso ni siquiera está documentado. Automatizar un proceso mal definido con inteligencia artificial no lo mejora. Lo acelera en la dirección equivocada.

Hay una segunda instancia o estrato que agrava el problema: la gobernanza. Cuando hablamos de gobernanza de IA en una organización, no hablamos únicamente de cumplimiento regulatorio —aunque la presión normativa llegará, y más rápido de lo que las organizaciones de la región esperan. Hablamos de algo más básico: definir quién toma decisiones sobre los modelos que se despliegan, qué datos los alimentan, qué umbrales de error son aceptables, y quién responde cuando el modelo se equivoca. Sin ese marco, cada área de la organización termina adoptando sus propias herramientas de IA de forma independiente —lo que la industria llama Shadow AI— con criterios distintos, métricas distintas y sin visibilidad corporativa.

El resultado no es digitalización

El desafío de medir el retorno es quizás el más subestimado de los tres. Las organizaciones que llevan más tiempo trabajando con IA siguen reportando dificultades para articular el ROI con precisión. Parte del problema es conceptual: ¿Qué cuenta como retorno cuando se automatiza una tarea de análisis o clasificación? ¿El tiempo ahorrado? ¿La reducción de errores? ¿La capacidad liberada para trabajo de mayor valor? Cada respuesta requiere una línea de base —una medición de cómo estaba ese proceso antes de la IA— y en la mayoría de las organizaciones esa línea de base no existe. No porque nadie haya querido medirla. Porque el proyecto empezó antes de que alguien pensara en medirla. La secuencia correcta es la inversa a la que muchas organizaciones siguen hoy. Primero: mapear y evaluar el proceso que se quiere mejorar. Entender cuánto tarda, cuánto cuesta, cuántos errores produce, quién lo supervisa. Segundo: definir qué resultado se espera de la IA —no en términos tecnológicos, sino de negocio. Tercero: elegir la herramienta. En ese orden. La tecnología es la última decisión, no la primera.