El 95% de los proyectos de inteligencia artificial no genera retorno

   Así lo revela el informe "The GenAI Divide: State of AI in Business 2025", elaborado por la iniciativa NANDA del Massachusetts Institute of Technology. La cifra resulta aún más impactante cuando se considera el volumen de inversión involucrado: las empresas destinaron entre u$s 30.000 y 40.000 millones hasta el momento a iniciativas de IA a nivel global. Solo el 5% restante de los proyectos logra escalar más allá de la fase piloto y entregar valor económico tangible.

   Pero lo más revelador del estudio no es el número en sí mismo, sino su diagnóstico: la causa principal del fracaso no es tecnológica, sino organizacional.

La brecha invisible

   El informe del MIT identifica una "brecha de aprendizaje" (learning gap): la incapacidad de las empresas para integrar los modelos de IA en sus flujos de trabajo, estructuras y culturas existentes. Muchas organizaciones quedan atrapadas en herramientas genéricas que lucen bien en demostraciones pero resultan "frágiles" cuando se aplican a procesos operativos reales.

   "No es que no sepan usar IA —explica un análisis del sector—. Es que no saben formular el problema que quieren resolver". La pregunta que debería hacerse antes de escribir una línea de código es: ¿qué decisión se quiere mejorar, quién la toma hoy y qué información le falta?

Cinco fricciones que bloquean el retorno

   Quienes implementan soluciones de datos en organizaciones de toda la región identifican con preocupante regularidad cinco obstáculos que se repiten una y otra vez:

1. Foco equivocado. Muchas empresas tratan la IA como una palanca de reducción de costos, cuando la oportunidad real está en la expansión de margen y la generación de nuevos flujos de ingreso. La eficiencia es necesaria, pero no suficiente.
2. Falta de profundidad. El ruido alrededor de los grandes modelos de lenguaje de propósito general oscurece algo estructural: en sectores como energía, agro o salud, el diferencial competitivo no lo da el modelo base, sino la capa de dominio que se construye sobre él. Sin esa capa, el modelo es genérico. Y lo genérico no compite.
3. Gobernanza ausente. Sin arquitecturas auditables y soberanía de datos, la adopción a escala es inviable. No es un problema técnico: es un problema de confianza institucional. Las organizaciones que no resuelven esto primero terminan construyendo sobre arena.
4. Problemas organizacionales. Implementar IA implica rediseñar procesos de decisión y estructuras de roles. Las empresas que lo tratan como un proyecto de TI fracasan más rápido que las que lo abordan como un cambio en el modelo operativo. La diferencia no es sutil: es la diferencia entre un piloto que muere en seis meses y una capacidad que escala.
5. Carencia metodológica. Hay mucha experimentación y muy pocos marcos de trabajo que conecten los pilotos con resultados medibles de negocio. Se generan prototipos, se presentan demostraciones, se consiguen aplausos internos. Y después, silencio.

La causa raíz: cultura, no código

   Detrás de estas cinco fricciones hay una causa común que pocas organizaciones están dispuestas a mirar de frente: la ausencia de una cultura de innovación real.

   No cultura como declaración de valores en una intranet, sino como práctica operativa. Aquella donde el liderazgo habilita la experimentación sin castigar el error; donde el aprendizaje continuo es una inversión presupuestada y no un beneficio opcional; donde la colaboración entre disciplinas es el mecanismo por defecto para resolver problemas complejos.

   Esto importa más de lo que parece, porque la creatividad que necesita la IA para generar valor no viene de los modelos: viene de las personas que los operan y de los entornos que las organizaciones construyen para que esas personas piensen distinto. Sin eso, cualquier marco metodológico opera en el vacío.

Qué hace diferente al 5% que sí tiene éxito

   Los proyectos que logran superar la brecha y generar retorno comparten características específicas:

• Integración en flujos de trabajo: la IA se incorpora directamente en procesos operativos críticos, en lugar de ser una herramienta aislada.
• Enfoque en back-office: el mayor retorno de inversión no se ha encontrado en ventas o marketing (donde se gasta más de la mitad del presupuesto), sino en la automatización de tareas administrativas y operativas internas.
• Liderazgo y gobernanza: los proyectos exitosos cuentan con una clara definición del problema a resolver y fases exhaustivas de preparación de datos antes del despliegue.

América Latina: talento sin método

   En la región, el diagnóstico adquiere matices particulares. Argentina y Latinoamérica tienen talento técnico, casos de uso identificados y acceso a infraestructura. Pero falta algo más difícil de construir: el método para pasar de la idea vaga a una iniciativa validada y cuantificada.

  La tecnología está lista. Los casos de uso están claros. Lo que falta es el método para pasar de la idea vaga a una iniciativa validada y cuantificada. Eso no se resuelve con un nuevo modelo. Se resuelve con rigor, con proceso y con organizaciones dispuestas a cambiar la forma en que toman decisiones.

Conclusión: la pregunta clave

   El MIT advierte que esta "brecha de la IA generativa" no es permanente, pero cruzarla requiere que los líderes empresariales dejen de tratar la IA como un experimento tecnológico aislado. Para obtener retorno, las empresas deben rediseñar sus procesos, invertir en la calidad de sus datos y centrarse en resolver problemas operativos concretos en lugar de perseguir la novedad tecnológica por sí misma.

   El problema más común no es que las organizaciones no sepan usar IA. Es que no saben formular el problema que quieren resolver. Y sin esa respuesta, cualquier solución técnica es una respuesta a una pregunta que nadie hizo.

   No es un problema tecnológico. Nunca lo fue.