Por qué ocho de cada diez empresas se quedan en el piloto
Solo el 14% de las empresas de la lista Global 2000 ha logrado escalar la IA con éxito. Lo revela una encuesta de Infosys y HFS Research a más de 500 compañías que cita Satinder Pal Singh, vicepresidente adjunto para Norteamérica de SAP Business AI Platform y Estrategia de IA de SAP en Infosys, en una conversación de Business Lab publicada por MIT Technology Review. El 86% restante sigue en exploración temprana, pruebas de concepto o pilotos fragmentados.
Thorsten Leiduck, vicepresidente sénior y responsable global de SAP Business AI Platform Ecosystem, señala la raíz: demasiados programas arrancan como pruebas de concepto aisladas, con tecnologías dispares y sobre una base de datos fragmentada. Eso produce duplicidades, rendimiento desigual y ninguna vía clara para escalar. Un informe de BCG citado por Leiduck cifra el atasco: el 74% de las organizaciones sigue en fase piloto sin plan de escalado. Una encuesta de Anthropic mencionada en la misma conversación apunta a otro cuello de botella: el 42% no consigue acceder a datos con la calidad necesaria para llevar la IA a toda la organización.
Qué es la trampa de «la IA como departamento»
Singh describe un patrón que se repite: la empresa crea un equipo de IA o un centro de excelencia y lo aísla del negocio. Ese equipo produce pilotos técnicamente excelentes que nadie en la operación reconoce como suyos. El resultado son «soluciones de IA en busca de problemas» en lugar de lo contrario.
Leíste lo que hace la IA. ¿Y en tu negocio?
Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →El cambio de mentalidad que propone es concreto: dejar de tratar la IA como una iniciativa tecnológica y gestionarla como una transformación del modelo operativo. La IA deja de ser algo que TI hace para el negocio y pasa a ser algo que toda la organización hace en conjunto, función por función y flujo por flujo.
El costo de la demora no es simbólico. Singh lo plantea como una ventaja estructural acumulativa: 18 meses de datos sobre el comportamiento real de agentes, un grafo de conocimiento calibrado con el negocio y un equipo que interiorizó la IA no se compran después. El Índice de Madurez en IA del Infosys Knowledge Institute refuerza el argumento: solo el 8% de las empresas se considera nativa de IA hoy, y ese grupo reporta una contribución a los ingresos atribuible a la IA cuatro veces superior a la de los rezagados.
Cómo decidir qué caso de uso merece inversión
Infosys guía a sus clientes con tres prismas que se evalúan al mismo tiempo, según Singh:
- Impacto: ¿el agente mueve las cifras que importan —ingresos, costos, riesgo de capital de trabajo? La firma trabaja con una biblioteca de más de 300 casos de uso empresariales por sector, así que el punto de partida no es una hoja en blanco.
- Viabilidad: con tu infraestructura de datos y tu talento actuales, ¿qué casos de alto impacto puedes ejecutar de verdad? Un caso de gran impacto sobre datos deficientes no es viable, y la viabilidad es la que ordena la secuencia de trabajo.
- Escalabilidad: una vez demostrado el caso con métricas claras de ROI, ¿qué arquitectura permite replicarlo? «Un piloto que no puede escalar no es más que un experimento», resume Singh.
Leiduck agrega un filtro que muchos equipos saltan: no toda tarea justifica un agente, porque en algunos procesos el trabajo humano sigue siendo más barato o más eficaz. Su recomendación es empezar con un conjunto reducido de casos de alto valor y con métricas de éxito fijadas de antemano —reducción del tiempo de ciclo, mejoras de precisión, coste por transacción o aumento de ingresos— y escalar solo lo que funcione. Singh lo traduce a gestión de cartera: logros rápidos que financien el programa, apuestas a medio plazo y una o dos posiciones audaces a largo plazo.
Datos primero: la capa semántica que ancla a los agentes
Leiduck es tajante: «la IA depende por completo de los cimientos de los datos». Antes de desplegar agentes en toda la empresa hace falta una capa de datos interconectada y semánticamente enriquecida que refleje el negocio real, para que los agentes se anclen en la realidad de la compañía y no en patrones genéricos.
En la arquitectura que describe —los tres pilares de SAP Business AI Platform— esa capa se apoya en un data fabric de extremo a extremo con acceso sin copias (zero-copy) a plataformas como Databricks o Snowflake, más un hub de IA generativa con más de 50 modelos integrados en un único panel de control. El contexto del negocio se traslada a un grafo de conocimiento específico de cada cliente que funciona como sistema de navegación para los agentes.
La consecuencia para un founder es contraintuitiva: el trabajo previo sobre datos no es burocracia, es la diferencia entre un agente que razona con la lógica de tu empresa y uno que improvisa con patrones genéricos.
Precisión: por qué el 80% es «pésimo» en un cierre contable
Leiduck introduce un matiz que suele pasarse por alto. En aplicaciones cotidianas —resúmenes de reuniones, borradores de correos, asistentes de viaje— un 80% de acierto «puede bastar», porque hay una persona que revisa. En cadena de suministro o cierre financiero, ese mismo 80% es, en sus palabras, «un resultado pésimo».
No midas a todos tus agentes con la misma vara: define de antemano el nivel de precisión aceptable según la consecuencia del error y no dejes que un agente escriba en sistemas financieros con el criterio con el que resume una llamada. Los datos del sector son incómodos: un estudio de Strand Partners encargado por AWS y recogido por Help Net Security encontró que más de la mitad de las pymes y grandes empresas europeas usa IA, pero solo el 24% tiene un enfoque documentado de uso responsable y apenas el 10% cuenta con una estrategia de gobernanza de datos.
Gobernanza: tu inventario de agentes es el nuevo shadow IT
La gobernanza no es un freno, es condición de escala. Lo dice Singh sin rodeos: «la ausencia de gobernanza no acelera la adopción de la IA, genera una acumulación de riesgos» que tarde o temprano fuerza una interrupción y una auditoría mucho más disruptivas. Los números lo respaldan.
El informe Reimagine 2026 de AWS, basado en entrevistas con 154 ejecutivos de 128 organizaciones en 23 industrias, describe el fenómeno así: directivos que pasaron años gestionando shadow IT ahora enfrentan shadow AI «a diez veces la escala». En la conferencia Ai4 2026, según el reporte de TechTimes, un caso de estudio mostró a un CIO que, al auditar sus plataformas cloud, descubrió más de diez veces la cantidad de agentes en producción que la dirección creía tener. Nadie sabía quién había construido la mayoría ni qué hacían. Una encuesta de Gartner de 2026 citada en esa misma cobertura proyecta que más del 40% de los proyectos de IA agéntica serán cancelados antes de fines de 2027 por costos crecientes, valor de negocio poco claro y controles de gobernanza insuficientes.
En la práctica, gobernar significa tener un registro de agentes, un registro de modelos y un control de accesos que defina qué agente puede tocar qué dato —el enfoque del SAP Agent Hub— y no descubrir el inventario el día de la auditoría.
Casos reales: qué cambia cuando el agente entra a producción
Un fabricante global diversificado con un entorno SAP amplio enfrentaba cierres de mes con más de 80 códigos de transacción, equipos trabajando noches y fines de semana y un soporte de primer nivel que absorbía más de 300 incidencias mensuales solo del ciclo de cierre. Singh detalla que se implementó un agente maestro coordinando cinco agentes especializados: devengos, reconocimiento de ingresos, liquidaciones intercompañía, conciliación de datos maestros y pistas de auditoría SOX. Los agentes operan de forma autónoma y solo escalan a personas las excepciones reales: se eliminó el nivel de soporte intermedio y las 300 incidencias mensuales pasaron a gestionarse sin intervención humana. La previsión de ahorro anual supera el millón de dólares.
En una empresa de servicios públicos de Estados Unidos en transformación hacia S/4HANA, la elaboración de documentos de especificaciones funcionales pasó de 86 horas a 6, una reducción del 92% validada en 51 tipos de tareas de SAP con una precisión del 95%. En otro cliente, una plataforma clasifica automáticamente más de 120.000 incidencias de SAP al mes sin costo de analistas. El efecto combinado, según Singh, es que el tiempo hasta obtener valor baja de entre 12 y 18 meses a entre cuatro y seis meses.
Qué significa esto para tu startup
No necesitas el presupuesto de una multinacional para copiar el enfoque, necesitas las mismas decisiones en miniatura:
- Haz el inventario antes de la auditoría. Lista cada agente y herramienta de IA en uso, con un responsable con nombre y apellido. El informe de AWS propone tratarlos como empleados en periodo de prueba: empezar con aprobación humana y ampliar la autonomía solo cuando demuestren fiabilidad.
- Define el nivel de precisión antes de automatizar. Para cada proceso, decide si un 80% de acierto es aceptable con revisión humana o si necesitas precisión total porque el error toca dinero, cumplimiento o clientes.
- Mide resultados, no adopción. Licencias activas y prompts enviados no dicen nada. Sigue correcciones humanas, transacciones fallidas, excepciones de flujo y accesos no autorizados: la cobertura de Help Net Security describe una organización que aparecía como 88% adoptada pero producía mejor trabajo en menos de una de cada 5.000 sesiones.
- Estima el costo por acción, no por licencia. Algunos proveedores ya cobran por uso: SAP descuenta unidades de IA prepagadas y Salesforce cobra USD 2 por cada resolución de su Help Agent, según el análisis de CustomerThink sobre SAP Connect. Calcula ese costo por transacción y compáralo con el costo humano actual antes de escalar.
Conclusión
La brecha no está en los modelos, está en los cimientos. Las empresas que escalan la IA —ese 14%, o el 8% que se declara nativo— no tienen mejores LLM: tienen datos gobernados, procesos definidos y una capa semántica que le explica al agente cómo funciona su negocio. El resto sigue coleccionando pilotos brillantes que la operación no reconoce.
Para un founder hay dos lecturas útiles. La primera: las plataformas ya venden contexto, gobernanza y orquestación en lugar de herramientas sueltas, así que el costo de entrada bajó. La segunda: el error clásico —la IA como departamento aislado— sigue siendo el más común y el más caro. Elegir un caso crítico, con métrica y dueño, y escalar solo después, sigue siendo la ruta más corta entre un piloto y un resultado que el negocio pueda auditar.
Fuentes
- Cómo desarrollar una IA capaz de operar en toda la empresa (fuente original)
- AI tests the limits of enterprise security governance — Help Net Security
- Ai4 2026 Closes: Enterprise CEOs Are Running 10x More AI Agents Than They Know — TechTimes
- SAP Connect 2026: The Autonomous Enterprise Clocks In — CustomerThink
- SAP expands Joule into an agentic work layer as Autonomous Enterprise goes live — SiliconANGLE
Leíste lo que hace la IA. ¿Y en tu negocio?
Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →













