Gartner: 60% de proyectos IA fracasan por datos mal gestionados

El 60% de los proyectos de IA caerán por datos mal preparados, según Gartner

La advertencia es contundente: la consultora Gartner proyecta que las empresas abandonarán el 60% de sus proyectos de inteligencia artificial que no estén respaldados por bases de datos debidamente estructuradas y gobernadas, según recoge un análisis publicado por Forbes que cita el comunicado de prensa de la propia consultora del 26 de febrero de 2025. El mismo informe señala que el 63% de las organizaciones a nivel mundial aún no cuenta con prácticas adecuadas de gestión de datos para sostener iniciativas de IA. Para cualquier founder, la señal es clara: el cuello de botella no está en el modelo ni en la GPU, está en los datos de la propia empresa.

Por qué la IA fracasa cuando los datos están mal gestionados

Roxane Edjlali, senior director analyst en Gartner, lo resume en una frase: «Si los datos tienen problemas, los datos no están listos para IA». La ejecutiva describe el problema técnico con precisión operativa: «Las operaciones tradicionales de gestión de datos son demasiado lentas, demasiado estructuradas y demasiado rígidas para los equipos de IA», y añade que en la práctica convencional los usos de los datos están pobremente documentados y los datos viven en silos repartidos entre sistemas.

El problema no es nuevo, pero se está agudizando. La firma Epoch AI estima que el suministro de texto humano utilizable para entrenar modelos se agotará entre 2026 y 2032, con los datos de alta calidad como los primeros en escasear, según la cobertura de Forbes. En otras palabras, los grandes proveedores de modelos deberán reinventar su materia prima; las empresas que usan IA para tomar decisiones de negocio, en cambio, ni siquiera han empezado a ordenar la suya.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Filipe Cotait, CEO de Stefanini Data & Analytics, lo plantea en términos de velocidad competitiva: «La ventaja competitiva ya no depende únicamente del acceso a modelos avanzados de Inteligencia Artificial, sino de la rapidez y capacidad de las organizaciones para estructurar sus propios datos, conectar esa inteligencia con el contexto real de su negocio y ofrecer experiencias fluidas a los clientes», según recoge Revista Economía. La métrica dominante, según Cotait, ya no es el plan a cinco años sino el tiempo que una empresa tarda en probar, validar hipótesis y escalar una solución.

Cómo llega América Latina y el caso Perú

El diagnóstico global golpea con fuerza particular en mercados emergentes. Según el estudio «Talento Digital en el Perú 2023» del Banco Interamericano de Desarrollo (BID), citado por Revista Economía, el 37% de las empresas peruanas ya integró soluciones de IA en sus operaciones diarias, lo que ubica al país en el sexto lugar de Latinoamérica en nivel de implementación. La paradoja es evidente: se está adoptando una tecnología cuya materia prima —datos limpios, documentados, accesibles— todavía no está resuelta en la mayoría de los casos.

El «Future of Jobs Report 2025» del Foro Económico Mundial, también citado en la nota de Revista Economía, recoge que el 60% del sector empresarial coincide en que la cobertura digital marcará la pauta del cambio rumbo al 2030 y ubica a la ciberseguridad, la IA y la automatización como los ejes protagonistas de esa transición. En industrias altamente reguladas —banca, finanzas y seguros—, la presión por reestructurar arquitecturas de datos se vuelve todavía más urgente porque sobre ellas descansa la toma de decisiones en tiempo real.

Qué significa esto para tu startup

Si estás construyendo un producto SaaS, una fintech o un SaaS B2B, la pregunta que debés hacerte no es «qué modelo de IA uso» sino «qué datos tengo y en qué estado están». La predicción de Gartner implica que 6 de cada 10 proyectos de IA morirán antes de generar valor, no por falta de talento ni de presupuesto, sino por una base de datos que no soporta el caso de uso.

Esto cambia el orden de prioridades en la hoja de ruta: arreglar el data plumbing suele ser invisible para el cliente, pero es lo que separa a las empresas que escalan IA de las que presentan demos vistosas que nunca llegan a producción.

Dos acciones concretas que podés implementar este trimestre:

Hacé un inventario honesto de tus datos antes de comprar otra herramienta. Listá qué información tiene tu empresa, dónde vive, quién la puede acceder y desde cuándo se documenta. Si la respuesta es «está en hojas de cálculo de cinco personas distintas», tenés el 63% del problema encima y la IA va a amplificar el desorden en lugar de resolverlo.
Convertí el juicio de tu equipo en reglas explícitas. Cuando no hay datos suficientes, los fundadores toman decisiones por instinto. Ese instinto, codificado en reglas de negocio («no cotizamos por debajo de X margen», «estos tres indicadores predicen churn»), es la materia prima que un modelo sí puede usar. Como señala Adityo Prakash, CEO de Verseon, citado por Forbes: «Si la respuesta es no [no tenemos los datos para el problema], seleccionar un modelo más grande puede no resolver nada. Podés necesitar conocimiento de dominio, simulaciones, modelos de primeros principios o una arquitectura técnica completamente distinta».

De la automatización a la creación de valor

La propuesta operativa que comparte Stefanini a través de Revista Economía para evitar ese 60% de fracasos se resume en cuatro pilares: construir una base de datos sólida y gobernada; evolucionar de la automatización a la creación de valor con nuevos productos y canales; conectar la IA con el contexto propio del negocio en lugar de depender del algoritmo público; y capacitar al talento para la adaptabilidad continua. El último punto es clave: en mercados volátiles, planificar a tres o cinco años se volvió un ejercicio de ficción, y la velocidad de aprendizaje del equipo pesa más que la estrategia estática.

La conclusión para founders es incómoda pero accionable: la IA no va a compensar un desorden de datos preexistente. Mientras los grandes laboratorios compiten por superar el «data wall» que vaticina Epoch AI, una startup puede resolver el problema en una página, en una tarde, documentando lo que ya sabe. Esa es la frontera real entre las empresas que liderarán la economía digital y las que pagarán la factura del 60% de proyectos abandonados.