El pinchazo de la IA en P&L corporativo: solo el 5% de pilotos factura

La promesa que no llegó al balance

En los comités de dirección se descorcha champán porque los equipos de marketing publican el triple con la mitad de recursos. Pero, como recuerda el consultor SEO José B. Moreno en su tribuna para Marketing Insider Review, nadie se detiene a auditar el P&L ni a verificar si ese volumen desmesurado mueve un solo euro en el pipeline de ventas. El resultado es una fábrica industrial de ruido sintético disfrazada de transformación digital.

La narrativa de la IA generativa como máquina de productividad barata lleva años instalada en los consejos de administración. Lo que muestran los datos es otra cosa: una adopción acelerada, sí, pero desconectada de la cuenta de resultados.

Las cifras que el comité de dirección no quiere ver

El MIT NANDA Initiative, en su informe The GenAI Divide: State of AI in Business 2025, aporta la métrica que debería helar la sangre a cualquier director financiero. Citado por Fortune, el estudio se basa en 150 entrevistas a líderes, una encuesta a 350 empleados y el análisis de 300 despliegues públicos de IA: apenas el 5% de los programas piloto de IA generativa consigue una aceleración neta de ingresos. El 95% restante encalla en pruebas piloto sin retorno medible en el P&L.

🤖 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

La causa, según el autor principal del informe, Aditya Challapally, no está en la calidad del modelo, sino en el learning gap —la brecha de aprendizaje— de las herramientas y de las propias organizaciones. Los directivos suelen culpar a la regulación o al rendimiento del modelo; la investigación apunta a una integración empresarial defectuosa.

En España, la foto macro confirma la estampida. Según la Encuesta sobre el uso de TIC en las empresas del INE, el uso de inteligencia artificial en organizaciones de diez o más empleados escaló hasta el 21,1%, con un salto interanual de casi nueve puntos porcentuales; en las grandes corporaciones la cifra supera el 58%. Pero al desglosar los casos de uso documentados por el ONTSI y la Fundación Cotec, el 44,7% de esa adopción se concentra en análisis y procesamiento de lenguaje escrito o minería de texto: la IA se ha usado para maquillar tareas documentales, no para reordenar la ingeniería de datos.

Moreno añade un dato adicional del Gartner: entre el 30% y el 50% de los proyectos de IA generativa son abandonados tras su fase piloto. La inviabilidad financiera de sostener costes crecientes de computación e indexación devuelve un retorno comercial nulo.

AI slop: el coste oculto de producir sin criterio

Cuando una compañía sustituye el pensamiento crítico por un modelo que promedia las respuestas de internet, su propuesta de valor queda anulada. Es el fenómeno que el sector denomina AI slop: textos homogéneos, insustanciales y predecibles que erosionan el posicionamiento diferencial de la marca.

La percepción pública lo penaliza. Audiencias de escucha social de Brand24 citadas por Moreno muestran que hasta un 48,1% de la audiencia expresa rechazo explícito hacia el contenido sintético de baja calidad, con picos de conversación negativa consolidada. Encuestas de Gartner añaden que el 50% de los usuarios prefiere marcas que prescinden de GenAI en mensajes y contenidos directos orientados al consumidor.

Para una startup, el mensaje es claro: producir más barato no es producir mejor. Cuando la marca suena idéntica a sus tres principales competidores porque todos ejecutan variaciones del mismo prompt, su pricing power se evapora.

Google y la purga del contenido a escala

Los motores de búsqueda también han movido ficha. Con la actualización de sus políticas contra el Scaled Content Abuse (abuso de contenido a escala), Google ejecutó una limpieza estructural para reducir el contenido no original de las SERPs. Search Engine Journal documenta un repunte agudo de acciones manuales por Scaled Content Abuse contra sitios que usan modelos de lenguaje de forma agresiva para atacar consultas hiper-específicas a escala o traducir masivamente sin supervisión editorial humana.

La raíz técnica, según el análisis, es que Google no tiene infraestructura infinita. Rastrear, renderizar e indexar la web cuesta enormes recursos de cómputo. Cuando un sitio introduce de golpe cientos o miles de URLs nuevas, Google evalúa tres ejes —perceived inventory, demanda real y popularidad del dominio— y, si la demanda no justifica el volumen, estrangula el crawl budget. Una URL que no recibe recrawls en 75–140 días enfrenta un riesgo alto de salir del índice.

Las señales que Google penaliza son claras:

Producción masiva de páginas que solo sustituyen un marcador («Best plumbing in [City]») sin utilidad localizada real.
Traducción automática sin localización de contexto, moneda, cultura ni intención de búsqueda.
Miles de artículos que simplemente resumen resultados existentes sin aportar información nueva.

Deuda técnica y silos ciegos: el motor desconectado

Moreno señala que el verdadero drama técnico no está en el front-end de redacción, sino en el back-end de datos. La mayoría de organizaciones operan con silos fragmentados: contenidos reporta impresiones en Search Console, paid mide clics en Ads, y ventas lidia con un CRM que no se comunica con ninguna de las dos plataformas.

Inyectar cientos de textos autogenerados en ese ecosistema desencadena una cascada de fallos:

Descalibración de Smart Bidding: el tráfico frío impacta audiencias de remarketing y ensucia señales de conversión, encareciendo el CPA.
Colapso de modelos de atribución multicanal: el volumen en la parte alta del funnel asigna pesos ficticios a puntos de contacto que jamás cerraron una venta B2B.
Destrucción del CRO: usuarios que llegan desde búsquedas específicas encuentran respuestas genéricas que no resuelven fricciones concretas.

Qué significa esto para tu startup

La conclusión del informe del MIT es tan incómoda como útil: el ROI más claro de la IA no está en marketing, sino en la automatización de back-office (externalización de procesos de negocio, costes de agencias externas y operaciones). Más de la mitad de los presupuestos generativos se destinan a ventas y marketing, pero es ahí donde fracasan más pilotos.

Para un founder, las acciones concretas son tres:

Audita tu data readiness antes de tocar un prompt. Si tu CRM, tu analítica y tus datos transaccionales no están limpios y conectados bidireccionalmente, cualquier piloto de IA будет medir clics, no ingresos. La ventaja competitiva reside en la exclusividad de tu first-party data, no en el modelo, que es universal y accesible para cualquier competidor.
Implanta Human-in-the-Loop senior. El cumplimiento del AI Act de la Unión Europea y la salvaguarda reputacional exigen supervisión experta. La IA puede acelerar la documentación; el diseño estructural, la validación metodológica y el matiz de trinchera deben venir de profesionales con trayectoria.
Mide cada euro invertido contra el P&L. Cada acción técnica —computación, indexación, optimización— debe responder a un cuello de botella del embudo, reducir el ciclo de venta o elevar el LTV. Cualquier métrica que no conecte con esos indicadores es cosmética digital.

Conclusión

La burbuja de la automatización barata se está desinflando en los balances de situación de las corporaciones más lúcidas. El mercado ha comprobado que delegar la visibilidad digital en motores automáticos sin dirección estratégica conduce al estancamiento técnico y al descrédito comercial. La tecnología es un amplificador formidable: amplifica la eficiencia de los sistemas sanos, pero también acelera la destrucción de los que ya estaban rotos por dentro.

La pregunta que Moreno deja en el aire es la que todo founder debería hacerse esta semana: ¿cuántas de las URLs generadas por tu equipo en los últimos seis meses han cerrado un solo contrato auditado en tu CRM, y cuánto te está costando realmente mantener encendida la maquinaria que las produce?