IA en empresas: por qué el 95% de los pilotos no impacta P&L

Por qué el 95% de los pilotos de IA no mueven el estado de resultados

La columna de opinión de La República parte de un contraste que ya es lugar común en LinkedIn: miles de profesionales presumiendo ahorros de tiempo con IA, y miles de empresas haciendo pilotos con herramientas como ChatGPT, Claude o copilots sectoriales. El problema no es la experimentación —es quedarse solo ahí. La gran conclusión del texto, apoyado en Boston Consulting Group (BCG), es que apenas 10% del valor de la inteligencia artificial reside en los algoritmos y que 70% depende de las personas y los procesos. La diferencia entre comprar una licencia y desplegar infraestructura organizacional es, según el autor, la línea que separa a las empresas que integran IA de las que solo experimentan con ella.

Ese número de BCG no es nuevo en el debate, pero cobra más fuerza cuando se cruza con un dato más reciente y mucho más crudo: el informe MIT NANDA "GenAI Divide: State of AI in Business 2025" estima que alrededor del 95% de los pilotos de IA generativa en empresas no producen un impacto medible en el estado de resultados. El reporte — basado en 150 entrevistas a líderes, 350 encuestas a empleados y un análisis de 300 despliegues públicos — culpa a la integración deficiente y a prioridades desalineadas, no a los modelos. En palabras del autor principal, Aditya Challapally, "las herramientas genéricas como ChatGPT son brillantes para individuos por su flexibilidad, pero se estancan en la empresa porque no aprenden ni se adaptan a los flujos de trabajo" (Fortune, vía Yahoo Finance).

El MIT también identificó dónde sí está el retorno: la mayor parte de los presupuestos de IA generativa se concentran en ventas y marketing, pero el ROI más fuerte aparece en la automatización del back-office, eliminando outsourcing, recortando agencias externas y agilizando operaciones. Es exactamente la lectura opuesta a la del ensayo de La República: los founders no deberían preguntar primero "¿qué herramienta compro?", sino "¿qué flujo de mi empresa quiero que la herramienta atraviese de punta a punta?".

🤖 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

Lo que dice el MIT sobre por qué fallan los pilotos

El reporte NANDA desmenuza los motivos del 95% de fracaso y deja al menos tres hallazgos accionables:

Comprar supera a construir internamente. Comprar IA a vendors especializados y asociarse rinde alrededor del 67% del tiempo; los desarrollos internos lo logran apenas un tercio de esa tasa. Los grandes bancos y aseguradoras que en 2025 se lanzaron a construir sus propios modelos generativos aparecen entre los que más tropiezan.
Los line managers, no el laboratorio central, mandan. Las organizaciones que dan poder a gerencias de área para empujar la adopción convierten el doble que las que centralizan la decisión en un AI Lab.
Las herramientas deben aprender del cliente. Las que mejor funcionan son las que se adaptan a flujos y datos propios; las genéricas fuera de contexto se quedan en demos.

Hay un cuarto elemento, menos técnico, igual de decisivo: la "shadow AI", el uso no autorizado de ChatGPT y similares por empleados que ya están adoptando la tecnología aunque la empresa no haya movido un dedo. Si la organización no canaliza esa energía hacia un despliegue formal, el piloto formal nunca alcanza masa crítica.

El "cómo" importa más que el "qué": el caso de las constructoras y Vuun AI

El artículo de La República aterriza la discusión con un ejemplo local: Vuun AI, una empresa de inteligencia artificial que automatiza la venta de vivienda nueva en Colombia. Su observación de campo es que hay dos tipos de constructoras:

Las que compran el software para "agilizar un aspecto puntual" —un agente de voz, un chatbot de WhatsApp, un calificador de leads.
Las que montan equipos interdisciplinarios alrededor del producto: integran el agente al CRM, entrenan al modelo con los mejores vendedores, filtran leads por probabilidad de compra y agendan reuniones para que la fuerza de ventas cierre, que es la parte del proceso donde la interacción humana tiene más valor agregado.

Es la diferencia entre ver a la IA como accesorio o como infraestructura. La herramienta puede ser la misma en ambos casos; lo que cambia es la capacidad de la organización para capitalizarla.

El texto cierra invocando a las investigadoras Susan Leigh Star y Karen Ruhleder, que en 1996 plantearon que la infraestructura no es un objeto estático sino una relación que surge en la práctica. La consecuencia directa: la IA empresarial es cocreación entre el cliente y quien provee la tecnología. Ni "usted es el experto, hágalo como quiera" ni "el cliente soy yo y lo quiero así". El punto medio es el único donde la infraestructura realmente se vuelve infraestructura.

Microsoft, AWS, OpenAI y Anthropic se juegan US$9.000M en "ingenieros embedded"

Si la integración es el cuello de botella, la industria lleva ocho semanas moviéndose en la misma dirección: embeberse físicamente en el cliente. El caso más reciente y grande es Microsoft Frontier Company, anunciada el 2 de julio de 2026 con 6.000 ingenieros, especialistas de industria y consultores trabajando dentro de empresas cliente y un compromiso de US$2.500 millones (TechTimes). No es una entidad legal separada, pero sí una unidad con "responsabilidad financiera propia", según Microsoft. Su presidente, Rodrigo Kede Lima, viene de liderar transformaciones enterprise en Américas y Asia durante seis años.

El movimiento no es exclusivo de Microsoft. En las últimas ocho semanas los cuatro grandes hyperscalers y laboratorios hicieron lo mismo:

OpenAI lanzó en mayo su Deployment Company como entidad autónoma controlada por ella misma pero respaldada con más de US$4.000 millones liderados por TPG.
Anthropic formó ese mismo mes una venture de US$1.500 millones con Goldman Sachs, Blackstone y Hellman & Friedman para meter ingenieros dentro de empresas medianas, empezando por las propias firmas de su portafolio.
AWS anunció el 30 de junio su iniciativa interna de US$1.000 millones.

La práctica tiene nombre: forward-deployed engineering (ingeniería desplegada en cliente), un modelo que inventó Palantir a principios de los 2010 para clientes de inteligencia cuyos requisitos no podían compartirse por canales normales de discovery de producto. La versión de AWS adopta una forma técnica concreta: una capa semántica instalada en la cuenta AWS del cliente que abstrae bases de datos legadas, ERPs y APIs externos y alimenta un grafo de conocimiento versionado sobre el que razonan los agentes sin que los datos salgan del entorno del cliente. Los engagements corren en sprints de 45 días con equipos de cinco o seis ingenieros.

El CEO de Microsoft, Satya Nadella, lo expuso en un ensayo del 14 de junio que llegó a más de 60 millones de vistas: los modelos foundation se están volviendo intercambiables demasiado rápido como para que un proveedor se diferencie solo por su modelo. "El verdadero diferenciador —concluyen los cuatro— es ser dueño de la relación de despliegue: el equipo que está parado en el edificio del cliente cuando la IA finalmente funciona captura la confianza organizacional, el acceso a datos y el conocimiento institucional de qué falló antes de que funcionara" (TechTimes).

¿Qué significa esto para tu startup?

El veredicto del MIT es claro y replicado por BCG: el algoritmo es la parte fácil. La parte difícil —integrar datos legados, mapear workflows reales, alinear incentivos de equipo, medir ROI— es donde el 95% se queda. Para un founder hispanohablante, eso redefine qué vender y cómo crecer:

Vende despliegue, no herramienta. Si tu startup construye IA, deja de medir éxito por licencias vendidas y empieza a medirlo por workflows atravesados de punta a punta en un cliente. El reporte NANDA muestra que los modelos de "compra + partnership" ganan el doble de veces que los "build interno" del cliente. Tu margen está en ser quien se queda hasta que el KPI del cliente se mueve, no en cerrar el trimestre y migrar al siguiente POC.
Mide el "learning gap", no la demo. Pregúntate antes de firmar un contrato: ¿la herramienta aprende del cliente o se queda genérica? ¿Quién dentro de la empresa cliente es el line manager con poder de empujar la adopción? Si esas dos respuestas no existen, el piloto tiene 19 de 20 chances de sumarse al 95% que no impacta P&L.
Negocia portabilidad antes de que el embedded engineer sea load-bearing. El aviso de Lane Shelton (Directions on Microsoft) aplica para cualquier cliente enterprise que reciba ingenieros de un hyperscaler: "El despliegue gratis es el costo de adquisición; los medidores de consumo son el payback. Corramos esta jugada antes de la próxima renovación, no después". Antes de que un sistema quede crítico, exigir documentación de arquitectura, compromisos de portabilidad de datos e independencia de infraestructura —incluso cuando el proveedor jure multi-modelo.
Aprovecha que la IA generativa es "low-hanging" en back-office. El MIT encontró el ROI más fuerte en eliminar BPO, recortar agencias externas y automatizar operaciones internas — no en marketing. Para founders con productos B2B operativos (facturación, conciliaciones, soporte, procurement), hay un mercado subatendido esperando a quien le ofrezca resultados de P&L, no demos.

El mensaje final es idéntico al del artículo de La República, pero con cifras globales: la IA se gana donde la gente la opera, no donde la herramienta se instala. Las cuatro grandes tecnológicas están dispuestas a gastar US$9.000M y a poner a sus ingenieros dentro de tu empresa para probarlo. La pregunta para cada founder es si va a esperar a que el hyperscaler llegue a su puerta o si va a construir esa capacidad antes.