Forbes Argentina publicó esta semana una nota sobre un dato que, si trabajás con IA todos los días como nosotros, no debería sorprender pero sí conviene tomarse en serio: el 95% de los proyectos piloto de inteligencia artificial en empresas no generan ningún retorno económico medible. Fuimos a la fuente original -un estudio del MIT Media Lab (Project NANDA) llamado "The GenAI Divide: State of AI in Business 2025"- para entender qué hay detrás del número, y el detalle es más útil que el titular.
El estudio se basa en 150 entrevistas a líderes de negocio, una encuesta a 350 empleados y el análisis de 300 implementaciones públicas de IA. La conclusión central: las empresas ya invirtieron entre 30 y 40 mil millones de dólares en IA generativa, y el 95% de esos pilotos no movió un solo número de la cuenta de resultados. No es un problema de adopción -la plata ya se gastó-, es un problema de qué se hizo con ella.
La brecha real no es entre "usar IA o no usarla"
El estudio la llama la "brecha de la IA generativa": un 5% de las empresas está extrayendo millones de dólares de valor real de sus proyectos de IA, mientras el otro 95% queda estancado sin impacto en el negocio. Y el dato que más nos llamó la atención es dónde se concentra el presupuesto versus dónde está el retorno: la mayoría de la plata va a pilotos de ventas y marketing -chatbots, generadores de contenido-, que es justamente donde el ROI medido resultó más bajo. La automatización de back-office -procesos internos, operaciones, tareas repetitivas de un equipo- es la que reduce costos reales y sí aparece en el balance, y es la que menos presupuesto recibe.
Ese dato no es un detalle técnico, es la explicación completa del fracaso: se está poniendo el dinero donde hay más ruido de marketing, no donde hay más cuello de botella real.
Comprar un socio vs. construir solo
Hay otro hallazgo del mismo estudio que, siendo honestos, nos toca de cerca como software factory: las empresas que compraron una herramienta especializada o se asociaron con un proveedor externo tuvieron una tasa de éxito cercana al 67%. Las que intentaron construir la solución completamente adentro, con equipo propio y sin experiencia previa en el problema, apenas llegaron a un tercio de esa tasa.
No lo leemos como "contraten proveedores porque sí". Lo leemos como lo que es: construir con IA no es solo escribir código sobre un modelo, es haber visto antes qué falla cuando un proceso real se automatiza mal, y eso se aprende equivocándose en otras empresas, no en la primera que lo intenta.
Nuestra lectura, después de hacer esto en serio
Ya lo dijimos en otra nota de este blog: el negocio nunca es "implementar IA", es resolver un cuello de botella. Este estudio del MIT confirma ese mismo diagnóstico con números concretos. Los proyectos que fracasan casi siempre comparten el mismo patrón: arrancan por un piloto genérico y vistoso en vez de por un problema puntual y medible, tratan la IA como una feature que se instala una vez y queda lista, y no tienen un equipo con la cancha para notar cuándo el proceso de fondo -no el modelo- es lo que está roto.
Los proyectos de IA que sí funcionan en nuestros propios casos comparten el patrón inverso: son estrechos, medibles y de back-office. El agente de Previnca por WhatsApp no intenta resolver "toda la atención al cliente", resuelve un flujo puntual. La automatización de assessment de riesgo que construimos para bancos con RiskRator no es un chatbot de ventas, es una tarea operativa concreta que antes hacía una persona a mano. Ninguno de los dos fue una demo para mostrar que "usamos IA": los dos se miden en horas ahorradas y en errores que ya no pasan.
Qué ajustaríamos, en concreto
Si tuviéramos que resumir en tres cambios lo que separa al 5% del 95%: elegir un solo problema puntual y medible en dinero antes de escribir una línea de código, en vez de un piloto ambicioso que suena bien en una presentación; medir el resultado en el balance desde el primer mes, no en cuántas personas "usaron" la herramienta; y tratar la implementación como una relación que se ajusta con el tiempo, no como un proyecto que se entrega y se abandona apenas funciona en la demo.
Nada de esto es nuevo ni es exclusivo de la IA -es lo mismo que separa a cualquier proyecto de software bien ejecutado de uno que no lo es-. Lo que cambió es que ahora hay un estudio del MIT con 300 casos reales confirmando que el atajo de "instalemos IA y veamos qué pasa" sale caro casi siempre.
Si tu empresa está evaluando un proyecto de IA y no querés ser parte de ese 95%, hablemos. Empezamos siempre por el mismo lugar: entender cuál es el cuello de botella real antes de decidir qué herramienta lo resuelve.
