Gabriel Bertagnolli

IA en la empresa: dónde genera valor real y dónde es puro ruido (guía sin hype)

Inteligencia Artificial · · por

Serie: Decisiones que mueven la aguja — Artículo 6 de 10

Ninguna tecnología reciente presionó tanto a los directivos como la IA generativa. La presión no viene solo del mercado: viene de las reuniones, de los clientes que preguntan "¿ustedes ya usan IA?", del propio equipo que lee titulares sobre empresas que "transformaron todo". En ese clima, adoptar por miedo a quedarse afuera se volvió más común que adoptar por diagnóstico.

Los números disponibles dibujan un contraste que conviene leer completo antes de invertir un peso. Por un lado, la adopción es masiva: el 88% de las organizaciones declara usar IA en al menos una función de negocio según la encuesta global de McKinsey (McKinsey, The State of AI 2025). Por el otro, el impacto económico es esquivo: en esa misma encuesta, apenas el 39% de los encuestados reporta impacto en el EBIT a nivel de empresa (McKinsey, 2025). El informe de MIT NANDA lo puso en cifras más duras: pese a una inversión empresarial de entre US$30.000 y US$40.000 millones en IA generativa, el 95% de las organizaciones obtenía cero retorno medible (MIT NANDA, 2025; Fortune, 2025).

Esta guía existe para ese gap: la distancia entre "usar IA" (88%) y "ganar dinero con IA" (39% o menos). Vamos a recorrer dónde está el valor real, dónde está el ruido, y cómo decidirlo en tu empresa específica — sin hype en ninguna dirección.

El mapa del terreno: adopción alta, impacto concentrado

Tres datos ordenan el paisaje.

Primero: la mayoría de los pilotos no llega a producción. Gartner predijo que al menos el 30% de los proyectos de IA generativa sería abandonado después de la prueba de concepto hacia fines de 2025, por mala calidad de datos, controles de riesgo inadecuados o costos crecientes (Gartner, 2024). Su seguimiento posterior elevó esa estimación: al cierre de 2025, al menos el 50% de los proyectos de IA generativa habría sido abandonado tras el PoC (Gartner, 2026).

Segundo: el valor se concentra en pocas empresas — pero existe. El análisis de BCG encontró que solo el 4% de las compañías había generado valor significativo con IA, mientras un 22% había implementado una estrategia y construido capacidades avanzadas con algún valor (CFO Dive sobre BCG, 2024). Ese 4% no tiene mejor tecnología: tiene mejor implementación.

Tercero: el factor determinante no es el algoritmo. La regla 10-20-70 de BCG lo resume: del esfuerzo de una implementación de IA, el 10% va en los algoritmos, el 20% en la tecnología y los datos, y el 70% en personas, procesos y gestión del cambio (BCG, 2026). Si tu plan de IA reparte el esfuerzo al revés (90% en elegir modelo), ya sabés en qué cohort de estadísticas va a terminar.

Dónde genera valor real (y por qué)

1. Tareas de volumen, criterio y documentación — el corazón de la IA generativa

La IA generativa es, técnicamente, una máquina de producir y resumir texto y contenido con criterio humano de supervisión. Por eso el valor aparece primero donde hay volumen de escritura/lectura con estructura repetible: borradores de propuestas y cotizaciones, respuestas de primer nivel en atención al cliente, resúmenes de reuniones y de documentos largos, reescritura de contenidos para distintos formatos. El patrón de valor es consistente: la IA produce el borrador avanzado, el experto lo lleva al estándar de publicación, y el tiempo del experto se libera para el juicio, no para la mecanografía.

2. El proceso existente, no el proceso soñado

Las implementaciones que generan valor casi nunca "reinventan el negocio": insertan IA en un proceso que ya funciona y ya se mide. Si tu proceso de cotizaciones tarda 3 días y se mide, un asistente que lo lleve a 1 día es un caso de negocio. Si tu proceso comercial es un caos no documentado, la IA no lo va a ordenar: va a producir caos más rápido. (Este principio es el mismo que aplicamos a cualquier inversión tecnológica en el artículo sobre las 7 preguntas antes de invertir: primero el proceso y su métrica, después la herramienta.)

3. Data propia, disciplinada

El activo diferencial no es el modelo — es accesible para todos — sino los datos propios bien organizados: precios, clientes, historial de servicio, catálogo, tiempos. Las causas del abandono de proyectos que menciona Gartner (mala calidad de datos, entre otras) son la cara visible de esto. La pregunta de filtro es simple: ¿dónde están hoy tus datos operativos y qué tan limpios están? Si la respuesta es "en cinco planillas y el WhatsApp del equipo", tu proyecto de IA empieza por ordenar eso, no por contratar un modelo.

Dónde es puro ruido (los tres huecos de presupuesto clásicos)

  • El piloto eterno. El proyecto que "está en prueba" desde hace dos trimestres, sin criterios de éxito ni fecha de decisión. Con el 30–50% de los PoC de IA generativa siendo abandonados según Gartner (Gartner, 2024; Gartner, 2026), el piloto sin fecha de cierre no es una etapa: es la forma que toma el abandono antes de ser reconocido.
  • La adopción por presión competitiva. "La competencia ya usa IA" no es un caso de uso. Es la versión 2026 del objeto brillante, y produce exactamente ese 95% de retorno cero que midió MIT NANDA (MIT NANDA, 2025): herramientas contratadas, procesos intactos, nadie usándolas con criterio.
  • La búsqueda de disrupción total. El proyecto que va a "transformar la empresa" y por lo tanto toca todo a la vez, no se mide nada y depende de todos. El 70% de fracaso de las grandes transformaciones que documenta McKinsey (McKinsey) aplica con intereses a los proyectos de IA que se diseñan como misiones civilizatorias.

Guía funcional: por dónde entrar según el área

ÁreaCasos de uso de entrada (volumen + criterio)Métrica a moverSeñal de que NO es tu caso
Ventas / comercialBorradores de propuestas, seguimiento de leads, resumen de llamadasTiempo de respuesta y de generación de propuestasSi el proceso comercial no está definido ni se mide
Atención / operacionesRespuestas de primer nivel, base de conocimiento, resumen de ticketsTiempo de primera respuesta; casos resueltos en primer contactoSi no hay registro histórico de consultas
MarketingVersiones de contenidos, adaptación de campañas, investigación de mercado asistidaCosto por consulta calificada; tiempo de producción de contenidoSi no se mide el rendimiento de los canales actuales
Administración / finanzasConciliación asistida, extracción de datos de documentos, borradores de reportesHoras dedicadas a tareas repetitivasSi los datos fuente están dispersos y sin dueño

Regla transversal: un caso de uso por área, con métrica y dueño, antes de agregar el segundo. La disciplina del foco que recomendamos para herramientas y estrategias vale el doble en IA, donde la novedad es máxima y la tentación de coleccionar pilotos también.

Checklist de decisión: ¿es valor real o es ruido?

#Pregunta de filtroSi la respuesta es "no"...
1¿El proceso donde entra la IA ya existe, está documentado y se mide?Ordená el proceso primero; la IA no es un sustituto del diagnóstico
2¿Hay un dueño humano del resultado (calidad, errores, decisiones)?La IA sin dueño de calidad produce contenido sin accountability
3¿Tus datos propios del caso de uso están accesibles y razonablemente limpios?Empieza por organizar datos: es el 20% del esfuerzo que sostiene todo
4¿Definiste la métrica que debe mover y el horizonte (90 días)?Sin métrica ni horizonte, estás financiando un piloto eterno
5¿Reservaste el 70% del esfuerzo para personas y procesos, no para la herramienta?Rebalanceá: el algoritmo es el 10%, no el proyecto
6¿El piloto tiene fecha de decisión y criterio de abandono explícito?Ponelos hoy: los PoC sin cierre son la vía al 50% de abandono que mide Gartner

La lectura correcta del 95%

El dato de MIT NANDA se usa casi siempre como catastrofismo ("la IA no funciona"). Es la lectura equivocada. El mismo cuerpo de evidencia muestra que hay empresas generando valor real con IA — un 4% con valor significativo según BCG (CFO Dive, 2024), un 39% con impacto en EBIT según McKinsey (McKinsey, 2025) — y que la diferencia está en los factores que ninguna de esas cifras excluye: procesos medibles, datos ordenados, gente con criterio y foco de implementación. El 95% (MIT NANDA, 2025) no describe una tecnología que falla; describe una forma de adoptarla que falla. Esa forma tiene nombre (piloto eterno, adopción por FOMO, disrupción total) y tiene antídoto (caso de uso, métrica, dueño, fecha). La IA es la primera gran tecnología donde la ventaja competitiva no la da adoptarla — la da adoptarla bien.

Fuentes consultadas

  1. McKinsey & Company (2025). The State of AI: Global Survey 2025 (5 de noviembre de 2025). Consultado el 14 de octubre de 2026: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-2025
  2. MIT NANDA (2025). The GenAI Divide: State of AI in Business 2025. Consultado el 14 de octubre de 2026: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
  3. Fortune (2025). MIT report: 95% of generative AI pilots at companies are failing (18 de agosto de 2025). Consultado el 14 de octubre de 2026: https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo
  4. Gartner (2024). Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025 (comunicado, 29 de julio de 2024). Consultado el 14 de octubre de 2026: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025
  5. Gartner (2026). Why 50% of GenAI Projects Fail — And How to Beat the Odds. Consultado el 14 de octubre de 2026: https://www.gartner.com/en/articles/genai-project-failure
  6. CFO Dive (2024). Only 4% of companies reap full value from AI: BCG (24 de octubre de 2024). Consultado el 14 de octubre de 2026: https://www.cfodive.com/news/only-4-companies-reap-full-value-ai-bcg-artificial-intelligence/730982
  7. BCG (2026). The Formula for Agentic AI Value. Consultado el 14 de octubre de 2026: https://www.bcg.com/publications/2026/the-formula-for-agentic-ai-value