Por Filipe Cotait, CEO de Stefanini Data & Analytics
La inteligencia artificial ya ha demostrado que funciona. Empresas de distintos sectores acumulan pruebas de concepto capaces de automatizar tareas, analizar grandes volúmenes de información, respaldar la toma de decisiones y transformar procesos que, hasta hace poco, dependían casi exclusivamente de la intervención humana. El desafío surge cuando estas iniciativas necesitan salir del entorno controlado del piloto y pasar a formar parte de la operación.
Es en ese momento cuando una diferencia importante se hace más evidente: una demostración exitosa comprueba que determinada aplicación es técnicamente posible, pero no significa necesariamente que sea económicamente viable, segura o capaz de funcionar a escala.
Las cifras ayudan a dimensionar esta brecha. Según el estudio State of AI in Business 2025, del MIT (Instituto Tecnológico de Massachusetts), el 95 % de los pilotos de inteligencia artificial generativa no generan un impacto medible en el P&L (Profit and Loss – Pérdidas y Ganancias) . Por su parte, un estudio global de madurez en IA de IDC (International Data Corporation), de 2026, señala que el 54 % de las pruebas de concepto nunca llegan a producción.
La cuestión, por tanto, ya no parece radicar en la capacidad de las empresas para experimentar con nuevas aplicaciones, sino en las condiciones con las que cuentan para transformar esos experimentos en operaciones capaces de producir resultados consistentes para el negocio.
Durante los últimos años, buena parte de la carrera por la inteligencia artificial tuvo como prioridad la velocidad de adopción. Había que probar modelos, desarrollar casos de uso y demostrar rápidamente el potencial de la tecnología. Esta etapa fue importante para el aprendizaje de las organizaciones, pero también produjo un efecto colateral: muchas empresas comenzaron a acumular pilotos sin establecer criterios claros para decidir cuáles de ellos debían avanzar.
El resultado es lo que podemos llamar el piloto eterno: una iniciativa que funciona, despierta interés y demuestra una posibilidad técnica, pero que no encuentra las condiciones necesarias para convertirse en un resultado recurrente para el negocio.
Un estudio de RAND Corporation ayuda a entender por qué: el 84 % de las fallas en proyectos de inteligencia artificial tienen causas organizacionales, no técnicas. Este dato cambia la perspectiva sobre el problema porque, si la mayoría de las iniciativas no fracasan debido a la incapacidad del modelo para ejecutar una determinada tarea, invertir únicamente en la evolución de la tecnología difícilmente resolverá la cuestión.
En muchos casos, el problema comienza incluso antes del primer desarrollo. Los proyectos se ponen en marcha sin un responsable claramente definido dentro del negocio y sin una métrica financiera establecida, mientras que los datos y las integraciones solo entran en la discusión después de la demostración. La seguridad, la privacidad y la gobernanza aparecen cuando la solución está a punto de pasar a producción, y el costo por transacción, relativamente bajo durante un piloto, solo revela su verdadero peso cuando la aplicación comienza a gestionar miles o millones de interacciones.
Así es como un piloto aparentemente económico puede convertirse en una operación costosa, con una estructura que no fue preparada para sostener el crecimiento de su uso.
Por eso, los criterios utilizados para evaluar las iniciativas de inteligencia artificial deben cambiar. La viabilidad técnica sigue siendo importante, pero no puede representar el principal criterio de éxito. Antes de preguntarse si un determinado caso de uso funciona, las empresas deben definir qué resultado pretenden modificar, quién será responsable de ese resultado y qué indicadores permitirán evaluar el impacto alcanzado.
En este contexto, el P&L pasa a formar parte de la propia arquitectura de la iniciativa, no como un cálculo que se realiza al final del proyecto, sino como un criterio establecido desde el principio para determinar si ese caso de uso reúne las condiciones reales para avanzar.
La misma lógica se aplica al costo y a la gobernanza. Si una aplicación tendrá que operar miles de veces al día, conocer su costo unitario antes de escalar deja de ser una discusión exclusivamente financiera y pasa a formar parte de la propia decisión tecnológica. Del mismo modo, la seguridad, la privacidad, la auditoría y el riesgo no pueden aparecer únicamente en el momento de pasar a producción, sino que deben formar parte del diseño de la solución desde el inicio.
Hay, además, un cambio menos evidente en este proceso. Escalar la inteligencia artificial exige abandonar la lógica tradicional de un proyecto con principio, desarrollo y fin porque, cuando un modelo pasa a formar parte de la operación, su desempeño depende de un seguimiento constante. Los datos cambian, los patrones de comportamiento se modifican, los costos varían y la calidad de las respuestas puede deteriorarse con el tiempo, lo que convierte el monitoreo, el reentrenamiento y la mejora continua en componentes permanentes de la operación.
Esto también exige que las empresas acepten que no todos los pilotos tienen que llegar a escala. Parte de la madurez en inteligencia artificial reside precisamente en la capacidad de detener aquellas iniciativas que no demuestran un retorno suficiente y dirigir los recursos hacia las que presentan condiciones concretas para producir un impacto medible. Una prueba de concepto exitosa demuestra una posibilidad, pero no debe representar una autorización automática para ampliar la inversión.
A medida que los modelos se vuelven más accesibles y la experimentación se simplifica, esta capacidad de elección tenderá a adquirir mayor importancia. La ventaja competitiva no estará en la cantidad de pilotos que una organización sea capaz de poner en marcha, sino en la disciplina para seleccionar qué casos tienen sentido, establecer métricas desde el inicio y crear una estructura capaz de transformar la tecnología en resultados recurrentes.
La próxima fase de la inteligencia artificial en las empresas, por tanto, quizá tenga menos que ver con demostrar lo que la tecnología es capaz de hacer y más con construir las condiciones necesarias para que aquello que funciona también tenga sentido en el P&L.
