El ochenta por ciento de los proyectos de IA no logran entregar el valor comercial previsto y, según un estudio del MIT en 2025, el 95% de los proyectos piloto de IA generativa no generan retornos mensurables.
Cuando las iniciativas se estancan, el instinto es culpar al modelo. Ése es un diagnóstico equivocado y costoso.
Pero los modelos rara vez son el problema; ambiente que los rodea. Y, a diferencia de las capacidades del modelo, ese entorno está completamente bajo el control de una organización.
Director de datos, Hippo.
Los modelos de IA se evalúan en condiciones controladas con entradas claras, objetivos definidos y variables estables. El entorno empresarial es todo lo contrario.
Son sistemas en capas construidos a lo largo de años, a menudo décadas, y cada uno tiene su propia estructura de datos, ciclo de actualización y lógica empresarial integrada. El modelo no está preadaptado a esa complejidad.
Contabilizar deliberadamente cómo fluyen los datos, cómo interactúan los sistemas y cómo se utilizarán los resultados son tareas de implementación que la mayoría de las organizaciones subestiman. En esa brecha es donde se pierde la mayor parte del valor de la IA.
Por qué la IA empresarial realmente falla
Según mi experiencia, los fallos de la IA caen sistemáticamente en una de las tres categorías siguientes. Cualquiera que sea el problema, todos tienen solución y las empresas ya lo están demostrando.
1. El sistema no está preparado.
La mayoría de las fallas de la IA empresarial no tienen nada que ver con la IA. El verdadero problema es que la mayoría de los sistemas empresariales son confusos entre bastidores y, en primer lugar, no fueron diseñados para funcionar juntos; Ejecutar una combinación de software obsoleto, sistemas en la nube y en el sitio desconectados, integraciones torpes, herramientas de terceros y años de trabajo superpuestos.
El resultado son datos inconsistentes, la misma información se etiqueta o almacena de manera diferente según dónde se encuentre y los empleados aún tienen que corregir cualquier error o brecha para que todo siga funcionando. Es necesario abordar y suavizar todas estas complejidades para que la IA funcione correctamente.
Superar este problema particular pasa por respetar la integración; Hacer cumplir los contratos de esquema durante la ingesta, utilizar canalizaciones de captura de datos de cambio para mantener un estado coherente y separar la inferencia del modelo de los flujos de trabajo operativos para que las fallas no persistan. Los insumos también deben estandarizarse antes de llegar al modelo, y los resultados deben diseñarse de manera que se integren directamente en los procesos posteriores.
Esto ya se ve en reclamaciones de seguros, por ejemplo, donde las implementaciones exitosas se basan en sistemas centrales, ingiriendo datos estructurados y no estructurados durante el primer aviso de pérdida, procesamiento de documentos y flujos de trabajo de adjudicación. El resultado son decisiones más rápidas y consistentes y un mayor rendimiento sin un aumento proporcional de personal. El modelo es el componente visible y la integración es donde se crea el valor.
2. Los datos no están listos
A pesar del persistente y dañino mito de que la IA solucionará los datos incorrectos, no lo hará. En todo caso, hace todo lo contrario: expone datos incorrectos de forma más rápida y amplia que cualquier tecnología anterior.
Durante demasiado tiempo, las organizaciones han dependido de personas con experiencia para compensar datos incompletos, con formatos inconsistentes o poco relevantes. Un analista experto sabe en qué casos confiar cuando dos sistemas no están de acuerdo, mientras que un liquidador de reclamaciones sabe que una determinada fuente tiene un retraso de tres días.
Pero apoyarse en esta manta de seguridad esencialmente ocultó problemas de datos estructurales que no se abordaron adecuadamente en primer lugar. Para que la IA intervenga y lo revele todo.
Sin memoria institucional, sin tolerancia a la ambigüedad y sin capacidad para compensar el contexto que nunca se le dio, simplemente procesa datos, los propaga hacia abajo y los incorpora en una decisión, a escala y velocidad.
Las implementaciones de IA que crean valor empresarial real y mensurable comparten un denominador común: sus datos estaban listos antes de ser modelados. No se trata de esfuerzos genéricos de calidad de datos, sino más bien de crear datos como una infraestructura que incorpore modelos de datos canónicos con identificadores persistentes para entidades clave como clientes, pólizas y reclamos.
Es una infraestructura de datos que presenta coherencia entre el entrenamiento y la inferencia, un linaje integrado para que los resultados puedan identificarse y verificarse. Es la infraestructura de datos con administración la que actúa como parte del sistema, continuamente se implementan definiciones, controles de acceso y controles de calidad.
3. Las organizaciones no están estructuradas para respaldar la implementación.
La implementación de la IA es más exigente que la ingeniería de software. Los ingenieros de software son esenciales, pero los sistemas de inteligencia artificial se comportan de manera diferente al software tradicional.
Son sensibles a la calidad de los datos, pueden variar con el tiempo a medida que las situaciones del mundo real se alejan de su distribución de entrenamiento y requieren juicios de selección de modelos que están en un orden completamente diferente.
Los científicos de datos aportan precisamente eso: si un LLM de propósito general es la herramienta adecuada o si un enfoque agente más específico o diseñado específicamente encaja mejor, diseñando evaluaciones basadas en realidades de producción en lugar de puntos de referencia, y la capacidad de detectar la degradación del rendimiento antes de que se convierta en un problema empresarial.
Las organizaciones que emplean programas de IA como proyectos de software seguirán alcanzando un límite que ninguna actualización de modelo podrá resolver.
La IA es una disciplina operativa distinta y el objetivo es que ninguna disciplina cargue con el peso por sí sola. Los ingenieros de datos garantizan la confiabilidad de la tubería; Los científicos de datos diseñan marcos de evaluación y monitorean el desempeño; Los equipos de plataforma gestionan la implementación y la observabilidad; Y los equipos de gobierno se encargan del cumplimiento y la trazabilidad.
En la investigación empresarial, el Estado de la IA 2026 de Deloitte identifica la brecha de habilidades como la mayor barrera para la integración de la IA, y la mayoría de las organizaciones responden con capacitación en lugar de cambios estructurales. Lo que realmente cambia los resultados es tratar la composición del equipo como una decisión estratégica tan deliberada como la selección del modelo.
El verdadero diferenciador
Las empresas que obtienen valor real de la IA tienen una cosa en común: todas realizan primero un arduo trabajo operativo.
Sus datos están organizados, sus sistemas se comunican entre sí y sus resultados de IA se conectan a los flujos de trabajo diarios reales sin que alguien sentado en un tablero los use. Y cuando algo se rompe o fluye, existe un mecanismo para atraparlo.
Esa brecha falta en muchas empresas. Comprar acceso a un modelo potente es la parte fácil. Funciona de manera confiable dentro de una empresa real (datos desordenados, sistemas desconectados y equipos trabajando en silos) donde todo se desmorona.
En última instancia, la IA no es una capa mágica que pueda colocarse sobre cimientos rotos. Primero se deben sentar las bases, y eso significa invertir en datos más limpios, mejores infraestructuras y sistemas que realmente puedan respaldar la automatización a escala.
Mejor almacenamiento en la nube: probado, revisado y calificado por expertos.
Este artículo fue producido en parte Perspectiva profesional de TechRadarNuestro canal para mostrar las mejores y más brillantes mentes de la industria tecnológica actual.
Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí:
