Adopción de IA empresarial: por qué los pilotos no llegan a producción

En una sala de reuniones de una empresa mediana, alguien proyecta los resultados de un piloto de inteligencia artificial que lleva cuatro meses funcionando. El equipo de finanzas construyó un asistente para clasificar facturas, el proveedor mostró una demo impecable y el directorio aprobó el presupuesto sin demasiadas preguntas. Cuatro meses después, el asistente sigue activo, pero solo dos personas lo utilizan con cierta regularidad. Ninguna lo usa para las facturas más complejas y nadie en la sala puede decir con claridad cuánto tiempo ha ahorrado, cuántos errores ha evitado o si realmente ha cambiado la forma en que trabaja el equipo. El proyecto tampoco tiene un problema evidente que obligue a cerrarlo. Simplemente dejó de avanzar.

Lo que ocurre después suele ser más difícil de detectar que un fracaso. El piloto termina, la herramienta queda funcionando y la organización pasa a otra prioridad. No hay una fecha en la que alguien decida abandonar el proyecto, pero tampoco existe un responsable claro de llevarlo a producción, medir su impacto o incorporarlo al proceso habitual del equipo. La tecnología funciona, pero el cambio no termina de ocurrir. Y eso ayuda a explicar por qué tantas iniciativas de inteligencia artificial que comienzan con un piloto prometedor no llegan a convertirse en herramientas que la empresa realmente usa a escala.

La pregunta, entonces, no es si los modelos actuales son capaces de hacer el trabajo. En muchos casos ya lo son. La pregunta es qué ocurre dentro de una empresa entre demostrar que una herramienta funciona y conseguir que un equipo la incorpore de verdad. Dos de las investigaciones más relevantes sobre adopción empresarial de IA publicadas en 2025 apuntan, desde enfoques distintos, en una dirección similar: los principales obstáculos aparecen en la gobernanza, los procesos y la integración de la IA en la forma concreta en que las personas trabajan.

Casi toda empresa probó IA este año, casi ninguna la escaló

La encuesta global de McKinsey sobre el estado de la IA, publicada en noviembre de 2025 con casi dos mil respuestas de ejecutivos en 105 países, entrega una fotografía clara de dónde está parada la empresa promedio. El 88 por ciento de las organizaciones ya usa IA de forma regular en al menos una función del negocio, un salto marcado frente al 78 por ciento del año anterior. Hasta ahí, la historia parece de éxito total.

El problema aparece en la segunda cifra. Solo el 39 por ciento de esas mismas organizaciones puede atribuir algún impacto medible en su EBIT al uso de IA, y la mayoría de ese grupo habla de menos de un 5 por ciento. Casi dos tercios de las empresas encuestadas reconocen que siguen en fase de experimentación o de pilotos, sin haber empezado a escalar. Solo un tercio ha comenzado a escalar sus programas de IA a nivel de toda la organización, y apenas un 7 por ciento declara tener la IA plenamente escalada. McKinsey resume la brecha con una frase que debería inquietar a cualquier gerente que aprobó un presupuesto de IA este año, el impacto de negocio significativo y a nivel de toda la empresa sigue siendo raro.

La distancia entre adopción y producción no es un problema técnico menor, es la diferencia entre gastar presupuesto y capturar valor. Y esa distancia se explica, según el propio reporte, por un factor específico, las organizaciones que sí logran escalar son las que rediseñan procesos completos alrededor de la IA en lugar de pegarla encima de un flujo de trabajo que no cambió. Los llamados altos desempeños, apenas un 6 por ciento de la muestra, tienen casi tres veces más probabilidad de haber rediseñado a fondo sus flujos de trabajo que el resto.

El estudio que puso número exacto a la brecha

Si la cifra de McKinsey ya es preocupante, el reporte publicado por el Proyecto NANDA del MIT en julio de 2025, titulado La Brecha de la IA Generativa, la hace todavía más concreta. Basado en una revisión sistemática de más de 300 iniciativas públicas de IA, entrevistas estructuradas con 52 organizaciones y encuestas a 153 líderes senior, el estudio concluye que el 95 por ciento de las organizaciones que invirtieron en pilotos de IA generativa personalizada no están obteniendo ningún retorno medible. Pese a una inversión empresarial estimada entre 30 mil y 40 mil millones de dólares en el último año, solo el 5 por ciento de esos pilotos logra un impacto real y sostenido en resultados financieros.

Los investigadores del MIT encontraron algo particularmente revelador al comparar dos tipos de herramientas. Las herramientas genéricas tipo asistente conversacional, del estilo que cualquier persona puede abrir en su navegador, muestran una tasa de adopción alta y consistente, cerca del 83 por ciento de quienes las prueban las terminan usando de forma regular. Pero las herramientas empresariales a medida o compradas a un proveedor, pensadas justamente para procesos críticos como aprobaciones financieras, atención a clientes o gestión de contratos, se quedan en el camino, solo el 20 por ciento de las que se evalúan llega a fase de piloto, y solo el 5 por ciento de esas alcanza producción real.

La brecha de aprendizaje, no la falta de tecnología

El hallazgo central del reporte del MIT tiene nombre propio, lo llaman la brecha de aprendizaje. La barrera principal que mantiene a una organización del lado equivocado de esta división no es la calidad del modelo, ni la regulación, ni el talento disponible. Es que la mayoría de los sistemas de IA que se compran o se construyen no retienen contexto, no aprenden de la retroalimentación del equipo que los usa, y no se adaptan al flujo de trabajo real de esa área. Un director de tecnología entrevistado en el estudio lo resume así, hemos visto docenas de demos este año, tal vez una o dos son genuinamente útiles, el resto son envoltorios o experimentos de laboratorio.

Esto explica un fenómeno que a primera vista parece contradictorio. Los mismos empleados que usan IA todos los días en su vida personal, con resultados que consideran excelentes, se vuelven profundamente escépticos frente a la herramienta empresarial que su propia compañía les instaló. La razón no es que la herramienta corporativa use peor tecnología, casi siempre corre sobre el mismo tipo de modelo. La razón es que la versión personal se siente flexible y responde a lo que la persona pide en el momento, mientras que la versión corporativa suele ser rígida, olvida el contexto de una sesión a otra y no aprende de los ajustes que el equipo le pide una y otra vez.

Por qué la herramienta que brilló en la demo se atasca en producción

Una demo bien preparada resuelve un caso perfecto con datos limpios y un guion ensayado. La operación real de una empresa no se parece en nada a eso. El estudio del MIT documenta con precisión por qué ese salto falla tan seguido, las herramientas empresariales que se estancan comparten el mismo patrón, flujos de trabajo frágiles que se rompen apenas aparece una excepción, falta de aprendizaje contextual sobre las particularidades del negocio, y un desajuste entre lo que el proveedor construyó y cómo el equipo realmente trabaja día a día.

Hay otro dato que rara vez se menciona y que resulta clave para cualquier gerente que esté evaluando un proveedor de IA. Según el mismo estudio, las implementaciones construidas mediante una asociación externa con un proveedor especializado alcanzan producción el doble de veces que los desarrollos hechos completamente puertas adentro, con una tasa de éxito cercana al 67 por ciento frente a un 33 por ciento en los proyectos internos. Las empresas grandes, que suelen tener más presupuesto y más equipos técnicos propios, no son las que mejor resultado obtienen, de hecho el estudio encuentra que las empresas medianas se mueven más rápido y con mejores resultados, con un tiempo promedio de piloto a implementación completa de apenas 90 días, frente a nueve meses o más en las empresas grandes.

La lección práctica detrás de esta cifra es incómoda para cualquier área de tecnología acostumbrada a construir todo puertas adentro, pero es consistente, los equipos que tratan a sus proveedores de IA como socios de implementación, no como vendedores de licencias, y que exigen adaptación profunda al proceso real antes de escalar, son los que cruzan la brecha con éxito.

La gobernanza ausente detrás del estancamiento

Casi todos los análisis de por qué un piloto de IA se estanca terminan señalando lo mismo cuando se los mira con cuidado, no es un problema de capacidad del modelo, es un vacío de gobernanza. Nadie definió con claridad qué proceso específico debía resolver el agente antes de comprarlo. Nadie asignó un responsable de negocio, no solo de tecnología, para decidir si el piloto funcionó o no. Nadie estableció desde el primer día qué integraciones con los sistemas existentes eran indispensables para que el equipo lo adoptara de verdad, en lugar de volver a la planilla de Excel de siempre a la semana tres.

La economía de IA en la sombra

El reporte del MIT documenta un fenómeno que ilustra perfectamente este vacío de gobernanza, lo que llaman la economía de IA en la sombra. Mientras solo el 40 por ciento de las empresas encuestadas declara haber comprado formalmente una suscripción empresarial a una herramienta de IA, más del 90 por ciento de los trabajadores de esas mismas empresas reconoce usar asistentes de IA personales para tareas de trabajo, muchas veces sin que el área de tecnología lo sepa ni lo apruebe. Los empleados ya cruzaron la brecha por su cuenta, usando herramientas fuera de cualquier proceso formal, mientras la iniciativa oficial de la empresa sigue empantanada en fase de piloto.

Esto no es un dato anecdótico, es una señal de alarma sobre gobernanza. Si el equipo está resolviendo su trabajo diario con una herramienta que nadie auditó, que no está conectada a los sistemas de la empresa y que puede estar procesando información sensible de clientes o contratos fuera de cualquier control, el riesgo no desapareció, simplemente se volvió invisible para quien debería gestionarlo. Las organizaciones que logran cruzar la brecha, según el mismo estudio, son las que reconocen este patrón y construyen sobre él, analizando qué herramientas personales están generando valor real antes de decidir qué comprar de forma oficial, en lugar de ignorar lo que ya está pasando bajo la superficie.

Comprar e integrar en vez de construir desde cero

Si el patrón que separa a las empresas que escalan de las que se quedan atrapadas es tan consistente entre dos estudios independientes, la pregunta lógica es qué hacer distinto. La respuesta que entregan ambos reportes no es más presupuesto ni un modelo más avanzado, es un cambio de enfoque en cómo se elige, se prueba y se entrega un agente de IA antes de declararlo listo para producción.

La metodología de AgentLayer está construida exactamente sobre esa lógica. La primera fase es un diagnóstico honesto del flujo de trabajo real, mapeando quién hace cada tarea hoy y evaluando si existe un agente que de verdad resuelva ese proceso específico, antes de comprometer un presupuesto. La segunda fase integra el agente con el correo, los sistemas y los canales que el equipo ya usa, sin pedirle a nadie que aprenda una herramienta nueva desde cero. La tercera fase es la que marca la diferencia frente al patrón de fracaso que documentan el MIT y McKinsey, entre una y dos semanas de uso real, con ajustes que se incorporan en un promedio de 48 horas, mientras el equipo sigue trabajando con datos reales y no con un ambiente de pruebas aislado. Solo después de esa prueba real se entrega la versión final, con manual de uso y soporte continuo.

Un ejemplo concreto de cómo se ve esto en la práctica es el Agente de Ticketing de AgentLayer, disponible en el marketplace de la compañía. En lugar de pedirle a un equipo que abandone WhatsApp, Teams o el correo y aprenda un sistema de tickets nuevo, el agente convierte cualquier mensaje que ya llega por esos canales en un ticket estructurado, clasificado por prioridad y área, y derivado automáticamente al equipo responsable, con trazabilidad completa de quién pidió qué y cuándo se resolvió. La diferencia frente al patrón de fracaso que documenta el MIT es precisamente esa, el agente no le pide al equipo de soporte, marketing o recursos humanos que cambie su forma de comunicarse, se instala encima del canal que ya usan todos los días, que es exactamente el tipo de integración de bajo roce que el estudio identifica como el factor que más distingue a un piloto que sobrevive de uno que se abandona.

Cómo se ve un piloto que sí cruza a producción

Vale la pena describir con precisión qué características comparten los pilotos que sí llegan a producción, según la evidencia revisada en este artículo. Primero, tienen un responsable de negocio identificado desde el día uno, no solo un patrocinador de tecnología que aprueba el presupuesto y desaparece. Segundo, se integran con los sistemas y canales que el equipo ya usa en lugar de exigir que todos migren a una plataforma nueva. Tercero, pasan por un período de uso real, no solo una demo, en el que el equipo que va a usarlo todos los días puede pedir ajustes y ver esos ajustes incorporados en días, no en meses. Cuarto, tienen definido con claridad qué métrica de negocio, y no solo qué métrica de adopción, va a determinar si el piloto fue exitoso antes de escalarlo a toda la organización.

Ninguno de estos cuatro elementos depende de tener el modelo de lenguaje más avanzado del mercado. Los cuatro dependen de decisiones de gobernanza que un director de operaciones o un gerente general puede tomar antes de firmar cualquier contrato con un proveedor de IA.

Qué puede hacer usted esta semana

Si su empresa tiene uno o varios pilotos de IA corriendo hace meses sin una fecha clara de paso a producción, la pregunta que vale la pena hacer en la próxima reunión de directorio no es si el modelo es lo suficientemente bueno. Es más específica, quién es el responsable de negocio de este piloto, qué sistemas existentes está usando de verdad, y qué le pidieron ajustar en las últimas dos semanas que todavía no se ha incorporado. Las respuestas a esas tres preguntas dicen más sobre el futuro de ese proyecto que cualquier característica técnica del modelo que lo sostiene.

La brecha entre adopción y producción que documentan McKinsey y el MIT no es una condena permanente para las empresas que todavía están del lado equivocado. Es, sobre todo, una lista bastante clara de lo que hay que corregir antes de firmar el próximo contrato de IA, empezando por el diagnóstico del proceso real y terminando en la integración silenciosa con las herramientas que el equipo ya abre todos los días.