¿Cómo cruzar la «brecha GenAI»?

En los últimos años, la inteligencia artificial (IA) se ha consolidado como la gran promesa de transformación para el mundo empresarial. Titulares sobre avances disruptivos, inversiones multimillonarias y la proliferación de herramientas como ChatGPT han alimentado la idea de una inminente revolución en la productividad y la competitividad de las organizaciones. Sin embargo, la realidad que revela el informe «State of AI in Business 2025» es mucho menos alentadora: el 95% de los proyectos de inteligencia artificial en empresas fracasan y solo el 5% de los pilotos logra generar un impacto real en el negocio.

Esta brecha entre la promesa y la realidad invita a una reflexión profunda. A pesar de la madurez tecnológica y el entusiasmo generalizado, ¿por qué la IA sigue siendo una promesa incumplida para la mayoría de las organizaciones? ¿Qué factores explican que la mayoría de los proyectos no pasen de la fase experimental, sin llegar a transformar realmente los procesos de la empresa? ¿Estamos ante un problema de tecnología, o de enfoque y estrategia?

Este artículo analiza las causas de este fenómeno, en base al informe «State of AI in Business 2025» del Instituto de Tecnología de Massachusetts (MIT), con el objetivo de invitar a una reflexión crítica sobre el presente y el futuro de la IA en los negocios, y sobre cómo las organizaciones pueden cruzar la llamada «brecha GenAI» o «brecha de la IA generativa» para convertir la promesa en realidad.

El estado actual

El mencionado informe es contundente: a pesar de los 30.000-40.000 millones de dólares invertidos en IA generativa, el 95% de las organizaciones no obtiene ningún retorno significativo. Solo un 5% de los pilotos de IA logra pasar a producción e impactar positivamente en las cuentas de resultados. Esta brecha no parece ser explicada por la calidad de los modelos, sino por el enfoque y la estrategia de implantación.

Herramientas como ChatGPT y Copilot han sido adoptadas por más del 80% de las organizaciones, y cerca del 40% reporta algún tipo de despliegue. Sin embargo, estos sistemas suelen mejorar la productividad individual, y no tanto el rendimiento global del negocio. Mientras tanto, los empleados recurren a estas herramientas a título personal, pues les aportan más valor que las propias soluciones oficiales de sus compañías, lo que da lugar a una «economía sombra de la IA» o «shadow AI economy» donde el uso no autorizado supera ampliamente al de las iniciativas oficiales de sus empresas.

El informe indica que los proyectos internos de IA fracasan el doble de veces que los realizados con partners externos. Las empresas tienden a invertir en herramientas estáticas que no se adaptan a sus flujos de trabajo, mientras que los (pocos) casos de éxito se centran en sistemas que aprenden y evolucionan, integrándose profundamente en las operaciones.

En ese sentido, ¿por qué los proyectos internos fracasan más? Resulta paradójico que los proyectos internos, que supuestamente deberían beneficiarse de un mayor conocimiento del negocio y de un mayor control, fracasen el doble que los realizados con socios externos. Este es un ejemplo de que, como quien dice, la cercanía ciega. El exceso de confianza y la falta de visión externa pueden llevar a subestimar la complejidad de la integración y la personalización. Así, las alianzas externas aportan una perspectiva fresca y una mayor capacidad de adaptación a los cambios constantes del entorno de la IA.

(Imagen: E&J)

Causas del fracaso: más allá de la tecnología

Una de las conclusiones más relevantes es que el problema no radica en la tecnología per se, sino en el concepto y la implantación. Muchas organizaciones priorizan el desarrollo interno, lo que incrementa la probabilidad de fracaso, mientras que las alianzas estratégicas con expertos externos duplican las posibilidades de éxito. Además, la falta de personalización y la obsesión por métricas de software en lugar de resultados de negocio reales son errores recurrentes.

La mayoría de los sistemas de IA no retienen feedback, no se adaptan al contexto ni mejoran con el tiempo. Los usuarios demandan herramientas que aprendan y se integren en sus procesos, pero muchas de las soluciones empresariales son rígidas y no cumplen con estas expectativas. Esto genera una paradoja: los empleados confían más en herramientas genéricas como ChatGPT para tareas simples, pero las rechazan para trabajos críticos, ya que carecen de memoria y adaptabilidad.

Otra causa fundamental es la ausencia de formación adecuada en los equipos. Sin una comprensión profunda de los riesgos, oportunidades y limitaciones de la IA, cualquier intento de automatización está condenado a quedarse en la superficie. La resistencia al cambio y la falta de patrocinio ejecutivo son barreras adicionales que impiden la adopción efectiva.

La «Brecha GenAI»: alta adopción, baja transformación

El informe identifica una «brecha de la IA generativa» donde la mayoría de las empresas se quedan en el lado equivocado de la «brecha GenAI»: alta adopción, baja transformación.

Las empresas prueban herramientas de IA, pero muy pocas llegan a implementarse. Si bien herramientas como ChatGPT se utilizan de forma amplia, las soluciones personalizadas se estancan debido a la complejidad de la integración y a la falta de adecuación con los existentes flujos de trabajo. A pesar de las grandes inversiones y la amplia actividad piloto, solo una pequeña fracción de las organizaciones han ido más allá de la experimentación para lograr una transformación significativa.

Por ello, el salto de la fase piloto a la producción es el mayor escollo, ya que solo el 5% de las herramientas de IA personalizadas llegan a implementarse con éxito. Los chatbots y asistentes genéricos, que se pueden probar con mayor facilidad y flexibilidad, tienen un mayor éxito, pero fallan en flujos de trabajo y procesos críticos debido a la falta de memoria y personalización.

La mayor parte de las empresas invierte en soluciones que no se adaptan a sus necesidades reales. Así, esta brecha explica por qué la mayoría de las organizaciones siguen estando en el lado equivocado de la brecha, lo que lleva a una fuerte caída entre las investigaciones sobre la adopción de herramientas de IA generativa y proyectos piloto y las implementaciones reales.

(Imagen: E&J)

¿Cómo cruzar la «brecha GenAI»?

Las organizaciones exitosas actúan más como clientes de servicios de negocio que como compradores de software. Exigen personalización, evalúan las herramientas por su impacto operativo y co-crean soluciones con sus partners. Como se ha mencionado anteriormente, los proyectos que se desarrollan en colaboración con expertos externos tienen el doble de probabilidades de éxito que los desarrollos internos. De esta manera, parece que la clave del éxito no está en desarrollar un proyecto de IA interno, sino en elegir correctamente las alianzas, personalizar las soluciones para los flujos de trabajo específicos y apostar por sistemas que aprenden y evolucionan con el tiempo. Y, en definitiva, el éxito no depende del modelo de inteligencia artificial más avanzado, sino de la capacidad de integración y aprendizaje del sistema.

Asimismo, la IA no es una solución mágica, sino una herramienta que requiere habilidades, mentalidad abierta y disposición al cambio. Resulta esencial que las empresas inviertan en formación y en la creación de una cultura de aprendizaje continuo que busque concienciar sobre las oportunidades y riesgos de esta tecnología.

Por otro lado, el fenómeno de la «economía sombra de la IA» pone de manifiesto que los empleados ya están cruzando la brecha por su cuenta, utilizando herramientas para automatizar tareas y mejorar su productividad. Mientras que las iniciativas oficiales e internas de las empresas siguen, por lo general, estancadas en el lado equivocado de la «brecha de la IA generativa», los empleados ya la están cruzando. Estos utilizan cuentas personales de ChatGPT, Claude y otras herramientas para automatizar tareas importantes de su trabajo, a menudo sin conocimiento ni autorización por parte de la empresa. De hecho, aunque solo el 40% de las empresas afirman haber adquirido una suscripción oficial a este tipo de herramientas, los trabajadores de más del 90% de las empresas encuestadas declararon utilizarlas habitualmente para tareas laborales.

En consecuencia, detrás de las decepcionantes cifras de implementación empresarial se esconde una realidad sorprendente: la IA ya está transformando el trabajo, pero no a través de los canales oficiales. Y en este sentido, las empresas con visión de futuro están empezando a salvar esta brecha aprendiendo de dicho uso paralelo por parte de los empleados y analizando qué herramientas aportan valor antes de adquirir alternativas empresariales.

En cualquier caso, y a mi parecer, la siguiente cuestión resulta de gran importancia a la hora de implementar un sistema de IA en la empresa, ya sea una solución interna o externa. Su implementación implica (entre otras muchas cosas) una planificación cuidadosa, comenzando por definir objetivos claros y específicos alineados con las necesidades del negocio. Y, para ello, el primer paso será conocer perfectamente las tareas y procesos que se realizan en la empresa.

Conclusión: el futuro de la IA en los negocios

La revolución de la IA en los negocios no se producirá por la mera adopción de herramientas avanzadas, sino por la capacidad de las organizaciones para cruzar la brecha entre la experimentación y la transformación real. Esto requiere un cambio de enfoque en muchas ocasiones: pasar de construir internamente a asociarse estratégicamente, y de buscar soluciones genéricas a exigir personalización.

Como se puede apreciar, el reto es tan organizativo y estratégico como tecnológico. Solo las empresas que apuesten por la integración profunda de la IA en sus procesos lograrán extraer un valor real y sostenible, mientras que el resto seguirá atrapado en la brecha, acumulando pilotos fallidos y perdiendo competitividad.

A mi juicio, la inteligencia artificial no es una promesa incumplida, sino una gran oportunidad mal gestionada. El problema no es la tecnología, sino el enfoque.

¿Está tu organización en el lado correcto de la brecha de la IA?