Por qué la mayoría de los proyectos de IA no da resultados, y cómo evitarlo

Compraste licencias, hiciste un piloto, tu equipo lo probó y a todos les pareció interesante. Seis meses después, las ventas, los costos y los tiempos siguen igual. Nadie dice que falló, pero tampoco nadie puede decir qué ganó el negocio.

No estás solo, y no es mala suerte. Los estudios sobre IA en empresas encuentran lo mismo: casi todos la prueban y muy pocos obtienen resultados. Lo bueno es que también encuentran qué hacen distinto los que sí lo logran.

En julio de 2025, el proyecto NANDA del MIT publicó «The GenAI Divide», un informe sobre la IA generativa en las empresas. Se basó en la revisión de más de 300 iniciativas públicas, entrevistas con representantes de 52 organizaciones y encuestas a 153 líderes¹.

Su conclusión principal: pese a una inversión empresarial de 30 000 a 40 000 millones de dólares, el 95 % de las organizaciones no obtenía ningún retorno, y solo el 5 % de los pilotos integrados generaba valor de millones¹. Con los sistemas hechos a medida o comprados a proveedores, el camino se angostaba en cada etapa¹:

BCG, la consultora de estrategia, llegó a algo parecido. En su estudio de septiembre de 2025, el 60 % de las empresas casi no sacaba valor material de la IA, con ingresos y ahorros mínimos, y solo el 5 % lograba valor a escala². Un año antes, en una encuesta a 1000 altos ejecutivos de 59 países, BCG había encontrado que el 74 % de las empresas todavía no mostraba valor tangible por usar IA³.

Las cifras exactas cambian según quién mide y cómo, pero el patrón se repite: probar la IA es fácil; lograr que mueva los números del negocio es lo difícil. La buena noticia está en lo que hacen distinto los pocos que lo logran.

El informe del MIT descarta lo que muchos creen. La brecha no parece venir de la calidad de los modelos ni de las regulaciones, sino de la forma de hacer las cosas¹. Estas son las causas que encontró:

• Herramientas que no aprenden: la mayoría de los sistemas no guarda lo que le corriges, no se adapta al contexto y no mejora con el tiempo¹.
• Sistemas que no encajan: muchos fallan por procesos frágiles y porque no calzan con la operación del día a día¹.
• El dinero en el lugar equivocado: cerca de la mitad del presupuesto en IA va a ventas y marketing, mientras que automatizar tareas internas muchas veces da mejor retorno¹.
• Proyectos que se miden con demos: las empresas que sí logran resultados evalúan las herramientas por resultados del negocio, no por pruebas técnicas¹.
• Construir todo adentro: los proyectos hechos con socios externos llegaron a funcionar cerca del 67 % de las veces, frente al 33 % de los construidos por la empresa sola¹. El mismo informe advierte que esa diferencia puede deberse a cómo son las empresas que eligen cada camino, y que no prueba causa¹.

Imagina una empresa de servicios que compra un asistente de IA para todo el equipo «para ser más productivos». Al año, todos dicen que les ayuda, pero los números del negocio no se movieron.

Ahora imagina que la misma empresa elige un solo problema: las cotizaciones tardan tres días porque alguien copia datos de cuatro lugares. Así se ven los dos caminos:

Lo que hacen distinto las empresas que sí obtienen resultados se puede convertir en pasos concretos. Ninguno depende de elegir el mejor modelo:

En Motora trabajamos en tres pasos. Primero, un diagnóstico con precio fijo: mapeamos cómo trabaja tu negocio de punta a punta y encontramos dónde se pierden tiempo y ventas. Después, una propuesta que dice qué conviene construir y qué no, con su precio. Y por último, la construcción: lo hacemos y lo dejamos funcionando.