Un informe de la iniciativa NANDA del MIT, que analizó más de 300 implementaciones empresariales, encontró que el 95% de los proyectos piloto de inteligencia artificial generativa no genera ningún tipo de retorno medible. Y después de varios años acompañando a empresas en sus procesos de transformación con IA, puedo decir que la causa casi nunca está en el modelo. Está en lo que hay o no hay, detrás de él.

Hay dos errores que se repiten una y otra vez:

• El primero es incorporar IA sobre datos que no están listos para ser usados: información dispersa, duplicada, sin gobierno, sin trazabilidad o encerrada en documentos no estructurados. En esos casos, la IA no resuelve el problema; lo amplifica.

• El segundo es tratar la IA como una herramienta aislada y no como parte del flujo operativo. Muchas empresas hacen pilotos vistosos, pero no los integran con sus sistemas, permisos, procesos, métricas y responsables. El resultado es una solución que funciona en demostración, pero no en producción.

Los datos, el verdadero cuello de botella

Si tuviera que poner nombre y apellido a la causa raíz de la mayoría de los proyectos estancados, diría: gobierno de datos. No existe una cifra universal y sería irresponsable darla como dato absoluto, pero con base en reportes recientes sobre adopción empresarial de IA, estimaría que entre 60% y 70% de los proyectos que se estancan tienen su causa principal en problemas de datos, gobierno de información o integración operativa, más que en el modelo de IA en sí.

La tecnología suele estar disponible; lo que no siempre está disponible es la capa de información confiable, estructurada, contextualizada y gobernada que la IA necesita para producir resultados útiles.

El error que nadie menciona: la comunicación interna

Más allá de lo técnico, hay una falla que suele pasar desapercibida en los comités de innovación: cómo se comunica el proyecto a los propios empleados.

El error es no responder a la pregunta que todos tenemos desde el principio: ¿este proyecto de IA está diseñado para ayudarme a hacer mejor mi trabajo o para reemplazarme? Si esta pregunta no se responde bien, muchos empleados asumirán que el verdadero objetivo de la empresa es automatizar puestos de trabajo y reducir personal, lo que genera desconfianza y dificulta la adopción. Cuando entiendes cómo te ayuda a tus tareas en específico, entonces es más fácil que lo adoptes.

El problema no es únicamente la calidad de los datos, sino su disponibilidad. Una proporción importante de la información empresarial sigue almacenada en documentos no estructurados —como contratos, expedientes, formularios o comprobantes— que contienen información valiosa, pero que los sistemas de inteligencia artificial no pueden aprovechar directamente sin un proceso previo de interpretación y estructuración.

Diversas empresas especializadas, como Urdaten, ya desarrollan soluciones capaces de convertir documentos no estructurados en información útil para la IA. Un ejemplo es la tecnología de Document Understanding, que interpreta documentos no estructurados, extrae campos y relaciones, y los transforma en datos gobernables e integrables con los sistemas de negocio.

Esto no es una receta, pero sí un ejemplo de algo que he visto una y otra vez en la práctica: la oportunidad de la IA no está solo en automatizar tareas, sino en construir primero las bases de información sobre las que esa automatización pueda sostenerse.

Por eso, antes de preguntarnos qué tan rápido podemos implementar IA, deberíamos preguntarnos qué tan dispuestos estamos a dar un paso atrás y primero organizar nuestra información. La rentabilidad no llega por adoptar la herramienta más nueva primero, sino por tener la disciplina de construir, antes que nada, una base de datos confiable, gobernada y con contexto de negocio.

* Director de operaciones de Urdaten

IA acelera llegada de edificios autónomos e inteligentes