Implantar IA en una empresa: la guía honesta para dirección

Implantar IA en una empresa exige decidir tres cosas antes de tocar ninguna herramienta: qué proceso vas a mejorar, con qué dato y quién responde del resultado. Cuando ese orden se invierte, el proyecto acaba engrosando la estadística que media España cita mal: la del "95% de fracasos" del MIT. Esta guía está escrita para quien tiene que defender la inversión ante un consejo, no para un técnico. Corrige el dato del MIT contra el informe original, resume los plazos verificados del AI Act tras el Digital Omnibus, y baja a lo operativo: cómo priorizar casos de uso, cómo montar un caso de negocio con cifras, cuándo construir y cuándo comprar, y cómo medir el retorno sin autoengaño. Cada cifra está enlazada a su fuente primaria.

Lo que dice de verdad el informe del MIT (y lo que se repite mal)

El informe del MIT que todo el mundo cita no dice que el 95% de los proyectos de IA fracase. Dice que el 95% de las organizaciones no obtiene todavía un retorno medible en su cuenta de resultados. La diferencia importa: la primera lectura invita a no invertir; la segunda explica dónde se pierde el valor y cómo capturarlo.

La cita exacta, verificada contra el PDF original

El documento es The GenAI Divide: State of AI in Business 2025, del proyecto NANDA del MIT, publicado en julio de 2025. Su resumen ejecutivo dice, literalmente:

"Despite $30–40 billion in enterprise investment into GenAI, this report uncovers a surprising result in that 95% of organizations are getting zero return."

Y a continuación: "Just 5% of integrated AI pilots are extracting millions in value, while the vast majority remain stuck with no measurable P&L impact". Traducido: pese a una inversión de 30.000 a 40.000 millones de dólares, el 95% de las organizaciones está obteniendo retorno cero, y solo el 5% de los pilotos integrados extrae valor millonario; el resto sigue atascado sin impacto medible en la cuenta de resultados.

La metodología también conviene conocerla antes de citarlo en un consejo: revisión de más de 300 iniciativas públicas de IA, entrevistas estructuradas en 52 organizaciones y encuestas a 153 directivos, entre enero y junio de 2025. Es un estudio serio, pero de muestra limitada y con hallazgos que los propios autores marcan como preliminares.

Cómo se torció el dato

La distorsión empezó en los titulares. Fortune tituló en agosto de 2025 "MIT report: 95% of generative AI pilots at companies are failing", y de ahí saltó a LinkedIn, a las ponencias y a las propuestas comerciales en español, ya convertido en "el 95% de los proyectos de IA fracasan". El informe no mide proyectos fracasados: mide organizaciones sin retorno atribuible en su P&L, que es otra cosa. Un piloto puede funcionar técnicamente, gustar al equipo y aun así no mover ni un euro de la cuenta de resultados. Eso no es un fracaso técnico; es un fracaso de selección de caso y de medición.

Por qué el matiz cambia tu decisión

Si el 95% de los proyectos fracasara, la conclusión racional sería esperar. Lo que el informe documenta es distinto: la brecha no la explica la calidad de los modelos ni la regulación, sino el enfoque. El propio texto lo dice: "This divide does not seem to be driven by model quality or regulation, but seems to be determined by approach". Las organizaciones del 5% eligen procesos concretos, exigen herramientas que aprendan del contexto y miden contra la cuenta de resultados. Las del 95% compran tecnología primero y buscan el problema después. Ese orden se puede elegir.

¿Por dónde empieza una empresa que quiere usar IA?

Empieza por un inventario de procesos, no por una compra de licencias. La pregunta inicial no es "qué herramienta de IA necesito" sino "qué proceso me cuesta más dinero en horas, errores o ventas perdidas". Con esa lista delante, se elige un caso acotado, con dato disponible y dueño claro, y se define la métrica de éxito antes de tocar tecnología.

El contexto ayuda a calibrar la urgencia sin caer en el pánico: según Eurostat (2025), una de cada cinco empresas de la UE (19,9%) ya usaba tecnologías de IA en 2025, con una brecha enorme por tamaño: 55% en las grandes frente al 17% en las pequeñas. La ventana para diferenciarse sigue abierta, sobre todo en pyme.

El orden de trabajo que aplicamos, y que puedes ejecutar con o sin ayuda externa:

1. Inventaría los procesos que duelen. Lista 10 o 15 procesos con su coste aproximado en horas al mes y su tasa de error. Sin esta base no hay caso de negocio posible. La técnica completa está en la guía de mapear procesos antes de automatizar.
2. Elige un caso acotado. Un proceso, un resultado observable, un trimestre. En Godius lo hemos visto funcionar con alcances tan concretos como Cartas Cádiz: una carta digital de restaurante que detecta el idioma del móvil del cliente y se traduce sola. Un proceso, un resultado que cualquiera puede comprobar.
3. Verifica el dato. ¿Existe la información que la IA necesita? ¿Está accesible, limpia y con permiso de uso? Si no, el primer proyecto es de datos, no de IA.
4. Nombra un dueño con autoridad. Una persona del negocio (no de sistemas) que responda del resultado y pueda cambiar el proceso.
5. Define la métrica y el criterio de muerte. Qué número tiene que moverse, cuánto y para cuándo. Y qué resultado hace que el piloto se cancele.
6. Pilota, mide contra la línea base y decide. Escalar, corregir o matar. Las tres son victorias frente a un piloto zombi que consume presupuesto sin veredicto.

Cómo priorizar casos de uso: impacto antes que moda

La priorización falla cuando se decide por visibilidad y no por retorno. El estudio del MIT (2025) detectó que alrededor del 50% de los presupuestos de IA generativa se concentra en ventas y marketing, mientras las mayores oportunidades de retorno estaban en el back office: administración, operaciones y finanzas. Se invierte donde se luce, no donde se gana.

El sesgo tiene explicación: los resultados de marketing son fáciles de enseñar en un comité, y el ahorro administrativo no da titulares internos. Pero un consejo no debería financiar visibilidad; debería financiar margen. La corrección práctica es puntuar cada caso candidato en dos ejes: impacto económico anual estimado (horas liberadas por su coste, errores evitados, ingresos incrementales) y fricción de implantación (calidad del dato, número de sistemas a integrar, resistencia esperada del equipo). Se empieza por el cuadrante de impacto alto y fricción baja, que casi siempre vive en procesos repetitivos de back office: los mismos que cubre en detalle la guía de automatización de procesos con IA.

Dos reglas adicionales evitan disgustos. Primera: si un caso no permite medir su línea base actual, no es priorizable todavía, por atractivo que parezca. Segunda: los casos "porque lo hace mi competencia" entran en la lista con la misma puntuación que el resto, sin privilegio. La moda no paga nóminas.

Gobierno del dato: quién decide y con qué información

Sin gobierno del dato no hay implantación de IA que sostenga el retorno. Gobernar el dato significa tres decisiones concretas: quién es el dueño de cada dato crítico, qué calidad mínima se le exige y quién autoriza que un sistema de IA lo lea o lo escriba. Si nadie puede responder esas tres preguntas, el proyecto está construido sobre arena.

La diferencia se ve en el producto final. En Patitas, un asistente de IA para un negocio de salud animal que construimos en Godius, el valor no está en el modelo de lenguaje: está en que responde con datos reales del negocio y llega a cobrar online sin intervención humana. Eso solo es posible cuando alguien decidió qué información puede usar el asistente, con qué actualidad y bajo qué límites. Un chatbot genérico sin ese trabajo previo responde generalidades, y el equipo deja de usarlo en dos semanas.

En lo organizativo, no necesitas un comité de trece personas. Necesitas un responsable de datos por proceso (dueño de negocio, no técnico), una revisión de encaje con el RGPD cuando haya datos personales, y un registro simple de qué sistemas de IA usan qué datos. Ese registro, además, es la base de la documentación que el AI Act te va a pedir. Y una advertencia de campo: los proyectos de IA destapan la deuda de datos que la empresa llevaba años sin mirar. Presupuesta limpiarla; es parte del proyecto, no un imprevisto.

Qué exige el AI Act para implantar IA en una empresa: plazos verificados

El AI Act ya se aplica en lo esencial y sus plazos han cambiado dos veces, así que conviene trabajar con el calendario oficial y no con artículos de 2024. Las fechas siguientes están contrastadas con el AI Act Service Desk de la Comisión Europea (2026), incluida la prórroga del paquete Digital Omnibus para los sistemas de alto riesgo.

Las sanciones no son simbólicas: según el artículo 99 del reglamento, las prácticas prohibidas se multan con hasta 35 millones de euros o el 7% de la facturación mundial anual, y otras infracciones con hasta 15 millones o el 3%, con importes reducidos para pymes.

¿El AI Act afecta a mi pyme si solo uso ChatGPT?

Sí, pero de forma asumible. Para la mayoría de pymes que usan herramientas de IA generativa como desplegadores, las obligaciones reales hoy son dos: formar al personal que las usa (alfabetización en IA, exigible desde febrero de 2025) y cumplir la transparencia del artículo 50 desde agosto de 2026: avisar cuando un cliente habla con una IA y etiquetar contenido sintético.

El grueso del reglamento apunta a los sistemas de alto riesgo del Anexo III (selección de personal, crédito, educación, infraestructuras críticas). Si tus casos de uso no tocan esas áreas, tu carga es documental y de transparencia, no de certificación. Y un matiz que importa en LATAM: el artículo 2 da al reglamento alcance extraterritorial; si tu sistema de IA se ofrece en la UE o su resultado se usa allí, te aplica aunque tu empresa esté en Bogotá o en Ciudad de México.

Por qué tu equipo boicotea las automatizaciones

El equipo no rechaza la IA: rechaza tu proyecto de IA. El dato más revelador del informe del MIT (2025) es la "economía de IA en la sombra": solo el 40% de las empresas había comprado una suscripción oficial de IA, pero en más del 90% los empleados usaban herramientas personales de IA para trabajar. La adopción individual ya ocurrió; lo que fracasa es la versión corporativa.

Ese contraste desmonta el diagnóstico cómodo ("la gente se resiste al cambio") y apunta a causas concretas. La herramienta corporativa suele ser peor que la personal: no recuerda contexto, no aprende del uso y añade pasos al proceso en lugar de quitarlos. El proyecto se comunica como control ("vamos a medir cuánto produces") en vez de como capacidad ("vas a dejar de hacer esto a mano"). Y quien ejecuta el proceso cada día se entera del cambio cuando ya está decidido, así que su conocimiento del caso real (las excepciones, los atajos, los clientes difíciles) nunca entra en el diseño.

La gestión del cambio que funciona es poco ceremoniosa: involucra a los usuarios del proceso en el diseño del piloto desde el primer día, elige como primer caso algo que les quite trabajo tedioso (no algo que los vigile), publica la métrica y el criterio de éxito, y deja una vía formal para reportar fallos sin castigo. Si tras eso el uso no despega, la causa suele estar en la herramienta, no en las personas: pregunta a tu equipo qué usa en la sombra y por qué. Ahí está el listón real que tu proyecto tiene que superar.

El caso de negocio para implantar IA en una empresa: cifras que un consejo acepta

Un caso de negocio de IA se construye igual que cualquier otro: coste actual del proceso, mejora esperada con captura conservadora, coste total del proyecto y plazo de recuperación. Lo que cambia con la IA es la disciplina extra que exige: líneas base medidas antes de empezar, un criterio de cancelación explícito y presupuesto para pilotos que morirán.

Las partidas, una a una:

1. Coste actual del proceso (línea base). Horas al mes por coste por hora, más el coste de los errores y del tiempo de ciclo. Medido, no estimado de memoria. Es el número contra el que se comparará todo.
2. Beneficio esperado con captura conservadora. Si la automatización libera 200 horas al mes, no vale contarlas al 100%: aplica un factor de captura (qué parte se convierte de verdad en capacidad o en ahorro) y defiende ese factor, no la cifra bruta.
3. Coste total, con las partidas incómodas. Licencias o consumo de API, implantación e integración, mantenimiento mensual (los modelos cambian, las integraciones se rompen), formación y gestión del cambio. El mantenimiento es la partida que más propuestas comerciales omiten.
4. Riesgo y criterio de muerte. Qué resultado a qué fecha cancela el proyecto, y cuánto se habrá gastado en el peor caso. Un consejo financia mejor un experimento con pérdida máxima acotada que una promesa sin freno.
5. Plazo de recuperación y dueño. Cuándo el beneficio acumulado supera el coste acumulado, y qué persona responde de ese cruce.

El punto 4 no es retórica prudente: la encuesta Voice of the Enterprise de S&P Global (2025), sobre 1.006 directivos de Norteamérica y Europa, encontró que el 42% de las compañías abandonó la mayoría de sus iniciativas de IA antes de llegar a producción (frente al 17% del año anterior), y que de media se descarta el 46% de las pruebas de concepto. Un caso de negocio serio asume esa mortalidad y la convierte en aprendizaje barato: pilotos cortos, gasto escalonado y decisiones con fecha. Sobre el "cuánto cuesta": desconfía de cualquier cifra dada sin haber visto tus procesos. No hay pricing genérico honesto en consultoría de IA; hay diagnóstico y propuesta con tus números.

¿Es mejor construir, comprar o contratar la IA?

La respuesta corta: compra o co-desarrolla con un partner para casi todo, y construye solo donde el proceso sea tu ventaja competitiva. El informe del MIT (2025) midió el resultado de ambos caminos: las implantaciones con partners externos alcanzaron despliegue en torno al 67% de los casos, frente al 33% de las construidas internamente. El doble de éxito.

La matización honesta: el propio informe advierte que la correlación no prueba causalidad; quien contrata fuera suele tener también mejor gobierno interno. Aun así, la dirección del dato es consistente y coincide con lo que vemos en campo: el desarrollo interno se subestima siempre en mantenimiento. Construir a medida se justifica en casos como Manos al Cielo, una ONG para la que desarrollamos una aplicación web sobre sus procesos reales: ningún SaaS encajaba porque el proceso era el diferencial. Para decidir con criterio qué categoría de solución encaja en cada caso, tienes el análisis de agentes de IA para empresas y la guía de herramientas de IA con criterio de compra.

¿Merece la pena contratar una consultora de IA?

Merece la pena cuando el coste de equivocarse solo supera el coste de la consultora, y eso ocurre antes de lo que parece: automatizar el proceso equivocado o comprar la plataforma inadecuada cuesta más que cualquier diagnóstico. No merece la pena si la consultora empieza enseñándote herramientas en lugar de preguntarte por tus procesos y tus números.

El criterio de compra cabe en cuatro preguntas. ¿Mapea procesos antes de proponer tecnología, o llega con la solución decidida? ¿Su propuesta incluye cifras, línea base y criterio de éxito, o promesas cualitativas? ¿Puede enseñarte proyectos reales funcionando, que puedas abrir desde tu móvil, o solo logotipos y casos anónimos? ¿Te ata con permanencia, o se la juega a resultados? Una consultora que sobrevive a las cuatro te ahorrará dinero; una que no, te venderá horas.

Así trabajamos en Godius, consultoría de inteligencia artificial aplicada a empresas reales: el proceso empieza con una discovery call de 15 minutos, gratis y sin compromiso, sigue con un diagnóstico de procesos y termina en una propuesta con cifras, sin permanencia. Los proyectos que enseñamos (Patitas, Cartas Cádiz, Manos al Cielo, entre otros) están en producción y se pueden abrir hoy. El detalle del enfoque está en la página de consultoría estratégica de IA, y el mejor uso de una primera llamada no es que te vendan: es salir con una hipótesis clara de por dónde empezar y qué medir.

Cómo medir el retorno de la IA sin autoengaño

El retorno de la IA se mide contra la cuenta de resultados o no se está midiendo. La vara la puso el propio informe del MIT: impacto medible en el P&L. Todo lo demás (usuarios activos, consultas al chatbot, satisfacción interna) son indicadores intermedios útiles para gestionar, pero ninguno demuestra retorno ante un consejo.

La mecánica es sencilla de enunciar y exigente de cumplir. Primero, línea base antes del piloto: sin foto del "antes" no habrá atribución posible del "después". Segundo, una métrica primaria por caso de uso ligada a dinero: coste por operación tramitada, tasa de error con su coste, tiempo de ciclo que se convierte en capacidad, conversión que se convierte en ingresos. Tercero, ventana de medición pactada de antemano, con revisión a fecha fija y decisión obligatoria: escalar, corregir o cancelar.

Hay dos trampas que inflan retornos sobre el papel. Las "horas ahorradas" que no van a ninguna parte: si las horas liberadas no se convierten en capacidad reasignada, en reducción de coste externo o en más producción, son un ahorro teórico. Y la ausencia de contrafactual: si las ventas subieron, ¿cuánto habrían subido sin la IA? Comparar contra un grupo o periodo de control no es perfeccionismo académico; es lo que separa un dato de una anécdota. El sector, de media, no supera este listón: en la misma encuesta de S&P Global (2025), el 46% de las organizaciones que ya habían invertido en IA generativa reconocía que ningún objetivo de negocio había recibido un impacto positivo fuerte de esa inversión. Medir bien es, literalmente, ventaja competitiva.

Fracasos documentados: por qué mueren los proyectos de IA

Los proyectos de IA no mueren por la tecnología: mueren por el embudo previo a producción. El dato del MIT (2025) es explícito: el 60% de las organizaciones evaluó herramientas de IA de nivel empresarial, solo el 20% llegó a piloto y solo el 5% llegó a producción. La mortalidad se concentra entre la demo que entusiasma y el proceso real que la desmiente.

De los datos disponibles y de nuestros propios errores salen cuatro patrones que se repiten:

1. La herramienta no aprende del contexto. Es la causa central que documenta el MIT: sistemas que no retienen feedback ni se adaptan al flujo real de trabajo. El piloto funciona con los diez casos de la demo y se rompe con las excepciones del día a día.
2. Nadie midió la línea base. Sin "antes" no hay "después" demostrable, el proyecto no puede defender su presupuesto y cae en la siguiente revisión de costes. Es la lección que más veces hemos visto repetirse, y la razón de que en Godius no arranque ningún proyecto sin diagnóstico de procesos previo.
3. Coste y seguridad aparecen tarde. En la encuesta de S&P Global (2025), los principales obstáculos citados fueron privacidad de datos (38%), riesgos de seguridad (38%) y coste (37%). Cuando estas partidas emergen a mitad de proyecto en lugar de estar en el caso de negocio, lo matan.
4. Piloto sin criterio de muerte. El proyecto no fracasa: se eterniza, que es peor. Consume presupuesto y credibilidad, y quema a la organización para el siguiente intento. Cancelar a tiempo con aprendizaje documentado es un resultado aceptable; un zombi no lo es nunca.

La lectura constructiva del apartado es la misma que la de toda la guía: la brecha entre el 95% y el 5% no la marca el acceso a la tecnología, que es idéntico para todos, sino el orden con el que se implanta. Proceso mapeado, dato gobernado, caso de negocio con cifras, equipo dentro del diseño y medición contra el P&L. Ese orden no garantiza el éxito de cada piloto; garantiza que cada piloto, viva o muera, deje a la empresa mejor posicionada para el siguiente. Y esa es la única estrategia de adopción de IA que un consejo debería aprobar.