Un informe del MIT: el 95% de los pilotos de IA no logra retorno
MIT NANDA concluye que solo el 5% de los pilotos empresariales de IA generativa acelera los ingresos. El problema no estaría tanto en los modelos como en su integración, su adaptación al trabajo y la elección de proyectos.
Un nuevo informe de la iniciativa NANDA del MIT concluye que cerca del 95% de los pilotos empresariales de inteligencia artificial generativa analizados no produce un impacto medible en las cuentas. Solo el 5% consigue acelerar los ingresos con rapidez, una brecha que cuestiona la distancia entre la inversión en IA y los resultados que las empresas pueden demostrar.
El estudio, titulado The GenAI Divide: State of AI in Business 2025, se apoya en 150 entrevistas con directivos, una encuesta a 350 empleados y el análisis de 300 despliegues públicos. Su tesis central es que el principal obstáculo no es la capacidad de los modelos, sino la forma en que las organizaciones intentan incorporarlos a sus procesos.
Mucha inversión, poco impacto en las cuentas
El informe sitúa sus resultados en un mercado que ya ha movilizado entre 30.000 y 40.000 millones de dólares de inversión empresarial en IA generativa. Pese a ese gasto, la mayoría de los proyectos permanece atascada antes de llegar a producción o no demuestra mejoras claras en ingresos, costes o beneficios.
Ese 95% requiere una precisión importante: no significa que el 95% de todas las herramientas de IA sea inútil ni que no produzca ninguna mejora puntual. La métrica se refiere a los pilotos estudiados y a su capacidad para generar un efecto medible en la cuenta de pérdidas y ganancias, conocida en el ámbito empresarial como P&L.
Una aplicación puede ahorrar minutos al redactar correos o resumir documentos sin que ese ahorro termine convertido en menores costes, más ventas o capacidad adicional. El salto desde la productividad individual hasta el retorno financiero de toda una organización es precisamente donde se atascan muchos proyectos.
El problema es la integración, no solo el modelo
Los investigadores describen un déficit de aprendizaje (learning gap): las herramientas no conservan suficiente contexto, no se adaptan bien a los procedimientos internos y tampoco mejoran con el uso cotidiano de la empresa. Al mismo tiempo, las organizaciones no rediseñan sus procesos para aprovecharlas.
Servicios generalistas como ChatGPT pueden resultar útiles para una persona porque aceptan tareas muy distintas y permiten trabajar con flexibilidad. En una empresa, sin embargo, una herramienta debe conectarse con bases de datos, permisos, sistemas de facturación y flujos de aprobación. También necesita operar con criterios repetibles y dejar un rastro que pueda auditarse.
Esta diferencia ayuda a explicar por qué una demostración convincente no equivale a un producto empresarial. Un modelo puede redactar una respuesta correcta y, aun así, fracasar como sistema si desconoce el historial del cliente, emplea información desactualizada o necesita que un trabajador revise manualmente cada paso.
Comprar y asociarse funciona mejor que construir desde cero
La vía de adopción también marca una diferencia. De acuerdo con el informe, los proyectos adquiridos a proveedores especializados o desarrollados mediante alianzas tienen éxito aproximadamente el 67% de las veces. Las construcciones internas lo consiguen con una frecuencia equivalente a solo un tercio de esa tasa.
La comparación no demuestra por sí sola que comprar sea siempre mejor. Las compañías que desarrollan sistemas propios suelen afrontar requisitos más complejos, especialmente en finanzas y otros sectores regulados. Pero sí revela el coste de intentar crear una plataforma completa sin experiencia, datos preparados ni un problema de negocio suficientemente acotado.
Los casos que funcionan tienden a concentrarse en una tarea concreta y a contar con responsables operativos, no solo con un laboratorio central de IA. El conocimiento sobre dónde se pierde tiempo o dinero suele estar en los departamentos que ejecutan el proceso cada día.
El presupuesto se dirige a las áreas equivocadas
Más de la mitad del presupuesto empresarial para IA generativa se está destinando a ventas y marketing, según el estudio. Sin embargo, los retornos más claros aparecen en tareas internas: automatización administrativa, reducción del gasto en agencias externas, sustitución de procesos subcontratados y simplificación de operaciones.
La diferencia tiene lógica económica. Generar campañas o mensajes comerciales resulta visible y sencillo de presentar, pero atribuir una venta adicional a la IA es difícil. En cambio, eliminar una factura externa o reducir las horas necesarias para procesar documentos ofrece un ahorro directo que puede medirse con mayor facilidad.
El informe también detecta una expansión de la IA en la sombra, es decir, el uso por parte de empleados de herramientas como ChatGPT sin autorización o integración oficial. Este fenómeno indica que existe demanda real, pero plantea riesgos relacionados con datos confidenciales, control de accesos y cumplimiento normativo.
El empleo cambia antes mediante vacantes que con despidos masivos
Los efectos laborales observados se concentran por ahora en atención al cliente y puestos administrativos. En lugar de grandes recortes anunciados como consecuencia directa de la IA, algunas empresas optan por no cubrir las vacantes que dejan quienes abandonan la organización.
El impacto es mayor en funciones que ya estaban externalizadas y eran tratadas como tareas de menor valor. Esto permite reducir costes sin reorganizaciones internas tan visibles, aunque desplaza el efecto hacia proveedores y trabajadores subcontratados.
Una cifra útil, pero no un veredicto sobre toda la IA
La muestra combina entrevistas, empleados y despliegues públicos, por lo que el 95% no debe extrapolarse mecánicamente a todas las empresas y sectores. Los proyectos públicos pueden diferir de los sistemas internos que las compañías no divulgan, y algunos retornos tardan más en aparecer que otros.
Aun con esas limitaciones, el informe identifica un problema reconocible: muchas empresas han empezado por adquirir acceso a un modelo y solo después han buscado dónde utilizarlo. La tecnología llega antes que la definición del proceso, los datos, el responsable y la métrica financiera.
Las organizaciones más avanzadas ya experimentan con agentes de IA capaces de recordar información y ejecutar acciones dentro de límites establecidos. Pero esas funciones también aumentan la necesidad de controles y de una integración fiable. El próximo examen no será si un agente puede completar una demostración, sino si puede hacerlo de forma repetible, segura y con un ahorro o ingreso que el director financiero pueda contabilizar.
