Author: Boxu Li 

Introduction

Over the past few years, artificial intelligence has moved from niche experiments to the core of many business strategies. By 2024, 78% of organizations worldwide reported using AI in some capacity – a jump from 55% just a year before. Yet for all this enthusiasm, a harsh reality is setting in: few companies are actually reaping significant value from their AI investments. Many executives feel AI hasn't yet delivered the ROI they hoped for, and numerous pilot projects never scale up. Boston Consulting Group found that only 26% of companies have developed the necessary capabilities to move beyond proofs-of-concept and generate tangible value with AI. In fact, a mere 4% are truly "AI leaders" consistently seeing significant returns, while 74% have yet to see meaningful value at all. Similarly, an S&P Global survey showed the share of businesses scrapping the majority of their AI initiatives rose from 17% to 42% in the past year, with nearly 46% of AI projects getting abandoned between pilot and full deployment. These numbers paint a clear picture: adopting AI is easy – but adopting AI successfully is hard.

¿Por qué es tan desafiante cerrar esta brecha entre la ambición y el impacto? Las razones son tanto técnicas como organizacionales. En el lado técnico, muchas empresas luchan por integrar la IA en los sistemas y flujos de trabajo existentes, manejar problemas de datos y gestionar herramientas de IA a escala. Por ejemplo, la calidad de los datos es un gran obstáculo: en un informe de la industria, el 83% de las organizaciones tuvo que excluir al menos una fuente de datos de proyectos de automatización debido a la mala calidad de los datos. Si tus datos están aislados, son inconsistentes o poco confiables, incluso el mejor modelo de IA rendirá por debajo de lo esperado. Además, implementar IA a escala requiere una infraestructura robusta (como pipelines de MLOps, recursos de computación y herramientas para monitorear el rendimiento del modelo), de la cual carecen muchas empresas. En 2024, solo alrededor del 27% de las empresas estaban utilizando herramientas de MLOps para gestionar e implementar IA, aunque otro 42% planeaba comenzar dentro de un año, lo que indica que la mayoría aún está en las primeras etapas de desarrollo de la infraestructura necesaria para la IA a gran escala.

Los desafíos organizacionales son igualmente abrumadores. A menudo hay una brecha de talento y conocimiento: las empresas pueden tener uno o dos equipos de ciencia de datos construyendo modelos, pero el personal más amplio (e incluso la alta dirección) no comprende completamente las capacidades o limitaciones de la IA. Esto puede llevar a expectativas poco realistas o a una renuencia a confiar en los resultados de la IA. Una encuesta reciente de Anthropic señaló que, aunque alrededor del 40% de los empleados en EE. UU. ahora usan IA en el trabajo (frente al 20% en 2023), muchos trabajadores todavía se sienten inseguros sobre cómo aprovechar mejor estas herramientas, y los programas de capacitación están rezagados. Además, escalar la IA requiere gestión del cambio: transformar procesos y mejorar las habilidades de las personas, lo que puede enfrentar resistencia interna. Sin un liderazgo fuerte y una visión clara, los proyectos piloto a menudo siguen siendo experimentos aislados que nunca penetran en la organización en general.

Tendencias Globales y Regionales: A pesar de los desafíos, la adopción de IA en las empresas sigue acelerándose, especialmente en ciertas regiones. Estados Unidos lidera en inversión privada en IA y tiene una alta tasa de adopción, pero curiosamente no el mayor crecimiento de uso. El Asia-Pacífico se ha convertido en un hervidero de actividad en IA; un informe lo llama "la región a observar" ya que los ejecutivos de APAC adoptan la IA generativa más rápido que casi cualquier otro. Asia ahora es solo superada por América del Norte en la adopción de herramientas de IA generativa. Si 2023 fue sobre pilotos, 2025 está preparado para ser el año en que Asia amplíe las implementaciones de IA en todas las industrias. Esto es impulsado por un fuerte apoyo de arriba hacia abajo: por ejemplo, Japón aprobó una Ley de Promoción de IA en 2025 con el objetivo de hacer de Japón el "país más amigable con la IA del mundo" a través de políticas proinnovación e inversiones. Japón reconoció que estaba rezagado en la adopción de IA y ahora está movilizando al gobierno y la industria para ponerse al día. Asimismo, Corea del Sur lanzó una Estrategia Nacional de IA con una ley marco integral y miles de millones en financiación para convertirse en una de las 3 principales potencias mundiales en IA, incluyendo metas para que la IA sea adoptada por el 30% de las empresas para 2030. Estos impulsos políticos significan que las empresas en el noreste de Asia están bajo presión, y recibiendo apoyo, para integrar la IA más pronto que tarde.

Mientras tanto, China e India cuentan con grandes grupos de usuarios de IA (por ejemplo, millones de ingenieros de software y un auge de startups en IA), pero sus paisajes empresariales difieren. Los gigantes tecnológicos chinos son líderes mundiales en IA, aunque muchas empresas tradicionales chinas aún están en las primeras etapas de adopción de IA. Las empresas de servicios de TI de India están infundiendo rápidamente inteligencia artificial en productos para clientes globales y uso doméstico. En contraste, Europa ha adoptado un enfoque más cauteloso y regulador (con la próxima Ley de IA de la UE), lo que algunos temen que pueda ralentizar la adopción empresarial allí. Sin embargo, incluso en Europa, las encuestas muestran una creciente urgencia ejecutiva por no quedarse atrás. En definitiva, la tendencia mundial es clara: las empresas sienten un intenso imperativo de "hacer algo" con IA, pero convertir eso en un valor comercial sostenido está demostrando ser un punto de dolor universal.

Principales Barreras para Escalar la IA

• Falta de Estrategia y Patrocinio Ejecutivo: Muchas organizaciones se adentraron en la IA sin una estrategia clara alineada con los resultados comerciales. Es común ver proyectos piloto fragmentados iniciados por equipos individuales o laboratorios de innovación, sin coordinación a nivel ejecutivo. Esto resulta en duplicaciones, esfuerzos desperdiciados y proyectos que no abordan las necesidades comerciales principales. La investigación de BCG enfatiza que los líderes en IA invariablemente tienen un fuerte apoyo a nivel de CEO y alinean las iniciativas de IA con los objetivos estratégicos. Cuando la IA es una prioridad del CEO (y no solo un experimento de I+D), los proyectos reciben los recursos necesarios, mejora la colaboración transversal y se enfoca en resolver problemas de alto valor en lugar de hacer IA por el mero hecho de hacerla.
• Brecha de Talento y Habilidades: La adopción exitosa de IA requiere una combinación de científicos de datos, ingenieros, expertos en dominios y líderes de cambio. Muchas empresas simplemente no tienen suficientes de estos perfiles. Contratar talento en IA es competitivo y costoso, y actualizar las habilidades del personal existente es lento. Además, más allá de los expertos técnicos, los gerentes de nivel medio y los empleados de primera línea necesitan capacitación para trabajar con herramientas de IA (por ejemplo, cómo interpretar recomendaciones de IA, cómo plantear preguntas a los sistemas de IA generativa, etc.). Si los empleados no entienden la IA, pueden desconfiar de ella o subutilizarla, negando los beneficios potenciales. Las empresas líderes invierten fuertemente en programas de actualización de habilidades y capacitación cruzada, a menudo estableciendo "academias de IA" internas para aumentar la fluidez general de la IA en su fuerza laboral. Esto garantiza que cuando se implementen nuevas soluciones de IA, el personal esté listo para integrarlas en el trabajo diario en lugar de resistirse a ellas.
• Problemas de Datos, Tecnología e Infraestructura: Como se mencionó, la calidad y disponibilidad de los datos son fundamentales. Las empresas que no han modernizado su infraestructura de datos luchan incluso para probar la IA, porque los algoritmos necesitan grandes cantidades de datos accesibles y limpios. Los sistemas de datos aislados, las arquitecturas de TI heredadas y la falta de capacidades de computación en la nube impiden la escalabilidad de la IA. Además, desplegar IA a escala empresarial requiere sistemas de monitoreo para rastrear el rendimiento del modelo (¿nuestras predicciones siguen siendo precisas?), procesos para actualizar modelos con nuevos datos y mecanismos para gobernar el uso del modelo (por ejemplo, asegurarse de que una IA que toma decisiones de crédito sea justa y cumpla con las normativas). Estos aspectos caen bajo el paraguas de MLOps y gobernanza de IA, áreas donde muchas empresas todavía son inmaduras. Es revelador que en una encuesta, la "dificultad para demostrar el ROI" fue una razón principal por la cual las empresas no habían invertido en MLOps todavía; esto indica un círculo vicioso donde no tener la infraestructura adecuada hace que el ROI sea más difícil de lograr, pero la falta de un ROI claro hace más difícil asegurar presupuesto para la infraestructura. Cortar este nudo gordiano a menudo requiere liderazgo visionario para invertir en plataformas y herramientas incluso antes de que el beneficio sea totalmente evidente.
• Riesgos, Seguridad y Preocupaciones Éticas: La adopción empresarial de IA puede ralentizarse por preocupaciones legítimas sobre riesgos, ya sea ciberseguridad, cumplimiento normativo o escollos éticos. Las empresas en industrias reguladas (finanzas, salud, etc.) deben asegurarse de que las decisiones de IA cumplan con las leyes y puedan ser auditadas. También hay un riesgo reputacional: una IA defectuosa que discrimine sin intención o cometa un error de alto perfil podría ser un desastre de relaciones públicas. Sin la supervisión adecuada, los proyectos de IA pueden ser obstaculizados por departamentos de cumplimiento o temores legales. Lo que separa a los adoptadores exitosos es que abordan proactivamente estas preocupaciones a través de sólidos marcos de gobernanza. Por ejemplo, implementan puntos de control "human-in-the-loop" para decisiones sensibles, realizan auditorías de sesgo en los algoritmos y aseguran la transparencia de las recomendaciones de IA. Muchos están estableciendo comités internos de ética de IA. También están surgiendo herramientas y marcos para la IA responsable. Como ejemplo, el equipo detrás de Macaron AI ha destacado la importancia de la privacidad por diseño y el cumplimiento en los asistentes de IA, implementando medidas de política vinculante y transparencia para generar confianza del usuario. Las empresas de manera similar necesitan construir confianza con los usuarios (y reguladores) demostrando que pueden desplegar IA de manera responsable. Cuando las partes interesadas confían en la IA, es más probable que apoyen su escalabilidad.

Lo que hacen diferente los adoptantes exitosos: A pesar de las estadísticas desalentadoras mencionadas antes, hay empresas que están logrando avances significativos impulsados por la IA. ¿Qué están haciendo bien? La investigación y los estudios de caso señalan varias prácticas recomendadas:

Vincular la IA a un valor comercial claro: En lugar de utilizar la IA solo por experimentación, las empresas exitosas comienzan con problemas u oportunidades de negocio concretos. Preguntan, "¿Cómo puede la IA ayudarnos a aumentar los ingresos, reducir los costos o mejorar la experiencia del cliente?" y persiguen proyectos con indicadores clave de rendimiento medibles. Por ejemplo, en lugar de "usemos la IA en recursos humanos porque está de moda", podrían enfocarse en "reducir el tiempo promedio de atención en el centro de llamadas en un 20% mediante un asistente de IA" o "disminuir el tiempo de inactividad en la fabricación mediante el mantenimiento predictivo". Tener métricas claras (tiempo ahorrado, aumento de conversiones, reducción de errores, etc.) y seguirlas rigurosamente mantiene los despliegues de IA enfocados y responsables. También ayuda a conseguir apoyo: cuando los empleados en primera línea ven que una herramienta de IA facilita su trabajo o hace más felices a los clientes, se convierten en defensores en lugar de escépticos.

Comienza en Pequeño, Luego Expande Rápidamente: Las organizaciones exitosas a menudo prueban la IA en una escala menor pero con un plan para escalar desde el primer día. Tratan los pilotos como fases de aprendizaje para perfeccionar la solución y demostrar su valor, y luego pasan rápidamente a implementarla ampliamente si los resultados son positivos. Crucialmente, presupuestan y planifican para la etapa de escalado (no solo para el POC). Esto puede implicar la construcción de arquitecturas flexibles que se puedan extender y el establecimiento temprano de equipos multifuncionales (TI, datos, unidad de negocio colaborando) para que los obstáculos de integración se aborden desde el principio. Un banco, por ejemplo, probó un sistema de detección de fraude con IA en una región, vio que la tasa de falsos positivos disminuyó significativamente y, en un año, lo implementó en más de 20 países, porque había preparado manuales y campeones internos durante el piloto para impulsar la adopción más amplia.

Invierte en Infraestructura y Herramientas: Los líderes en IA no escatiman en la "plomería". Invierten en lagos de datos o almacenes de datos modernos para agregar y limpiar datos, utilizan plataformas en la nube o computación de alto rendimiento para el entrenamiento y despliegue de modelos, e incorporan herramientas de MLOps para el control de versiones, pruebas y despliegue continuo de modelos de IA. Esto a menudo requiere asociarse con proveedores de tecnología o vendedores de nube que se especializan en estos servicios. La recompensa es fiabilidad y escalabilidad: con una base sólida, agregar un nuevo caso de uso de IA se vuelve progresivamente más fácil y rápido. Por el contrario, las organizaciones que intentan hacer IA en una infraestructura improvisada a menudo encuentran que sus pilotos colapsan bajo el peso de la complejidad del mundo real cuando se agregan más usuarios o datos.

Cultivar talento y equipos multifuncionales: Además de mejorar las habilidades, las organizaciones exitosas en IA rompen barreras entre científicos de datos y expertos en el dominio. Crean equipos interdisciplinarios donde, por ejemplo, un experto en marketing y un ingeniero de aprendizaje automático trabajan juntos en un algoritmo de personalización, aprendiendo mutuamente. Esto asegura que la solución de IA realmente se adapte al contexto del negocio y pueda implementarse de manera práctica. También facilita la transferencia de conocimiento para que el experto en negocios se vuelva más tecnológico y el experto en tecnología gane intuición en el dominio. Además, las empresas líderes en IA a menudo tienen un centro de excelencia en IA o ciencia de datos que desarrolla mejores prácticas, ofrece consultoría interna y posiblemente crea plataformas o herramientas comunes para ser reutilizadas en todos los departamentos. Esto evita que cada equipo reinvente la rueda y acelera la adopción general.

Defensa Ejecutiva y Gestión del Cambio: Finalmente, nada de lo anterior sucederá sin un liderazgo fuerte que lo impulse. Los adoptadores exitosos de IA tienen líderes que articulan una visión convincente del papel de la IA en la organización y gestionan activamente el cambio. Esto implica comunicar claramente a los empleados cómo la IA mejorará su trabajo (y no solo recortará empleos), establecer expectativas realistas con la junta y los inversores, y promover una cultura de toma de decisiones basada en datos. Celebran los éxitos de los proyectos de IA para generar impulso y son honestos sobre los fracasos como oportunidades de aprendizaje. Cuando el equipo directivo está visiblemente comprometido, por ejemplo, el CEO discute las iniciativas de IA en reuniones generales, o se nombra a un Director de IA, se envía una señal a toda la empresa de que la IA es una prioridad estratégica, no un experimento pasajero.

Mirando al Futuro

Al entrar en 2025, la adopción de la IA en las empresas se encuentra en un punto de inflexión. El hype está dando paso a una reflexión sobria sobre lo que se necesita para lograr valor. La buena noticia es que los elementos para el éxito son cada vez más comprendidos y los recursos abundan. Hay más modelos preentrenados y APIs a los que las empresas pueden conectarse sin necesidad de tener enormes equipos de investigación en IA (desde servicios de visión por computadora hasta APIs de modelos de lenguaje grande). También hay más plataformas de integración e incluso herramientas de IA sin código (como se discutió en el blog anterior) que pueden ayudar a acelerar la implementación con menos esfuerzo técnico. En resumen, la barrera de entrada sigue disminuyendo.

Sin embargo, realmente integrar la IA en la estructura de una empresa, de manera que impulse consistentemente el beneficio o los resultados de la misión, seguirá siendo un viaje que pone a prueba la visión, adaptabilidad y gobernanza de una compañía. La brecha entre los líderes y rezagados en IA podría ampliarse en los próximos años. Por un lado, veremos empresas que trataron 2023-2024 como su fase de aprendizaje y ahora están escalando la IA como nunca antes, cosechando ventajas competitivas en eficiencia, conocimiento del cliente e innovación. Por otro lado, las empresas que incursionaron en la IA sin estrategia o compromiso pueden estancarse o quedarse atrás, mientras sus competidores más ágiles usan la IA para superarlas.

El hecho de que la adopción empresarial de la IA se correlacione con los aumentos de productividad ya no está en duda: los estudios muestran que las empresas preparadas para la IA están tomando la delantera. La cuestión ahora es qué empresas pueden llevar a cabo el arduo trabajo organizativo para convertir el potencial de la IA en realidad. Aquellas en Estados Unidos y Asia que combinan sus fortalezas tecnológicas con una visión clara y una implementación sólida probablemente marcarán el ritmo en esta nueva era. Se benefician de ecosistemas de innovación fuertes y (en el caso de Asia) a menudo de una urgencia descendente para modernizarse. Pero cualquier organización, en cualquier región, puede tener éxito con el enfoque correcto.

En conclusión, el tiempo de la experimentación con IA está dando paso a un tiempo de ejecución con IA. Las empresas deben ir más allá de perseguir el próximo algoritmo llamativo y centrarse en construir los cimientos: datos, personas, procesos, que permitan que la IA florezca a gran escala. El camino no es fácil, como lo demuestran las dificultades que muchos han enfrentado hasta ahora. Sin embargo, el premio todavía está al alcance: operaciones optimizadas, experiencias de cliente diferenciadas y nuevas oportunidades de producto impulsadas por la IA. Con una estrategia reflexiva, un liderazgo fuerte y la disposición a aprender de los primeros errores, las empresas pueden realmente cerrar la brecha entre el bombo publicitario y el impacto duradero. El año 2025 será crucial para separar a quienes solo hablan de IA de quienes realmente están transformando su negocio con ella. Al abordar los desafíos de frente y seguir el manual de los líderes en IA, cualquier empresa puede acelerar su viaje desde proyectos piloto ambiciosos hacia un éxito escalado impulsado por IA.