La inteligencia artificial se ha convertido en una de las prioridades tecnológicas para empresas de todos los tamaños. Desde asistentes generativos hasta sistemas capaces de automatizar procesos, analizar datos o redactar documentos, la promesa parece clara: más productividad, menos costes y una mayor capacidad para competir en mercados cada vez más exigentes. Sin embargo, la realidad que están encontrando muchas organizaciones es bastante distinta. A pesar de las inversiones multimillonarias y del creciente interés por estas herramientas, una gran parte de los proyectos de IA termina estancada, abandonada o sin generar el retorno esperado.

Diversos estudios y análisis publicados durante los últimos años muestran una situación llamativa. Mientras los trabajadores adoptan la inteligencia artificial de forma espontánea para resolver tareas cotidianas, muchas compañías siguen sin encontrar una fórmula efectiva para integrarla dentro de sus operaciones. La tecnología existe, los modelos son cada vez más avanzados y los costes de acceso han disminuido, pero el problema continúa apareciendo en el mismo lugar: la organización interna de las empresas.

El síndrome del bote de remos

La metáfora del denominado “síndrome del bote de remos”, planteada por Ignacio Gómez Portillo, resume de forma bastante gráfica el problema actual. Según esta visión, las empresas están comprando el mejor bote posible, incorporando motores tecnológicos cada vez más sofisticados y contratando plataformas avanzadas de inteligencia artificial, pero olvidan enseñar a sus equipos a remar en la misma dirección.

El resultado es una situación donde la tecnología existe, pero la coordinación desaparece. Los empleados utilizan herramientas diferentes, los departamentos trabajan de forma aislada y los objetivos de negocio quedan desconectados de las capacidades reales de la IA. En lugar de generar eficiencia, la organización termina creando nuevas capas de complejidad.

Esta situación se ha vuelto especialmente visible durante los últimos dos años. Muchas empresas han lanzado proyectos piloto con gran entusiasmo inicial, pero una vez superada la fase de demostración aparecen problemas relacionados con la integración de datos, la gestión del cambio, la formación de los empleados y la definición de responsabilidades.

El fracaso de los pilotos de IA

Uno de los datos más repetidos por distintos estudios es que alrededor del 95% de los proyectos piloto relacionados con inteligencia artificial no consiguen generar valor económico medible o no llegan a producción real. Investigaciones citadas por medios especializados y basadas en análisis del MIT reflejan una brecha considerable entre la experimentación y la implantación efectiva.

La diferencia entre un piloto y una solución empresarial operativa es mucho mayor de lo que parece. Crear una demostración funcional suele requerir semanas o pocos meses. Convertir ese mismo sistema en una herramienta robusta, integrada con los sistemas corporativos y utilizada diariamente por cientos o miles de empleados puede requerir años de trabajo.

Desde un punto de vista técnico, muchos proyectos fracasan porque la calidad de los datos corporativos es insuficiente. Los modelos de lenguaje actuales pueden procesar enormes volúmenes de información, pero si los datos de origen contienen errores, duplicidades o formatos inconsistentes, la precisión de los resultados disminuye rápidamente.

Además, la mayoría de las organizaciones mantiene infraestructuras fragmentadas. Es habitual encontrar bases de datos distribuidas entre diferentes departamentos, sistemas heredados con más de una década de antigüedad y aplicaciones que no fueron diseñadas para interoperar con herramientas basadas en inteligencia artificial.

La adopción informal está creciendo

Paradójicamente, mientras las empresas encuentran dificultades para desplegar estrategias formales, los trabajadores ya utilizan la IA de forma habitual.

Según los datos citados por Diario TI, el 81% de los profesionales argentinos emplea herramientas de inteligencia artificial al menos una vez por semana para realizar tareas cotidianas. Sin embargo, más de dos tercios afirman que sus organizaciones nunca intentaron implantar IA o abandonaron los proyectos en fases tempranas.

Este fenómeno está impulsando lo que algunos expertos denominan Shadow AI, una situación comparable al Shadow IT que surgió hace años con el uso de aplicaciones y servicios en la nube no autorizados por los departamentos tecnológicos.

Los empleados recurren a ChatGPT, Claude, Gemini o Copilot porque necesitan resolver problemas inmediatos. El riesgo aparece cuando estas herramientas se utilizan sin directrices claras, sin protocolos de seguridad y sin mecanismos de supervisión.

Desde el punto de vista de la ciberseguridad, el problema puede ser considerable. Compartir información sensible con modelos externos puede exponer datos corporativos, información financiera o propiedad intelectual. Además, la generación automática de código está introduciendo nuevos desafíos relacionados con vulnerabilidades, dependencias inseguras y errores difíciles de detectar manualmente. Diversos informes recientes relacionan incluso el crecimiento de ciertas filtraciones de credenciales con el aumento del desarrollo asistido por IA.

La verdadera brecha: el talento

La falta de profesionales especializados aparece constantemente como uno de los principales obstáculos.

El artículo de Diario TI señala que el 94% de los CIOs considera la escasez de talento técnico como el principal freno para la adopción efectiva de la inteligencia artificial.

No se trata únicamente de científicos de datos o ingenieros de machine learning. La necesidad abarca perfiles mucho más amplios. Las empresas requieren especialistas capaces de diseñar procesos, supervisar resultados, evaluar riesgos, gestionar datos y coordinar equipos multidisciplinares.

En términos prácticos, una implementación corporativa moderna puede requerir arquitectos cloud, expertos en gobierno del dato, desarrolladores de integración, responsables legales especializados en protección de datos y profesionales capaces de traducir necesidades empresariales en casos de uso concretos.

La situación se agrava cuando se analiza la formación. Solo una pequeña parte de las organizaciones ofrece programas obligatorios relacionados con IA, mientras que una proporción significativa todavía no dispone de planes formativos específicos. La consecuencia es evidente: existe interés por aprender, pero faltan estructuras que permitan desarrollar esas capacidades de manera ordenada.

El error de pensar que la IA es un software

Uno de los problemas más frecuentes consiste en abordar la inteligencia artificial como una simple adquisición tecnológica.

Muchas organizaciones actúan como si bastara con contratar licencias, desplegar una plataforma y esperar resultados automáticos. Sin embargo, la experiencia demuestra que la IA se parece mucho más a un proyecto de transformación empresarial que a una instalación de software convencional.

La diferencia es importante porque obliga a replantear procesos completos.

Por ejemplo, automatizar la generación de informes no consiste únicamente en utilizar un modelo generativo. También implica redefinir quién valida la información, cómo se almacenan los datos, qué métricas se utilizan para medir la calidad del resultado y qué responsabilidad conserva el empleado humano.

Cuando estos elementos no están definidos, la organización termina obteniendo respuestas rápidas pero inconsistentes.

Datos de calidad o fracaso asegurado

Existe una frase bastante repetida en el sector tecnológico: “garbage in, garbage out”. Si los datos son deficientes, los resultados también lo serán.

Los sistemas actuales de IA generativa funcionan gracias a modelos capaces de procesar miles de millones de parámetros. Algunos de los modelos comerciales más avanzados superan ampliamente los cientos de miles de millones de parámetros y admiten ventanas de contexto superiores a un millón de tokens.

Sin embargo, toda esa capacidad pierde valor cuando las bases de datos empresariales contienen errores estructurales.

En muchas compañías, los registros de clientes aparecen duplicados, los inventarios no están sincronizados y los sistemas de gestión almacenan información contradictoria. La IA amplifica tanto los aciertos como los errores. Cuando recibe información inconsistente, también produce conclusiones inconsistentes.

Por ese motivo, numerosos proyectos terminan dedicando entre el 60% y el 80% del tiempo total a tareas relacionadas con limpieza, normalización y preparación de datos antes incluso de comenzar el entrenamiento o despliegue de modelos.

El problema cultural que nadie quiere afrontar

Las barreras técnicas son importantes, pero muchos especialistas coinciden en que los obstáculos culturales tienen un peso aún mayor.

La resistencia al cambio continúa siendo uno de los factores más relevantes. Muchos empleados temen que la automatización reduzca puestos de trabajo o modifique funciones consolidadas durante años. Paralelamente, algunos directivos perciben la IA como una amenaza para estructuras jerárquicas tradicionales.

La inteligencia artificial tiende a reducir tiempos de decisión, automatizar tareas intermedias y proporcionar información que anteriormente dependía de múltiples niveles de supervisión. Esto altera dinámicas de poder existentes dentro de las organizaciones.

Diversos análisis apuntan a que el verdadero valor de la IA aparece cuando las empresas rediseñan sus procesos internos, no cuando simplemente añaden una nueva herramienta encima de estructuras antiguas.

Más allá de los chatbots

Durante los primeros años de adopción empresarial, gran parte de la atención se concentró en asistentes conversacionales, generación de textos y automatización documental.

Actualmente, el potencial es mucho más amplio.

Los sistemas de IA ya participan en mantenimiento predictivo industrial, optimización logística, detección de fraude financiero, análisis de imágenes médicas y diseño asistido por ordenador. En algunos sectores industriales, los algoritmos son capaces de reducir tiempos de parada de maquinaria entre un 20% y un 40% mediante análisis predictivos basados en sensores IoT.

En el ámbito financiero, determinados sistemas procesan millones de transacciones diarias para detectar patrones anómalos con latencias inferiores a 100 milisegundos. En sanidad, los modelos especializados pueden analizar imágenes diagnósticas con niveles de sensibilidad comparables a los de especialistas humanos en determinadas tareas concretas.

Estas aplicaciones muestran que el problema no reside en la tecnología. La capacidad técnica ya existe. El reto consiste en integrarla correctamente dentro de la estructura empresarial.

El modelo de cooperación humana

Cada vez más expertos defienden un enfoque basado en la cooperación entre personas y máquinas.

En lugar de plantear la IA como un sustituto del trabajador, la tendencia más sólida consiste en utilizarla como una herramienta de amplificación de capacidades. El profesional conserva el criterio, la supervisión y la toma de decisiones finales, mientras que la inteligencia artificial acelera tareas repetitivas, genera borradores, analiza información o identifica patrones complejos.

Este modelo resulta especialmente efectivo porque aprovecha las fortalezas de ambos elementos. Los algoritmos destacan procesando grandes volúmenes de datos y encontrando correlaciones estadísticas. Los humanos siguen siendo superiores en interpretación contextual, creatividad estratégica, negociación y juicio ético.

Las empresas que están obteniendo mejores resultados suelen centrarse precisamente en esa combinación. No intentan reemplazar completamente a sus equipos, sino aumentar su capacidad operativa mediante herramientas bien integradas.

El futuro dependerá menos de la IA y más de las organizaciones

La narrativa tecnológica suele centrarse en los avances de los modelos, la potencia de cálculo o la carrera entre gigantes tecnológicos. Sin embargo, la experiencia acumulada durante los últimos años está mostrando una realidad diferente.

Las organizaciones que obtienen resultados consistentes no son necesariamente las que disponen de los modelos más avanzados. Son aquellas que han conseguido alinear estrategia, formación, procesos, gobierno del dato y liderazgo ejecutivo.

La inteligencia artificial continuará evolucionando a gran velocidad. Los modelos serán más precisos, más eficientes y más accesibles. Pero incluso cuando la tecnología siga mejorando, las empresas seguirán enfrentándose al mismo desafío fundamental: coordinar personas, procesos y objetivos.

El llamado síndrome del bote de remos refleja precisamente esa situación. No basta con comprar la embarcación más moderna. Si la tripulación no rema de forma sincronizada, el avance seguirá siendo limitado. Y en un mercado donde la velocidad de adaptación se ha convertido en un factor competitivo crítico, esa diferencia puede determinar qué empresas logran aprovechar la IA y cuáles se quedan atrapadas en una cadena interminable de pilotos sin resultados.

Durante los próximos cinco años, probablemente veremos una separación cada vez más clara entre organizaciones capaces de integrar la inteligencia artificial en su ADN operativo y aquellas que continúen utilizándola únicamente como una herramienta aislada. La diferencia no estará en quién tenga acceso a la mejor IA, sino en quién haya aprendido a trabajar junto a ella.

Reflexiones finales

La inteligencia artificial ha dejado de ser una tecnología experimental para convertirse en una herramienta presente en prácticamente todos los sectores económicos. Sin embargo, la experiencia demuestra que el éxito no depende únicamente del software ni de la potencia de los modelos. Las organizaciones necesitan revisar procesos, formar a sus empleados y establecer mecanismos claros de gobernanza. Sin estos elementos, incluso las soluciones más avanzadas terminan generando resultados modestos.

La próxima fase de adopción empresarial probablemente estará marcada por una mayor madurez. Las compañías que entiendan la IA como una capacidad organizativa y no como una compra tecnológica tendrán más posibilidades de obtener ventajas sostenibles. El desafío ya no es acceder a la tecnología, sino aprender a integrarla de forma coherente dentro de la actividad diaria.