Por qué fracasan los proyectos de inteligencia artificial y cómo evitar que te pase

¿Qué dicen los estudios sobre el fracaso de los proyectos de IA?

No existe una cifra oficial única de cuántos proyectos de inteligencia artificial fracasan. Los estudios más citados miden cosas distintas: retorno económico, impacto en utilidades, proyectos abandonados o casos de uso que cumplen su meta. Aun así, todos apuntan en la misma dirección: el uso de IA crece mucho más rápido que el resultado en dinero.

Gartner también ha publicado predicciones que dibujan el mismo cuadro. En 2024 anticipó que al menos el 30 % de los proyectos de IA generativa sería abandonado después de la prueba de concepto a finales de 2025, por mala calidad de datos, controles de riesgo insuficientes, costos crecientes o valor de negocio poco claro. En 2025 calculó que más del 40 % de los proyectos de IA agéntica será cancelado antes de que termine 2027.

Ojo: esto no significa que la tecnología no sirva. En la misma encuesta de McKinsey, el 80 % dice que la IA mejoró su productividad personal, y BCG reportó en septiembre de 2026 que casi la mitad de las empresas ya genera valor con ella (un 7,5 % que BCG considera las más avanzadas y un 41 % que la está escalando). El problema está en el paso del uso individual al resultado de la empresa.

¿De verdad fracasa el 95 % de los proyectos de IA?

La frase "el 95 % de los proyectos de IA fracasa" circula mucho y conviene leerla bien. El informe del MIT NANDA dice que, pese a una inversión empresarial de entre USD 30.000 y 40.000 millones en IA generativa, el 95 % de las organizaciones estudiadas no obtenía retorno medible, y que solo el 5 % de los pilotos integrados extraía millones en valor.

Tres matices importan:

• Mide IA generativa empresarial, no toda la IA. Herramientas generales como ChatGPT o Copilot sí se adoptan: más del 80 % de las organizaciones las exploró o probó y cerca del 40 % las desplegó. Pero el informe concluye que mejoran la productividad individual, no el estado de resultados.
• Es un hallazgo preliminar. El propio documento advierte que sus cifras son direccionales, basadas en entrevistas y no en reportes oficiales de las empresas.
• El embudo es el dato más útil. El 60 % de las organizaciones evaluó herramientas empresariales a la medida o de proveedores, el 20 % llegó a piloto y apenas el 5 % a producción.

La conclusión del MIT es clara: la brecha no la explica la calidad del modelo ni la regulación, sino el enfoque con que se implementa.

¿Por qué fracasan? Las cinco causas que se repiten

1. Nadie lo usa: la herramienta queda fuera del trabajo diario

El MIT llama a esto la brecha de aprendizaje: sistemas que no recuerdan el contexto, no se integran y no encajan con el flujo de trabajo real. Por eso la gente usa ChatGPT para tareas simples, pero para el trabajo crítico el 90 % de los usuarios entrevistados prefiere a una persona.

En Ecuador se ve el mismo patrón. Según el estudio Pulso IA de Deloitte e IT Ahora, citado por Expreso en julio de 2026, solo el 21 % de los colaboradores que tienen acceso a herramientas de IA las usa de forma regular.

La diferencia la marca el rediseño del proceso. McKinsey encontró que casi tres de cada cuatro empresas de alto desempeño rediseñaron a fondo sus flujos de trabajo por la IA, frente a solo una de cada cuatro del resto.

2. Los datos no están integrados

Una IA que no ve los datos correctos no puede trabajar. Gartner encontró que el 63 % de las organizaciones no tiene, o no sabe si tiene, prácticas de gestión de datos adecuadas para IA, y predice que hasta 2026 se abandonará el 60 % de los proyectos sin datos preparados. En el estudio de IBM, la mitad de los CEO admitió que su ritmo de inversión los dejó con tecnología desconectada y fragmentada. RAND cuenta la falta de datos y la infraestructura insuficiente entre sus cinco causas raíz.

En Ecuador el dato muchas veces existe, pero está disperso. Los comprobantes electrónicos se generan en formato XML con firma electrónica según la ficha técnica del SRI, pero suelen quedar repartidos entre el portal del SRI, el ERP y hojas de Excel. Sin integración de datos, ningún modelo resuelve eso.

3. Nadie acordó un indicador de negocio

Gartner advirtió en 2024 que la productividad que promete la IA generativa es difícil de traducir directamente en beneficio financiero, y en 2026 señaló que muchas organizaciones fallan en algo básico: definir el valor del caso de uso antes de empezar. "Volume is not value" (el volumen no es valor), resumió Alicia Mullery, analista de Gartner. McKinsey agrega que las empresas de alto desempeño tienen el doble de probabilidades de contar con procesos definidos para medir el impacto.

Si el proyecto arranca sin línea base y sin un número en dólares o en días que deba moverse, nadie podrá demostrar que funcionó. La guía sobre cómo medir el retorno de la inteligencia artificial explica cómo hacerlo.

4. El piloto eterno

Una prueba de concepto sin fecha de salida se convierte en un gasto permanente. El MIT encontró que las empresas grandes tienen las tasas más bajas de paso de piloto a escala: tardan nueve meses o más, frente a unos 90 días de las medianas con mejor desempeño.

Gartner midió en 2026 que solo el 31 % de los CIO tiene criterios para decidir que un piloto no pase a producción, y apenas el 17 % tiene reglas para retirar iniciativas de bajo valor ya en producción. Quienes sí las tienen son 2,3 y 2,6 veces más propensos, respectivamente, a estar en el grupo con mejores resultados.

5. Se elige la tecnología antes que el problema

RAND identifica como causa más común que no se entienda, o no se comunique bien, qué problema hay que resolver con la IA. También señala otras dos: enamorarse de la tecnología más nueva en lugar del problema del usuario y aplicar IA a problemas que todavía no puede resolver.

Gartner lo ve en el mercado de agentes: muchos proveedores practican el agent washing, es decir, rebautizan como agentes a asistentes, robots RPA o chatbots, y según su estimación solo unos 130 de los miles de proveedores de IA agéntica son reales. El MIT detectó otro sesgo: cuando pidió a ejecutivos repartir un presupuesto hipotético de IA generativa, ventas y marketing se llevaron la mayor parte, porque sus resultados son fáciles de mostrar, aunque la automatización de procesos internos suele dar mejor retorno.

¿Qué hacen distinto las empresas a las que sí les funciona?

Los estudios coinciden en cuatro hábitos:

1. Se apoyan en socios con experiencia. En la muestra del MIT, las alianzas con proveedores llegaron a producción cerca del 67 % de las veces y los desarrollos internos alrededor del 33 %. Es un dato autorreportado, y McKinsey muestra la otra cara: el 32 % de sus encuestados dice que su empresa dejó de comprar algún software porque pudo construirlo con agentes de programación. La decisión se analiza en desarrollo interno o proveedor de IA.
2. Exigen ajuste al proceso y miden por resultado. Los compradores exitosos del MIT piden personalización por proceso y evalúan las herramientas por resultados de negocio, no por pruebas técnicas.
3. Rediseñan el flujo completo. BCG describe que las empresas que más valor obtienen manejan la IA como un programa de toda la empresa, rediseñan de punta a punta los flujos de mayor valor e invierten en gobierno y en su gente, no solo en tecnología.
4. Empiezan donde el retorno es visible. Algunos de los mayores ahorros documentados por el MIT vinieron de procesos internos: menos tercerización, menos gasto en agencias externas.

¿Cómo evitar que tu piloto de IA se quede en piloto?

Antes de aprobar cualquier piloto, pide respuesta escrita a estas preguntas:

Si una de estas filas queda en blanco, el riesgo de piloto eterno es alto. Para elegir bien el punto de partida, usa la tabla de puntuación de qué proceso automatizar primero.

¿Qué significa esto para una empresa en Ecuador?

Los datos locales confirman que el país está en la misma etapa. En la encuesta de PwC Ecuador a CEO, el 46 % aún no percibe cambios por la IA, aunque el 26 % reporta más ingresos y el 24 % menores costos. El ILIA 2026 estima que el 19 % de las grandes empresas ecuatorianas y el 8,8 % de las medianas usaba IA en sus procesos en 2025, por debajo del promedio regional. Hay más cifras en la página de datos sobre la IA en empresas de Ecuador.

La ventaja de llegar después es aprender de los errores ajenos. En Advise, por ejemplo, el indicador se acuerda antes de arrancar, la línea base se mide en el ERP, el banco o el CRM del cliente y, si no hay acceso a los datos, el módulo no se vende. Son reglas que atacan desde el inicio dos de las causas descritas: los datos sin acceso y la falta de un indicador acordado. Si vas a empezar desde cero, la guía para implementar inteligencia artificial en una empresa ordena los pasos.