Recientemente, Forbes Argentina publicó un artículo titulado “Por qué el 95% de los proyectos piloto de IA fracasan y qué deberían hacer los líderes empresariales en su lugar”. Este artículo toma como base el informe “The GenAI Divide: State of AI in Business 2025”, del MIT, en el que se analizaron más de 300 proyectos públicos, se hicieron 52 entrevistas a organizaciones y se recolectaron alrededor de 153 encuestas a ejecutivos.
Algunos de los hallazgos más destacados:
- Sólo el 5% de los pilotos de inteligencia artificial generativa llegan a producción con resultados medibles.
- Muchas iniciativas se impulsan más por seguir la moda —“tener un proyecto de IA” como etiqueta corporativa— que por resolver un problema concreto con métricas de negocio claras.
- Los mayores presupuestos se concentran en ventas y marketing, ya que son áreas más visibles, fáciles de presentar internamente. Pero paradójicamente, los verdaderos retornos están siendo generados en áreas como finanzas, operaciones o back-office, donde la automatización puede aportar eficiencia sin exposición pública.
- También se destaca que los proyectos impulsados en alianza con proveedores externos tienen más probabilidades de éxito que los desarrollos 100% internos.
Este panorama coincide casi punto por punto con lo que nos contó Daniela Cancelo, directora de Servicios Profesionales en ENTA Consulting. Daniela lidera la estrategia de Automatización Inteligente y Transformación Digital de grandes organizaciones. Con una amplia trayectoria en consultoría de procesos y proyectos de RPA e IA, se especializa en conectar tecnología con impacto de negocio, impulsando iniciativas que combinan eficiencia operativa y valor estratégico.
Su experiencia la posiciona como referente en el ecosistema de Automatización Inteligente, aportando no solo visión tecnológica, sino también foco en la adopción cultural, la gobernanza de datos y la escalabilidad de las soluciones.
En nuestra charla, Daniela resaltó los desafíos más comunes al iniciar proyectos de IA: la falta de claridad al seleccionar los casos de uso, el riesgo de apostar por iniciativas vistosas, pero con poco valor real, la importancia de involucrar a expertos del negocio y la necesidad de medir los resultados con métricas concretas que aseguren un retorno claro para la organización.
La promesa de la Inteligencia Artificial (IA) ha deslumbrado a muchas empresas, pero la realidad muestra que entre un 70% y 80% de los proyectos no llegan a generar el impacto esperado.
Daniela compartió su visión sobre los errores más frecuentes, los criterios para medir valor y las claves para escalar iniciativas que realmente generen retorno.
El diagnóstico: ¿por qué fracasan tantos proyectos de IA?
Para Daniela, las razones son múltiples, pero hay una prioritaria que destaca sobre el resto es la selección inadecuada de casos de negocio. Daniela ejemplifica:
“Vemos compañías que incorporan Agentes de IA para responder consultas internas simples que ya podían resolverse con herramientas más básicas. El resultado es adopción baja y costos innecesarios. De lo contrario, cuando se elige un caso alineado con una necesidad real y medible, como automatizar tareas de back-office de alto volumen o mejorar la predicción de la demanda, el valor se hace tangible más rápido”.
Otro error es la falta de alineación con la estrategia del negocio. “Implementar IA sin un objetivo claro y sin vinculación a necesidades reales de la empresa es una receta segura al fracaso. El hype alrededor de la IA lleva a esperar resultados milagrosos en plazos breves, sin evaluar viabilidad” menciona Daniela.
“Adicionalmente, incluso cuando se acierta en el caso de uso, muchas organizaciones no definen desde el inicio cómo van a medir el retorno de la inversión. Sin un caso de negocio sólido y métricas que traduzcan el impacto en ahorro, ingresos o mejoras de experiencia, el proyecto corre el riesgo de quedarse en un piloto costoso que nunca escala.”
Otro motivo que incide en el fracaso de los proyectos es la calidad de la información disponible. En iniciativas que incorporan modelos de lenguaje ya entrenados (LLM), la cuestión no pasa por el entrenamiento del modelo —eso ya está resuelto— sino por la calidad, completitud y accesibilidad de los datos que la organización pone a disposición. Esto es especialmente crítico cuando hablamos de agentes de IA diseñados para interactuar con usuarios o resolver consultas: si la base de conocimiento que consumen está fragmentada o desactualizada, sus respuestas serán poco confiables y el proyecto difícilmente entregue valor.
Proyectos de IA: ROI y Medición del valor
Uno de los puntos más sensibles es el retorno de la inversión. “Muchas empresas se quedan en métricas técnicas como precisión o velocidad de respuesta. Son útiles, pero no suficientes. Lo que realmente demuestra el valor es medir en términos de negocio: ahorro de costos, ingresos adicionales o mejoras en la experiencia del cliente.”, explica Daniela.
La directora de ENTA destaca que son pocos los pilotos de IA que logran escalar a producción y demostrar un ROI medible. Esto ocurre porque los costos iniciales suelen subestimarse, mientras que los beneficios requieren tiempo para materializarse.
Los indicadores que recomienda abarcan tanto lo financiero como lo operativo: ahorros, ingresos incrementales, reducción de tiempos de ciclo, eficiencia interna, disminución de errores e impacto en la experiencia del cliente.
“La lección es establecer desde el inicio cómo se medirá el valor, incluyendo indicadores de negocio. Además, conviene empezar con quick wins que generen retorno temprano y den credibilidad interna”, subraya.
Iniciativas de IA: Del piloto al impacto estratégico
Una temática de interés es cómo pasar de pruebas aisladas a proyectos con impacto real. Daniela propone un checklist para el Go/No Go de iniciativas de IA:
- Alineación estratégica con objetivos claros del negocio.
- Caso de negocio y ROI esperado, con métricas definidas.
- Calidad y disponibilidad de datos.
- Madurez tecnológica e integración posible.
- Complejidad del proceso y su estabilidad en el tiempo.
- Adopción y gestión del cambio.
- Escalabilidad y sostenibilidad de la solución.
- Riesgos éticos y regulatorios.
Sobre este punto, agrega: “Quizás sobre la marcha el proyecto no da los resultados esperados y hay que saber cuándo pausarlo, redefinirlo o bien, cancelarlo. No se trata de frustrarse, sino de reconocerlo a tiempo y reorientar esfuerzos hacia otro caso más viable”.
Cultura Organizacional: Impacto interno y adopción
El éxito de la IA no depende solo de la tecnología. “La cultura organizacional juega un rol central: las personas en las compañías muchas veces sienten miedo o resistencia. Por eso es clave acompañarlos en el proceso y mostrarles el valor que la automatización puede aportar a su trabajo. Cuando se entiende como un aliado para simplificar tareas y generar mejores resultados, en lugar de una amenaza, la adopción se vuelve más natural y el impacto mucho mayor”, sostiene Daniela.
La capacitación es otro pilar: “Hay que evitar que solo los perfiles ejecutivos o técnicos accedan al conocimiento. La adopción requiere que toda la organización entienda el valor de estas herramientas”.
Buenas prácticas para escalar en iniciativas de Inteligencia Artificial
Transformar un piloto en una solución sostenible exige disciplina y estrategia. Entre las buenas prácticas que recomienda Daniela se encuentran:
- Empezar con quick wins, pero diseñar con visión de largo plazo.
- Estandarizar componentes y crear librerías reutilizables.
- Involucrar a los usuarios desde el inicio para garantizar adopción.
- Definir métricas de negocio claras, más allá de lo técnico.
- Gobernanza de datos y modelos para asegurar calidad y continuidad.
- Escalar de manera progresiva, sin buscar un “big bang”.
El rol de los Centros de Excelencia (CoE) es fundamental: “Funcionan como el centro del programa de IA. Definen metodologías, centralizan conocimiento y aseguran estandarización, reduciendo costos y acelerando la escalabilidad”, detalla.
Oportunidades de impacto estratégico
Daniela identifica cuatro grandes áreas donde la IA puede generar valor:
- Procesamiento de información no estructurada (facturas, contratos, reclamos en seguros).
- Automatización de la interacción con personas (chatbots, asistentes internos de RR.HH., soporte al cliente).
- Optimización de procesos operativos y de negocio (predicciones de demanda, rutas logísticas, gestión de cuentas por pagar).
- Monitoreo y detección avanzada (fraudes, anomalías, control de calidad).
“Debemos considerar a la IA como una herramienta más. En su momento, internet revolucionó la forma de comunicarnos y acceder a la información; hoy la IA está marcando un cambio similar en la manera en que resolvemos problemas de negocio. La clave está en enfocarse en los casos donde su aplicación aporte valor real”, concluye.
Mirada a futuro: Conclusiones estratégicas de los proyectos de IA en las organizaciones
Finalmente, Daniela compartió su visión hacia adelante y dejó una reflexión que sintetiza los aprendizajes clave.
“La IA no es una moda pasajera. Va a tener cada vez más potencial, pero debemos tomarla como lo que es: una herramienta para resolver problemas concretos. El éxito de las iniciativas de Inteligencia Artificial no depende únicamente de la potencia de la tecnología, sino de la capacidad de las organizaciones para seleccionar casos de negocio relevantes, planificar con visión estratégica y gestionar el cambio cultural y operativo”.
Cuando la IA se aplica en problemas mal definidos o poco prioritarios, el resultado suele ser frustración y escaso retorno. Por el contrario, con un Discovery riguroso de oportunidades, la elección de la tecnología adecuada (IA, RPA o Low Code) y la medición con indicadores de negocio, los proyectos tienen más posibilidades de convertirse en palancas de Transformación Digital real.
“El camino de escalar de un piloto a un programa sostenible exige gobernanza clara, patrocinio ejecutivo y la creación de capacidades organizacionales como los Centros de Excelencia, que aseguran metodologías, estandarización y continuidad. Las empresas que logran éxito entienden que la IA no es un fin en sí mismo, sino un medio para acelerar resultados, mejorar la eficiencia y habilitar nuevos modelos de negocio. El desafío está en combinar visión, disciplina y pragmatismo para transformar la promesa de la IA en impacto tangible y sostenido”
Directora de Servicios Profesionales
