El 95% de las empresas que invierte en IA no ve retorno. La tuya no tiene que ser una de ellas.

En los últimos tres años, casi ningún ejecutivo ha podido ignorar la presión de ‘hacer algo con la IA’. El resultado, en la mayoría de las empresas de la región, es el mismo: proyectos que empiezan con entusiasmo, presupuestos que se consumen más rápido de lo esperado, y resultados que nunca llegan al P&L.

No es un problema de tecnología. Es un problema de orden.

Primero, los datos que nadie quiere escuchar

Gartner proyecta que el 60% de los proyectos de IA sin datos listos será abandonado antes de llegar a producción. En paralelo, advierte que más del 40% de los proyectos de agentes de IA que las empresas están lanzando hoy serán cancelados antes de 2027, no porque la tecnología falle, sino porque las organizaciones sobreestiman su preparación.

BCG va más lejos con sus números: solo el 5% de las empresas a nivel global logra más del 25% de sus ingresos gracias a la IA. El estudio llama a este grupo ‘future-built’, y documenta que obtienen 1,7 veces más crecimiento de ingresos y 3,6 veces mayor retorno al accionista que sus competidores. La pregunta no es si la IA genera valor. La pregunta es por qué el 95% no logra capturarlo.

El 70% del éxito en IA no viene del modelo. Viene de las personas, los procesos y el rediseño del flujo de trabajo. (BCG, 2025)

La respuesta tiene un denominador común que aparece en todos los estudios: el dato. No el algoritmo, no el modelo, no el proveedor de nube. El dato.

El problema que está antes del problema

Cuando una empresa falla en su iniciativa de IA, el diagnóstico suele apuntar al modelo, al proveedor o al equipo de implementación. Rara vez apunta hacia adentro: a la calidad, la gobernanza y la disponibilidad del dato que se le está entregando al sistema.

Gartner identificó en febrero de 2025 que la falta de ‘datos listos para IA’ (AI-ready data) es el principal factor que pone en riesgo los proyectos de IA empresarial. Y los costos no son menores: la mala calidad de datos le cuesta a las organizaciones un promedio de USD 12,9 millones al año en pérdidas directas, según un estudio de Gartner con grandes empresas.

En LATAM, el problema se amplifica. Las empresas de la región operan con mayor fragmentación de sistemas, más deuda técnica acumulada, y menos madurez en prácticas de gobernanza de datos. Lanzar un proyecto de IA sobre esa base no transforma la operación: la congela en una capa más de complejidad.

Si menos del 70% de los datos del caso de uso objetivo están gobernados, documentados y con calidad verificada, el escalamiento es prematuro.

Lo que las empresas que sí lo logran hacen diferente

Las empresas que capturan valor real de la IA no son necesariamente las que tienen los modelos más avanzados. Son las que construyeron los cimientos antes de encender el modelo.

El patrón es consistente: primero resuelven la integración de fuentes y la calidad del dato. Luego implementan gobernanza que permite confiar en lo que el sistema produce. Solo entonces escalan hacia analítica avanzada y, finalmente, IA aplicada a decisiones de negocio.

Mercado Libre gestionó decisiones crediticias y logísticas por valor de USD 450 millones usando modelos propios, construidos sobre años de infraestructura de datos. Nubank redujo su tasa de fraude en un 20% con IA, después de haber invertido en arquitectura de datos nativa en nube desde su fundación. BBVA reportó un ahorro promedio de 2,8 horas semanales por empleado con asistentes de IA, pero ese resultado vino después de una transformación de datos que empezó una década antes.

El patrón no es ‘adoptar IA rápido’. Es ‘construir la base correcta’.

El momento de los agentes: ¿oportunidad o nuevo tipo de piloto fallido?

En 2026, el debate en los directorios ya no es solo sobre IA generativa sino sobre agentes de IA: sistemas que no solo responden preguntas sino que ejecutan tareas de forma autónoma, encadenan procesos y toman decisiones operacionales. BCG estima que los agentes representan el 17% del valor de IA empresarial hoy, con proyección al 29% para 2028.

Pero Gartner advierte con precisión: más del 40% de estos proyectos agénticos será cancelado antes de 2027. El motivo es el mismo de siempre: las organizaciones subestiman la preparación de datos, procesos y gobernanza necesaria para darle autonomía real a un sistema de IA.

Hay un principio que no cambia con las modas tecnológicas: la IA recomienda, el experto decide. En operaciones críticas (banca, infraestructura, salud, energía) la supervisión humana no es un límite de la tecnología. Es una decisión de diseño inteligente. Las empresas que introducen autonomía de forma progresiva y mantienen ese lazo de control son las que escalan sin incidentes.

El camino que funciona

No hay atajo para capturar valor de la IA. Pero hay un orden que consistentemente marca la diferencia entre los proyectos que llegan a producción y los que se quedan en presentaciones:

• Auditoría honesta del dato: ¿qué porcentaje de los datos del caso de uso objetivo está gobernado, documentado y con calidad verificada? Si la respuesta es ‘no lo sabemos’, esa es la primera inversión.
• Un caso de uso, un KPI, un dueño: la dispersión mata los proyectos de IA antes que la tecnología. El primer caso debe tener un patrocinador del C-level y un KPI de negocio cuantificado desde el día uno.
• Escalar con gobernanza: una vez que el primer caso entrega resultados verificables, el aprendizaje se institucionaliza, no se replica sin más. Cada nuevo caso hereda la infraestructura de datos y gobernanza del anterior.

Las empresas que siguen este orden no son las que más ruido hacen en conferencias de tecnología. Son las que aparecen en los estudios de BCG como el 5% que realmente captura valor.

La pregunta correcta no es ‘¿cuándo implementamos IA?’ Es ‘¿están nuestros datos listos para sostenerla?’

Fuentes: Gartner (2025), BCG Future-Built Study (2025), MIT Sloan Management Review, casos documentados de Mercado Libre, Nubank y BBVA.