El 95% de los pilotos de IA no llega a producción. Esto hace distinto al 5% que sí.
El estudio más citado del año no dice que la IA no sirva. Dice algo más incómodo: que el problema casi nunca es el modelo. Es dónde —y cómo— se implementa.
Hay un dato que recorrió todas las salas de junta del último año: el 95% de los pilotos de IA generativa no genera ningún impacto medible en el estado de resultados. No viene de un escéptico de turno — viene del MIT, a través de su iniciativa NANDA, en el reporte The GenAI Divide: State of AI in Business 2025. Y la conclusión más importante no es la que llegó a los titulares.
El problema no es el modelo. Es la brecha de aprendizaje.
El MIT es explícito: la causa de la falla no es la calidad de los modelos, ni la regulación, ni el talento. Es lo que llaman la learning gap — la brecha entre comprar una herramienta y lograr que se integre al flujo de trabajo real. La mayoría de las empresas adoptó asistentes genéricos que no recuerdan nada entre sesiones, no se conectan a los sistemas donde vive la operación y no aprenden del negocio. Impresionan en la demo y se evaporan en producción.
Qué hace distinto al 5% que sí escala
Los proyectos que cruzan al otro lado de la grieta comparten un patrón sorprendentemente poco glamuroso:
- Atacan un proceso concreto y costoso, no “la transformación con IA”.
- Se integran en profundidad a los sistemas que ya existen: el CRM, la agenda, el inventario.
- Le dan al sistema memoria y retroalimentación — mejora con el uso en vez de repetir el mismo error.
- Miden contra el P&L desde la primera semana, no contra un tablero de vanidad.
"La diferencia no está en los modelos, sino en si la organización logra que aprendan dentro de su operación." — MIT NANDA, The GenAI Divide, 2025
La lección para quien va a contratar un agente
El reporte no es un argumento contra la IA — es un mapa de por qué la mayoría la implementa mal. La salida no es “hacer IA”: es elegir el proceso que sangra hoy, conectar el agente a fondo con tus herramientas, darle memoria del cliente y medir el retorno antes de escalar. Es exactamente como construimos en InnovaBlack: un agente a la vez, integrado de verdad, probado donde el error cuesta caro.