El 95% de los proyectos de IA en empresas no dio retorno

Hay un dato que debería estar cambiando cómo se toman las decisiones de tecnología este año, y casi nadie lo menciona: el 95% de los pilotos de inteligencia artificial generativa en empresas no produjo ningún retorno medible.

No lo dice un escéptico de la IA. Lo midió el MIT, en el reporte The GenAI Divide: State of AI in Business 2025, de su iniciativa NANDA. Analizaron 300 implementaciones públicas, entrevistaron a 150 líderes empresariales y encuestaron a 350 empleados. Solo el 5% de los proyectos logró impacto medible en ingresos. El sector invirtió entre 30,000 y 40,000 millones de dólares en el intento. Cifras verificadas el 30 de julio de 2026.

Antes de seguir, una precisión importante: ese estudio es de empresas grandes, no de PyMEs mexicanas. No sirve para afirmar nada sobre nuestro mercado. Sirve para algo más incómodo: si las empresas con más presupuesto, más gente de sistemas y más asesoría fallaron 19 de cada 20 veces, el margen de error de una PyME que apuesta el presupuesto anual de tecnología es considerablemente más chico.

Este artículo explica qué encontró el estudio, por qué pasa, y cómo elegir un caso de uso que sí se pueda medir.

Dónde se fue el dinero: la mitad a ventas y marketing

El número que a mí me detuvo no fue el 95%. Fue este: más de la mitad del presupuesto corporativo de IA se destinó a casos de uso de ventas y marketing.

Es decir, al área que mejor se ve en una lámina de consejo. Y, casualmente, a la única donde el resultado es prácticamente imposible de atribuir a una sola causa. Si las ventas suben un trimestre después de encender una herramienta de IA, ¿fue la herramienta, la temporada, el vendedor nuevo, el ajuste de precio o que el competidor cerró? Nadie lo sabe. Y cuando nadie lo sabe, el proyecto se reporta como éxito o como aprendizaje según convenga.

El estudio no señala una tecnología culpable. Señala un patrón de decisión: los pilotos se eligen por visibilidad, no por medibilidad.

Por qué fallan: no es el modelo, es el piso donde lo paras

El diagnóstico del reporte es explícito. En palabras de Aditya Challapally, su autor principal:

"A diferencia de las herramientas de consumo como ChatGPT, que se adaptan de manera flexible al individuo, la IA empresarial requiere integración profunda en sistemas y procesos. Sin eso, los pilotos rara vez escalan."

El MIT lo llama una brecha de aprendizaje organizacional. Traducido al piso de una empresa: el modelo no falla, falla el proceso donde lo apoyas.

Vale la pena entender la mecánica, porque es la parte que casi nunca se explica sin jerga. Una herramienta de IA generativa hace bien tres cosas: leer texto, escribir texto y clasificar. Para que eso se convierta en dinero, necesita tres condiciones del lado de la empresa:

1. Un proceso escrito. Alguien tiene que poder decir qué pasa primero, qué después, y qué se hace en cada excepción. Si el proceso vive en la cabeza de dos personas, no hay nada que la herramienta pueda replicar.
2. Datos donde agarrarse. Correos, cotizaciones, catálogos, historial. Si esa información está repartida entre WhatsApp, un Excel local y la memoria de un vendedor, la herramienta no tiene de dónde leer.
3. Un punto de entrada y uno de salida. El resultado tiene que caer en algún lado que alguien revise. Si la salida es un documento que nadie abre, el proyecto ya terminó y todavía no empieza.

Cuando falta cualquiera de las tres, el piloto funciona en la demostración y se estanca al intentar escalar. Que es exactamente lo que reportó el MIT.

Y hay un efecto secundario que conviene decir con claridad: automatizar un proceso que no está escrito ni medido no lo arregla, lo acelera. Si tu proceso de cotización pierde una parte de las solicitudes, ponerle IA encima te hará perderlas más rápido y con mejor redacción.

Los proyectos que sí pagan son los aburridos

El 5% que sí movió ingresos no vive en los casos de uso vistosos. Vive en tareas repetitivas, acotadas y contables. Algunos ejemplos del tipo que sí se sostiene:

• Clasificar y enrutar los correos que entran. Separar solicitud de cotización, queja, factura y spam, y mandar cada una a quien corresponde.
• Extraer datos de documentos. Facturas, órdenes de compra, remisiones: pasar de PDF a un renglón de sistema sin que alguien lo teclee.
• Dar seguimiento a cotizaciones frías. Detectar las que llevan diez días sin respuesta y generar el recordatorio.
• Responder preguntas frecuentes con la información real de la empresa. Precios, tiempos de entrega, cobertura.

Ninguno de estos se presume en una conferencia. Todos comparten la característica que importa: puedes contar cuántas veces ocurrieron antes y cuántas después. Ahí es donde se puede demostrar el ahorro, y por lo tanto donde se puede defender la inversión.

Cómo elegir el caso de uso: la prueba de los cuatro puntos

Antes de contratar cualquier cosa con la palabra IA en el nombre, haz este ejercicio. Toma unos veinte minutos y no requiere a nadie de sistemas.

1. Elige el proceso que más horas consume a tu equipo cada semana. No el más importante ni el más estratégico: el más repetitivo.
2. Escríbelo en una hoja, paso por paso, como si tuvieras que entrenar a alguien que entra mañana. Incluye qué se hace cuando algo sale mal.
3. Anota cuántas veces ocurre al mes y cuánto tiempo toma cada vez. Este es tu antes. Sin él no vas a poder demostrar ninguna mejora después.
4. Pregúntate qué pasa hoy cuando ese proceso falla. ¿Alguien se entera? ¿Cómo? Si nadie se entera, tampoco vas a saber si la IA lo mejoró o lo empeoró.

La lectura del resultado es simple:

Resultado	Qué significa
Contestaste los cuatro puntos	Tienes un caso de uso real y una línea base contra la cual medir
No pudiste terminar de escribir el paso 2	Ese es tu proyecto, y no empieza con inteligencia artificial
No tienes los números del paso 3	Empieza midiendo un mes. Es más barato que un piloto
Nadie se entera cuando falla (paso 4)	Primero necesitas visibilidad, luego automatización

Si llegaste al final con los cuatro contestados, ya tienes más claridad que la mayoría de los proyectos del 95%. Si no llegaste, acabas de ahorrarte el piloto.

Qué cuesta equivocarse

Una corporación absorbe un piloto fallido y lo llama aprendizaje. Tiene con qué.

Una empresa mediana mexicana que gasta seis meses de atención directiva y el presupuesto de sistemas del año en un proyecto que no cerró una sola venta no está aprendiendo: está perdiendo el año. Y el costo real no es solo el dinero. Es que después de esa experiencia, la siguiente propuesta de tecnología —posiblemente la buena— va a entrar a una junta donde alguien ya dijo "eso ya lo intentamos y no sirvió".

El daño de un mal proyecto de IA no es el proyecto. Es que quema el presupuesto y la credibilidad del siguiente.

Cómo prevenirlo antes de firmar

Tres criterios para evaluar cualquier propuesta que te llegue:

Pide la métrica antes que la demostración. Si el proveedor no puede decirte qué número va a cambiar y cómo lo van a medir, no tiene un proyecto: tiene una demo.

Exige un piloto acotado y con fecha. Un caso de uso, cuatro a seis semanas, un criterio de éxito escrito antes de empezar. Si el resultado se define al final, siempre se cumple.

Pregunta de dónde va a leer los datos. Si la respuesta es vaga, la integración profunda que menciona el MIT no existe, y el piloto no va a escalar.

---

En INGEN empezamos por el diagnóstico de procesos antes de proponer cualquier tecnología: qué tareas consumen horas, cuáles son medibles y cuál tiene el retorno más corto. A veces el resultado es que sí conviene IA. A veces es que primero hay que escribir y medir un proceso, y eso cuesta una fracción.

Si prefieres empezar solo, con la hoja y el conteo de los cuatro puntos tienes suficiente. Lo importante no es quién haga el diagnóstico. Es que exista antes de la inversión.

Fuente: MIT, iniciativa NANDA — "The GenAI Divide: State of AI in Business 2025". Verificado el 30 de julio de 2026.

Ver también: por dónde empezar con IA en una empresa de Zapopan, con la escalera de tres escalones y datos de KPMG sobre retorno.