El M.I.T nos ha regalado un informe sobre el estado de la IA en el mundo empresarial en el 2025: State_of_AI_in_Business_2025
El reporte nos deja claro que hay dos lados muy marcados en la adopción de la IA Generativa. Por un lado, un 5% de las empresas han logrado sacar provecho ofreciendo valor añadido a sus productos; por otro, un abrumador 95% de empresas no ha visto retorno en su inversión ni ha conseguido transformar su negocio o diferenciarse frente a sus usuarios.
Sí, mientras algunos equipos brindan con champán por los «casos de uso transformadores», la mayoría mira la factura y se pregunta quién paga la fiesta.
Lo que parece irónico es que solo el 40% de las empresas tiene una suscripción a un LLM, sin embargo, el 90% de los empleados reporta usarla para cuestiones laborales.
Lo que llama la atención es que la principal causa de esta poca retención, argumenta el artículo, es la falta de aprendizaje. La mayoría de los sistemas de IA generativa no retienen feedback, no se adaptan al contexto, ni mejoran con el tiempo.
Lo que sí parece alentador es que los datos empiezan a avalar que no vamos a ser sustituidos por una IA de forma inmediata.
El Espejismo de la Adopción Masiva
Los datos del estudio confirman una sospecha generalizada en el sector: muchas empresas "juegan" con la IA porque está de moda, invirtiendo sin conocimiento profundo de lo que están haciendo. Esta adopción superficial explica la brecha dramática entre inversión y resultados.
El Problema Fundamental: Calidad de Datos
Al igual que hace unas décadas sin datos organizados y cuidados de forma seria y a escala, los resultados de cualquier sistema automático no serán los esperados. Las empresas que han alcanzado cierto grado de éxito, han invertido previamente en infraestructura de datos sólida y en determinar procesos claros del tratamiento de sus datos.
La Estrategia Más Efectiva: Machine Learning Primero
La evidencia apunta hacia un enfoque más moderado aunque estés bajo presión. Una vez que las empresas tienen datos de calidad y objetivos claros sobre cómo usarlos, es más efectivo comenzar con Machine Learning antes de automatizar con LLMs.
Este enfoque gradual permite:
- Establecer un baseline de rendimiento con datos limpios
- Identificar patrones creativos en workflows existentes
- Construir confianza organizacional en sistemas automatizados
- Crear fundaciones sólidas para capas más complejas de IA
Recomendaciones Prácticas
Recomendaciones para salir airoso en la guerra por subirse al carro de la IA:
- Priorizar infraestructura de datos antes que modelos sofisticados
- Comenzar con partnerships estratégicos en lugar de desarrollos internos
- Enfocar en back-office donde el ROI es más claro y medible
- Demandar sistemas que aprendan y se adapten, no solo generen contenido
- Implementar de abajo hacia arriba aprovechando usuarios power existentes
Pasar al “lado ganador” de la IA generativa no es un estado permanente: requiere elecciones radicalmente diferentes sobre tecnología, partnerships y diseño organizacional. La ventana de oportunidad se estrecha a un ritmo vertiginoso, pero las organizaciones que lo entiendan y actúen con una estrategia basada en datos sólidos, en lugar de seguir modas, establecerán posiciones dominantes en la economía post-piloto de IA.
Aunque yo seguiré preguntándome: tantos miles de miles invertidos… ¿serán para nada? ¿los tiraremos a la basura? ¿Qué bolsillo será quien pague la falta de pericia y de toma de decisiones inteligentes?
.png)
