Malcolm, ingeniero de inteligencia artificial en una firma de análisis de datos, recomendó a los ejecutivos de su empresa no usar IA generativa para categorizar la base de datos de clientes. Un modelo tradicional de aprendizaje automático habría sido más apropiado, produciendo resultados consistentes y repetibles a menor costo, según argumentó. "Aún así siguieron adelante con IA generativa", dijo Malcolm, cuyo nombre real no fue revelado. El resultado fue un proceso menos preciso y mucho más costoso, pero que permitió a la organización afirmar que estaba adoptando inteligencia artificial.

La experiencia de Malcolm refleja una realidad extendida en el sector corporativo. Mientras más directivos adoptan IA e insisten en que su personal la utilice, las inversiones en proyectos de inteligencia artificial se han disparado, pero casi la mitad de las empresas han tenido dificultades para demostrar valor comercial, según investigación de Gartner. "La gente se lanzó con expectativas poco realistas, y ahí es donde vienen las mayores decepciones", dijo Manav Misra, director de datos y análisis de Regions Bank.

En febrero de 2026, la consultora global Accenture informó a su personal que las promociones a puestos superiores requerirían "adopción regular de herramientas de IA" y que rastrearían el uso de la plataforma de IA que ha desarrollado, según reportes. En mayo, la firma rival KPMG anunció que había desarrollado un panel de control para rastrear si sus empleados estadounidenses cumplen con un objetivo de uso del 75% para sus herramientas de IA. La compañía afirmó que esto es parte de "un esfuerzo holístico para ayudar a las personas a avanzar en la curva de madurez de IA".

Otras organizaciones están adoptando un enfoque menos dirigido para implementar IA, pero aún así esperan que transforme cómo sus fuerzas laborales pasan sus días. Los gobiernos también esperan aprovechar la magia de la IA. Sin embargo, investigación del sindicato de funcionarios públicos FDA en Reino Unido muestra que aunque los funcionarios estaban abiertos a la idea de usar IA para mejorar la productividad, hay dudas de que la gerencia pueda manejar la transformación. Menos de un tercio de los funcionarios públicos habían sido consultados sobre cómo podría implementarse la tecnología, encontró el sindicato, lo que significa que "el cambio se está haciendo a los trabajadores, no con ellos". Dave Penman, secretario general de FDA, dijo que la implementación era "inconsistente entre departamentos, lo que limita las ganancias de productividad".

Si las organizaciones son rápidas para destacar la adopción de IA, no siempre están claras sobre por qué la están adoptando y cómo esperan beneficiarse, según Dan Boyles, director ejecutivo de la consultora Hello AI Collective. "Estuve con una compañía de petróleo y gas, me senté con la alta dirección y simplemente pregunté '¿cuál es la razón para usar IA?' Y ninguno de ellos pudo ponerse de acuerdo", dijo Boyles. El director ejecutivo de la firma citó la necesidad de mantenerse al día con los competidores, mientras que el jefe de ventas dijo que querían ganar más dinero, y el equipo de marketing quería dejar de usar contratistas externos.

Este tipo de confusión en la cúpula puede significar que las inversiones en IA no cumplan con las expectativas. "Creo que los escombros son organizaciones que no obtienen el retorno de inversión que esperaban y no logran que su gente se involucre con ella", dijo un consultor senior de una gran firma consultora que no quiso ser identificado. En su firma, todos tenían acceso a dos herramientas de IA, pero podían solicitar herramientas especializadas para tareas específicas, como codificación. Si su trabajo lo demanda, "algunas de nuestras personas tendrán acceso a cuatro o cinco herramientas de IA".

Las organizaciones necesitan considerar el lado humano de la ecuación, continuó el consultor. "Hay diferencias generacionales en términos de niveles de confianza con respecto a esto. Hay potencialmente diferencias de género". Y antes de que alguien en su organización pueda tener acceso a una herramienta, deben tomar capacitación obligatoria que cubra ética de IA y riesgos como el sesgo. Esta capacitación también deja claro que las herramientas de IA pueden ser aduladoras y alucinar, agregó.

La cultura preexistente en una organización puede hacer o deshacer una implementación de IA, no menos porque la IA tiende a acelerar las cosas para bien o para mal, según Caroline Rawlinson, directora ejecutiva de Culture Amp, que rastrea experiencias y retroalimentación de empleados. La firma dice que mientras nueve de cada 10 profesionales de recursos humanos esperan aumentar su uso de IA generativa, un tercio dijo que "nadie es actualmente responsable de la estrategia de IA en sus compañías". "Si estás poniendo tecnología de IA sobre una cultura fragmentada o una cultura basada en el miedo, no va a tener éxito", dijo Rawlinson. "En el mejor de los casos, se convierte en una implementación muy lenta ya que las personas no entienden lo que se les pide lograr o las herramientas que se les proporcionan. En el peor de los casos, termina siendo un esfuerzo bastante grande y desperdiciado".

Sumeet Gupta, director gerente senior y líder de práctica de IA y transformación digital en FTI Consulting, dijo que si le pides a un director de tecnología que dirija un centro de excelencia de IA por su cuenta, casi nunca es una receta para el éxito. "Los directores de tecnología pueden terminar conduciéndolo desde una visión centrada en la plataforma, y ahí no es donde están la mayoría de los problemas", dijo, ya que estos no son proyectos tecnológicos, sino proyectos comerciales que usan IA para lograr resultados comerciales deseados. "Necesitas coliderar esto con los propietarios comerciales correctos en la empresa en la que estás, porque ahí es donde se resuelven los problemas comerciales fundamentales".

Keith Fulton, director de datos en el proveedor de tecnología bancaria Jack Henry, está de acuerdo, diciendo que los proyectos de IA deben ser liderados por el negocio. "Los líderes empresariales encuentran las oportunidades primero, y luego los expertos en IA pueden ayudarlos a clasificar esas posibilidades para determinar cuáles deberían estar en una lista corta", dijo, agregando que no se debe confiar en consultores en este paso. "Necesitas un socio interno que te mantenga conservador". Fulton aprendió esta lección temprano. "El único experimento fallido fue un compromiso de consultoría hace un año que se convirtió en una expedición de pesca usando IA en el departamento de finanzas, que no logró encontrar ningún caso útil basado en la tecnología en ese momento".

Misra, por otro lado, tiene un equipo que incluye gerentes de producto que vienen del lado comercial, por lo que tienen una comprensión clara de las necesidades comerciales. Se reúnen con líderes empresariales y los ayudan a identificar oportunidades viables. "Necesitas un patrocinador ejecutivo dispuesto a comprometerse con el valor e invertir en construirlo adecuadamente, y el propietario del negocio debe tener claro cómo se ve realmente el éxito", dijo.

Los directores de tecnología deben trabajar con líderes empresariales por adelantado para determinar y acordar qué métricas determinan el éxito en términos de abordar los resultados comerciales deseados. Tanto los grupos comerciales como tecnológicos deben revisar esas métricas trimestralmente. "La persona que posee el estado de pérdidas y ganancias para ese negocio debe ser responsable de la medición de eso y debe determinar cuál debe ser la métrica", dijo Gupta. "Cómo se mide es algo sobre lo que el director de tecnología puede opinar, pero qué métrica comercial es esa que alimentará el estado de pérdidas y ganancias siempre debe ser determinada por el propietario del estado de pérdidas y ganancias".

Los mejores planes para cualquier proyecto de tecnología no llegarán a nada si los empleados no usan la tecnología, y esto es especialmente cierto para la IA. Gupta recordó una iniciativa en una firma donde invirtieron en construir un envoltorio alrededor de un modelo de IA que no terminó entregando ningún valor comercial único. "El equipo de IA en el centro de excelencia pensó que sería interesante desarrollarlo, pero no trajo a la base de usuarios más amplia a esas discusiones", dijo.

Hay miedo y cinismo sobre la IA, agregó Fulton. "Los aspectos de gestión del cambio organizacional de lograr que las personas lo vean como un ayudante y no como un reemplazo es un gran desafío", dijo. "Pero mientras la IA puede crear recomendaciones, por ejemplo, la revisión humana es un paso de verificación esencial antes de entregar cualquier cosa a los clientes". "Nos pagaron para entrenar a nuestros reemplazos en el extranjero, y ahora nos pagan para entrenar a las IA para reemplazarnos", dijo Fulton. La realidad, al menos por ahora, es que aunque los modelos de lenguaje grandes pueden mejorar la productividad, necesitan que los usuarios revisen y validen los resultados. Las IA, dijo, actúan como pasantes brillantes que necesitan orientación.

Por eso los usuarios deben estar involucrados desde el principio y en cada paso del proceso. "No puedo decirte el número de casos por los que he pasado donde los equipos tecnológicos han construido un producto de IA que hacía todas estas cosas, y los usuarios comerciales no lo usaron porque no estaban en el proceso mismo", dijo Gupta. "Eso nunca funciona en una transformación, especialmente con tecnología". Misra recordó una unidad de negocio donde no lograron el nivel de aceptación necesario inicialmente, lo que ralentizó el despliegue. "Alguien diría que no está seguro de que vaya a funcionar, y eso iniciaría un ciclo de duda", dijo. Recomienda identificar y apoyar a los primeros defensores, crear talleres para sus pares y hacer una implementación por fases con medidas trimestrales de uso y adopción.

Involucrarse con los usuarios desde las primeras etapas tiene otro beneficio: el cambio no se siente tan grande porque lo ven suceder en incrementos. Y en Jack Henry, Fulton pone un fuerte énfasis en el entrenamiento. "Tenemos un equipo de 10 que ayuda a las personas a usar estas herramientas", dijo. "Si los guiamos de la manera correcta podemos ganarlos. Pero si no es adecuado, no los coaccionamos".

En última instancia, dijo Gupta, necesitas convertir a los usuarios y hacerlos responsables como parte del proceso. Eso significa hacerlos parte de la discusión sobre cómo la IA podría afectar los flujos de trabajo y cómo se deben abordar los cambios necesarios.

Antes de usar IA para automatizar, los directores de tecnología y las partes interesadas deben revisar los flujos de trabajo actuales y planificados y cómo impactarán la productividad y cómo los empleados hacen sus trabajos. "El rediseño del flujo de trabajo y la gestión del cambio van de la mano", dijo Gupta. "Por ejemplo, hubo un producto de IA en una firma que no se usó durante mucho tiempo porque no hicieron ninguna gestión del cambio a su alrededor".

La compañía diseñó un flujo de trabajo de IA agéntica bastante complejo para eliminar un alto grado de trabajo manual y mejorar la precisión del proceso en una parte crucial de sus operaciones comerciales. Pero para que el flujo de trabajo se adoptara adecuadamente, tuvieron que abordar algunos problemas de modelo operativo relacionados con la fuerza laboral y gestión del cambio. "Esto no se hizo de manera oportuna", agregó. "Entonces, aunque el flujo de trabajo de IA en sí estaba bien concebido y desarrollado adecuadamente, no se usó efectivamente durante muchos meses".

Gupta aplica lo que llama primeros principios a cada proyecto: conocer el problema que estás tratando de resolver con el flujo de trabajo, los resultados deseados y cuáles son tus insumos, luego repensar cómo podría funcionar en el futuro con IA. "Tienes que diseñarlo basándote en esas restricciones", dijo. "Una falta de reinvención o reimaginación alrededor de la IA es el problema número uno". Eso requiere involucrarse tanto con líderes empresariales como con usuarios.

Fulton en Jack Henry tiene una visión diferente de no rediseñar todo al principio, sino comenzar con la automatización de tareas y construir desde ahí. "La reingeniería de procesos comerciales ha existido durante 20 años pero nunca ha estado a la altura de su potencial", dijo, porque es costosa y las grandes compañías tienen cientos, si no miles, de procesos comerciales. Hoy, agregó, la IA agéntica funciona mejor en procesos comerciales más simples que en los más complicados.

Dicho esto, los agentes están comenzando a entender los procesos comerciales y optimizarlos. "En lugar de construir un diagrama de flujo de trabajo con una herramienta de automatización robótica de procesos, simplemente le dices al modelo de lenguaje grande cuáles deberían ser los pasos y determina su propio flujo de trabajo para eso", dijo Fulton. Sin embargo, los agentes capaces de optimizar autónomamente flujos de trabajo empresariales complejos de múltiples pasos sin una configuración humana extensa todavía están en las primeras etapas y no están probados a escala.

La sabiduría convencional sobre tener todos los datos listos antes de embarcarse en un proyecto de IA puede paralizar proyectos antes de que comiencen. "Muchas compañías piensan que si no tienen los datos, no funcionará", dijo Gupta. Pero no todos los proyectos requieren datos prístinos. Con demasiada frecuencia, las compañías tropiezan con preocupaciones de datos que no se aplican a sus casos de uso reales.

"Los datos son un gran problema para los modelos de aprendizaje automático pero no para la mayoría de los modelos de lenguaje grandes", dijo Fulton, a menos que el proyecto se centre en pronósticos complejos, personalización a nivel de cliente o puntuación de clientes potenciales de ventas, por ejemplo. Pero si necesitas los datos en esos casos, Misra dijo identificar los datos específicos que requiere el proyecto y enfocarse solo en eso para que los problemas de datos que tienes se vuelvan más fáciles de resolver debido a las herramientas de limpieza, integración y preparación de datos basadas en IA.

Sin embargo, hay muchas preocupaciones legítimas de datos que deberían dar pausa, según Avivah Litan, vicepresidenta y analista distinguida de Gartner. Estas incluyen brechas de calidad de datos, metadatos y linaje que impiden el cumplimiento, la explicabilidad y los informes regulatorios, así como conjuntos de datos aislados y gestión de metadatos inmadura que bloquean la preparación regulatoria.

Talasaz, ex director de tecnología y datos de Colonial Pipeline, dijo que la gobernanza es un gran problema en torno a la orquestación y la observabilidad. "Los agentes pueden hacer cosas para las que no estaban destinados, y necesitas visibilidad sobre eso", dijo. La causa raíz de grandes fallas es que las compañías piden demasiado a los modelos de lenguaje grandes y confían en ellos sin pasos de verificación, agregó Fulton. Los modelos de lenguaje grandes, dijo, chocan con cosas, cometen errores tontos y carecen de contexto sobre dominios específicos. "Al evaluar los resultados, no confundas inteligencia con experiencia y contexto, por lo que cada salida de IA necesita revisión humana antes del uso en producción", dijo.

Para tareas más complejas, un modelo de lenguaje grande también puede perder su camino al atacar problemas que requieren más contexto del que la ventana de tokens disponible puede manejar. En ese punto, todo se comprime para encajar, y el modelo de lenguaje grande puede perder su ritmo y comenzar a alucinar. "Los modelos de lenguaje grandes pueden hacer un gran número de estas cosas, pero cuanto más grandes se vuelven, más pierden el rastro", dijo Fulton. Ha encontrado que, en la práctica, las tareas más cortas y acotadas producen resultados más confiables que los procesos autónomos de larga duración, y ha estructurado el uso de IA de Jack Henry en consecuencia.

Las fallas también pueden provenir de proyectos no autorizados que surgen de la nada. "Con la IA en la sombra, la preocupación es que alguien construya algo para procesos de trabajo críticos de manera no gobernada", dijo Talasaz. "Entonces, cuando está mal o se rompe, no hay observabilidad, creando desafíos de sostenibilidad y riesgos para la organización". Mientras una encuesta de Gartner dice que el 69% de las organizaciones sospechan o tienen evidencia de empleados usando herramientas de IA prohibidas, Jack Henry ha tomado medidas para minimizar ese riesgo manteniendo una gobernanza de datos estricta a través de capacitación obligatoria y procesos de aprobación. Las políticas prohíben estrictamente herramientas no aprobadas, como chatbots públicos, y la compañía proporciona más de 100 aplicaciones basadas en IA para que los usuarios no sientan la necesidad de ir a otro lado.

Los pilotos pueden fallar cuando hay una desconexión entre quienes ejecutan los pilotos y quienes esperaban que saliera algo diferente de ellos, dijo Talasaz. "Sé claro sobre lo que el piloto pretende hacer, si se trata más de experimentación o si hay un alto grado de certeza de obtener un resultado previsto", dijo. Algunos pilotos avanzan sin una comprensión completa de los beneficios comerciales. Gupta recordó una firma que se embarcó en una iniciativa de IA sin realizar un análisis económico adecuado sobre el valor financiero del proyecto. Esto, dijo, es una etapa importante de continuar o no continuar que debe realizarse después de que se concibe un caso de uso de IA, pero antes de que el negocio despliegue capital en él. "Cuando entramos e hicimos los análisis financieros, encontramos que los costos únicos y operativos continuos de la iniciativa de IA serían más que los ahorros proyectados medianos", dijo.

Otros proyectos se quedan cortos de lo necesario. El piloto podría funcionar el 90% del tiempo, y llegar al 99% podría tomar seis meses de ajuste y limpieza de datos. Pero los negocios de servicios financieros como Jack Henry requieren 100% de corrección, dijo Fulton. "Una herramienta de automatización de procesos comerciales que funciona el 99% del tiempo no es valiosa", dijo, ya que un solo error puede perder la confianza de los líderes empresariales, dejando un piloto muerto en el agua.

No es raro descubrir que cómo los ingenieros construyeron una prueba de concepto no funciona a escala o es demasiado costoso a escala. "Puedes construir una prueba de concepto pero no tener el diseño correcto y el talento de ingeniería o infraestructura para escalarlo", dijo Talasaz. Otro posible revés es el tiempo. El equipo original a menudo vuelve a sus trabajos diarios una vez que concluye el piloto, llevándose su conocimiento con ellos mientras un nuevo equipo se hace cargo, y eso puede ralentizar el proyecto. "Me gusta tener el mismo equipo llevándolo de prueba de concepto a producción", agregó Talasaz.

Gupta recomienda tener hitos explícitos de prueba de vida, simulaciones de usuarios de flujos de trabajo agénticos y umbrales de precisión que la prueba de concepto debe lograr antes de poder pasar de una etapa a la siguiente. "Si no tienes a las personas correctas involucradas y los hitos correctos, por eso estos pilotos se estacionan", dijo.

El piloto ahora está en producción y funciona, por ahora. Entonces, ¿cómo mantener el impulso? "La mayoría de los equipos no han considerado completamente la sostenibilidad si están teniendo problemas para poner proyectos en producción, pero tienes que pensar en eso", dijo Talasaz. El monitoreo de problemas operativos continuos como la deriva del modelo es importante, pero también lo son problemas más fundamentales como el riesgo de dependencia del proveedor y el aumento de la deuda técnica que puede retrasar y agregar gastos a las actualizaciones en el futuro. Si no se tienen en cuenta durante la fase de diseño y piloto, estos problemas pueden estar integrados para cuando estés en producción.

Gartner advierte contra permitir que los datos, modelos o flujos de trabajo queden bloqueados en las interfaces de programación de aplicaciones, lagos de datos o herramientas de plataforma de un solo proveedor. En su lugar, sigue estándares abiertos y usa interfaces de programación de aplicaciones abiertas y arquitecturas modulares en el diseño de la pila de IA. En cuanto a la deuda técnica, Gartner predice que en los próximos cuatro años, el 50% de las empresas enfrentarán actualizaciones de IA retrasadas así como costos de mantenimiento crecientes debido a la deuda técnica de IA generativa no gestionada. Recomienda que las empresas mantengan un registro de IA, apliquen tarjetas de modelo, implementen monitoreo de deriva y requieran que los proveedores proporcionen avisos de cambio de modelo. En otras palabras, aplicar las mismas disciplinas de gestión del ciclo de vida de tecnología que aplicarías a cualquier otro proyecto de tecnología.

Hay mucho que descifrar con los proyectos de IA, pero la clave del éxito, dijo Talasaz, está en el trabajo de detalle, no solo en el lado tecnológico con los datos, la gobernanza y demás, sino en cómo funcionan las cosas en el negocio. "Entra en los detalles minuciosos de lo que implica el trabajo", dijo. "Trabaja hacia abajo desde el resultado comercial deseado y hacia arriba desde la base tecnológica". Y si la tecnología es parte del problema, no descartes la idea. El momento simplemente podría estar mal. "El año pasado probamos varias herramientas diferentes de asistencia de código para desarrolladores, y no eran capaces de trabajar en sistemas tan grandes como los nuestros", dijo Fulton. Pero ocho meses después, el equipo probó las mismas herramientas nuevamente, y ahora la adopción es como un incendio forestal. "A veces no es nunca, es solo que aún no", dijo.