El 95% de los pilotos corporativos de IA generativa no genera retorno medible. El cuello de botella no está en los modelos. Está en algo bastante más incómodo de admitir.
En los últimos meses me ha tocado estar en varias conversaciones sobre estrategia de IA, con gerentes generales, equipos de tecnología, directorios. Y hay un patrón que se repite hasta cansar: la conversación arranca por las herramientas (aunque llamarlas "herramientas" ya es parte del problema), después se va a los procesos, después a la capacitación, y casi nunca llega al lugar donde, mirando para atrás, uno se da cuenta que estaba la diferencia real entre las empresas que sacan algo de esto y las que no.
Voy a tratar de explicar a qué me refiero.
A mediados de 2025 el MIT publicó un estudio que se hizo conocido por una sola cifra: el 95% de los pilotos corporativos de IA generativa no genera retorno medible. El reporte, The GenAI Divide, se basó en implementaciones públicas y en entrevistas con líderes de grandes y medianas empresas. Lo más interesante es lo que el estudio descarta. El cuello de botella no está en la calidad del modelo. Tampoco en la regulación. Tampoco en la infraestructura. Está en cómo las organizaciones se paran frente al problema.
O sea, el problema no es técnico. Y si no es técnico, comprar más licencias, sumar más "herramientas" o automatizar más procesos no lo va a mover.
Hace pocas semanas Ethan Mollick, profesor de Wharton, escribió una columna en The Economist que apunta a algo parecido. Mollick observa que cuando los ejecutivos ven un estudio que muestra una mejora de productividad del 30% por IA, el reflejo casi automático es restar un 30% de la fuerza laboral. La aritmética es fácil. Lo difícil, dice él, es la otra pregunta: qué se vuelve posible ahora que un programador puede escribir cien veces más código, qué productos aparecen, qué mercados se abren. Esa pregunta no la responde ningún proveedor.
Esa columna me dejó pensando que la conversación dominante sobre IA en Chile está casi toda en el lado fácil. El reflejo de restar. Y poco en el de crear, y en qué rol juegan las personas, su criterio, en todo esto.
El criterio
Una manera útil de pensar la IA generativa es que reduce a casi cero el costo de las tareas que antes eran caras y mecánicas. Escribir el primer borrador de algo. Resumir un documento de cuarenta páginas. Traducir, ordenar, clasificar, tabular. Producir tres versiones de una propuesta y compararlas.
Eso suena a productividad, y lo es. Pero el efecto interesante es otro. Cuando la parte mecánica del trabajo se vuelve barata, todo el peso se concentra en las decisiones que quedan. Qué pregunta hacerle al modelo. Qué borrador elegir entre las tres opciones. Cuándo el output suena bien pero está sutilmente equivocado, que pasa más seguido de lo que la gente cree. Qué decir y qué no decir. Cuándo parar.
Eso ya no es ejecución, es criterio. Y el criterio, hasta donde he visto, no se compra con una licencia.
Ese, creo, es el malentendido central. La IA no reemplaza al juicio humano: lo concentra en menos puntos, y por eso mismo los hace más relevantes que antes. Una empresa que adopta IA bien no termina con menos gente pensando, termina con su gente pensando en cosas que importan más.
Dónde el juicio importa más
Si esa lectura es correcta, la pregunta de adopción cambia de forma. Ya no es "qué herramientas instalamos", es "en qué partes de nuestro trabajo el juicio humano pasa a ser más importante, no menos". Hay cuatro lugares donde, en mi experiencia, esa respuesta se ordena bastante bien.
Donde el error es caro
Una respuesta promedio hecha rápido a veces vale mucho. Otras veces destruye confianza, plata o reputación de un viaje. Vimos hace poco un equipo legal que le pidió a ChatGPT redactar una cláusula de un contrato grande; el texto se veía impecable y citaba una norma que no existe. La IA no distingue entre los dos casos. El humano que firma, sí.
Donde el valor está en la pregunta
Un buen analista no se distingue por escribir mejor un informe, se distingue por decidir qué informe vale la pena escribir.
Donde el contexto local importa
Una sugerencia legal correcta en California puede ser inaplicable en Chile. Un mensaje de marketing que funciona en LinkedIn global suena raro acá. Los modelos están entrenados en promedios globales, y los promedios globales no venden en La Reina.
Donde hace falta coraje
Decir que no, parar un proyecto, contradecir a un jefe, romper un consenso cómodo. La IA te da argumentos para cualquier posición; el modelo se acomoda a lo que le pidas. Quién toma la decisión sigue estando del otro lado de la pantalla.
Una empresa que entra a la IA pensando solo en automatizar lo barato va a hacer más rápido lo mismo de antes. Una que se toma en serio dónde su gente debe juzgar mejor está haciendo algo distinto.
Mejores preguntas
Si tuviera que sugerir un lugar por donde empezar la conversación de IA en una empresa, no sería por las herramientas ni por los pilotos. Sería por una sola pregunta, hecha a los líderes de cada área:
En tu trabajo, ¿dónde el juicio humano se vuelve más crítico ahora que la IA puede hacer las tareas mecánicas?
La respuesta a esa pregunta ordena casi todo el resto. Define qué se automatiza y qué no, dónde se invierte en formación, qué decisiones se mantienen cerca del equipo y cuáles se pueden delegar al sistema. No es una pregunta cómoda, porque obliga a admitir dos cosas a la vez: que hay tareas que hoy ocupan tiempo del equipo y son perfectamente automatizables, y que hay otras que se hacen al apuro y merecen mucha más atención de la que reciben.
Es, además, una pregunta que pocas empresas se están haciendo. La mayoría está respondiendo otra: qué herramientas implementamos. Es legítimo, pero secundario. Resolverla bien sin haber resuelto la primera explica buena parte de ese 95% que el MIT identificó.
Lo dejo ahí. La conversación interesante sobre IA, hasta donde he podido ver, casi nunca es sobre IA.