Artículo Premium
#12 La arquitectura como estrategia en la IA
Contenido exclusivo para miembros del Club de Innovación de Despachos Profesionales.
No está autorizado su difusión, reproducción o distribución.
Autor: José Pedro Martín Escolar
No está autorizado su difusión, reproducción o distribución.
Autor: José Pedro Martín Escolar
Un marco de trabajo superpuesto frente a uno integrado para superar la desilusión con la IA
Realizado por la Universidad de California, Berkeley, Escuela de Negocios Haas y Keenan Vision
Publicación: 21 de Octubre de 2025
Prólogo
Esta investigación analiza la paradoja de la IA empresarial: mientras que McKinsey proyecta un valor económico anual de entre $2.6 y $4.4 billones de dólares proveniente de la IA generativa, el MIT reporta tasas de fracaso del 95% en proyectos piloto, y solo el 4% de las empresas obtienen retornos sustanciales a pesar de una inversión proyectada de $644 mil millones de dólares para 2025. ¿A qué se debe esta enorme brecha en la generación de valor?
A partir de 48 entrevistas realizadas en todo el ecosistema de IA empresarial, cuestionamos la sabiduría convencional en materia de adquisiciones de TI, revelando que la IA requiere criterios de evaluación fundamentalmente diferentes. Los cálculos tradicionales de ROI resultan ineficaces cuando las mejoras en la eficiencia no reducen la plantilla: la fijación de precios basada en el consumo dificulta la elaboración de presupuestos por parte de los directores financieros; las nuevas vulnerabilidades de seguridad, desde la inyección de código hasta las alucinaciones del modelo, exigen nuevos marcos de gobernanza.
Proponemos una taxonomía arquitectónica que distingue la IA superpuesta (integración entre sistemas basada en API) de la IA integrada (implementación nativa en la plataforma), cada una representando enfoques filosóficos distintos para la transformación. La IA superpuesta permite una experimentación rápida con un coste piloto de $15,000 frente a los $500,000 de las plataformas integradas, pero genera riesgos de proliferación de «IA en la sombra». Las soluciones integradas requieren un extenso trabajo de infraestructura de datos, pero proporcionan un contexto empresarial completo imposible de obtener mediante API.
Nuestro marco de Valor-Coste-Riesgo vincula nueve factores críticos con las decisiones arquitectónicas, revelando que las empresas exitosas adoptan estrategias híbridas de transición «superposición ahora, integración permanente»- que reconocen tanto la presión inmediata como los requisitos de transformación a largo plazo. Esta investigación replantea la adopción de la IA, pasando de la compra de tecnología a la evolución de capacidades, y proporciona orientación práctica para discernir entre la publicidad engañosa de los proveedores y la verdadera oportunidad.
Tabla de Contenidos
Publicación: 21 de Octubre de 2025
Prólogo
Esta investigación analiza la paradoja de la IA empresarial: mientras que McKinsey proyecta un valor económico anual de entre $2.6 y $4.4 billones de dólares proveniente de la IA generativa, el MIT reporta tasas de fracaso del 95% en proyectos piloto, y solo el 4% de las empresas obtienen retornos sustanciales a pesar de una inversión proyectada de $644 mil millones de dólares para 2025. ¿A qué se debe esta enorme brecha en la generación de valor?
A partir de 48 entrevistas realizadas en todo el ecosistema de IA empresarial, cuestionamos la sabiduría convencional en materia de adquisiciones de TI, revelando que la IA requiere criterios de evaluación fundamentalmente diferentes. Los cálculos tradicionales de ROI resultan ineficaces cuando las mejoras en la eficiencia no reducen la plantilla: la fijación de precios basada en el consumo dificulta la elaboración de presupuestos por parte de los directores financieros; las nuevas vulnerabilidades de seguridad, desde la inyección de código hasta las alucinaciones del modelo, exigen nuevos marcos de gobernanza.
Proponemos una taxonomía arquitectónica que distingue la IA superpuesta (integración entre sistemas basada en API) de la IA integrada (implementación nativa en la plataforma), cada una representando enfoques filosóficos distintos para la transformación. La IA superpuesta permite una experimentación rápida con un coste piloto de $15,000 frente a los $500,000 de las plataformas integradas, pero genera riesgos de proliferación de «IA en la sombra». Las soluciones integradas requieren un extenso trabajo de infraestructura de datos, pero proporcionan un contexto empresarial completo imposible de obtener mediante API.
Nuestro marco de Valor-Coste-Riesgo vincula nueve factores críticos con las decisiones arquitectónicas, revelando que las empresas exitosas adoptan estrategias híbridas de transición «superposición ahora, integración permanente»- que reconocen tanto la presión inmediata como los requisitos de transformación a largo plazo. Esta investigación replantea la adopción de la IA, pasando de la compra de tecnología a la evolución de capacidades, y proporciona orientación práctica para discernir entre la publicidad engañosa de los proveedores y la verdadera oportunidad.
Tabla de Contenidos
1. Introducción
2. Antecedentes
3. Metodología
4. Desencanto con la IA
5. Elección entre distintos tipos de inversión en IA: factores de valor, coste y riesgo
6. Marco de superposición e integración
7. Discusión
1. Introducción
La revolución de la inteligencia artificial ha llegado con una fuerza sin precedentes, prometiendo transformar radicalmente la forma en que las empresas operan y compiten. Desde la solicitud de Y Combinator para el otoño de 2025 a las startups para que reemplacen por completo las plataformas SaaS tradicionales con soluciones nativas de IA, hasta a gigantes consolidados como Salesforce y la carrera de Microsoft por integrar la IA profundamente en sus plataformas, las señales del mercado son claras: la IA representa la disrupción tecnológica más significativa desde internet. Goldman Sachs proyecta que la IA podría impulsar un crecimiento económico global de $7 billones de dólares, comparable al de la revolución de la informática personal, con productividad durante la próxima década. Quienes la adoptaron tempranamente ya están viendo resultados transformadores: Intercom afirma que su chatbot Fin AI logra que el 80% de los clientes estén operativos en 30 días, ahorra tiempo de abogados anualmente y las herramientas de IA aumentan la productividad del soporte al cliente hasta en un 35% para los empleados con poca experiencia. La plataforma COIN de JPMorgan revisa los acuerdos de préstamo en segundos en lugar de requerir 360.000 horas.
Sin embargo, tras este entusiasmo subyace una desilusión generalizada. El informe del MIT sobre el estado de la IA en los negocios en 2025 revela que el 95% de los proyectos piloto de IA general no logran generar un impacto rápido en los ingresos, superando significativamente la tasa de fracaso del 40% de los proyectos de TI tradicionales. Según S&P Global Market Intelligence, el 42% de las organizaciones abandonaron la mayoría de sus estrategias. Las iniciativas de IA en 2024, frente al 17% en 2023, también representan una mejora con respecto a la previsión de Gartner. Mientras las organizaciones invierten miles de millones en IA-con previsión de Gartner. Gartner estima que el gasto mundial en IA general alcanzará los $644 mil millones de dólares en 2025-el estudio de BCG sobre la "Matriz de Madurez de la IA" revela que solo el 4% de las empresas están obteniendo un valor sustancial de la inversión en IA y que los mínimos retornos han empujado a la IA empresarial a lo que muchos describen como un "valle de la desilusión". La desconexión entre lo masivo
Sabemos que el potencial transformador de la IA es real: McKinsey estima que GenAI podría aportar entre $2.6 y $4.4 billones de dólares anuales a la economía global. Entendemos que existen implementaciones exitosas, con algunas organizaciones que reportan reducciones del 60% en el esfuerzo de desarrollo y mejoras drásticas en las métricas de servicio al cliente. Lo que desconocemos es igualmente crucial: ¿Por qué fracasan tantas iniciativas de IA a pesar de las capacidades demostradas de la tecnología? ¿Cómo deberían los responsables de la toma de decisiones evaluar la desconcertante variedad de soluciones de IA que inundan el mercado? ¿Qué marcos pueden ayudar a las organizaciones a discernir entre la publicidad engañosa de los proveedores y las oportunidades reales? Y, lo más importante, ¿qué distingue al 4% de las organizaciones que generan un valor sustancial del 96% que lucha con proyectos piloto fallidos y proyectos abandonados? Estas preguntas exigen una investigación sistemática que vaya más allá de la evidencia anecdótica y las afirmaciones de marketing de los proveedores.
Para responder a estas preguntas, realizamos 48 entrevistas en profundidad entre junio y septiembre de 2025 con líderes del ecosistema de IA empresarial.
Entre los participantes se encontraban directores ejecutivos de startups que desarrollan soluciones de IA, líderes de TI de empresas Fortune 500 que implementan IA, ejecutivos de importantes plataformas tecnológicas, integradores de sistemas y consultores que guían transformaciones empresariales, y líderes de productos de IA que dan forma al mercado. En lugar de centrarnos específicamente en empresas individuales, seleccionamos a estos proveedores de nivel empresarial por su capacidad para comprender el panorama general y por la facilidad de acceso. Esta investigación se llevó a cabo mediante una colaboración entre Keenan Vision y Haas de la UC Berkeley School of Business, que combina la experiencia del sector con el rigor académico para comprender el estado actual de la adopción de la IA empresarial.
Nuestro primer hallazgo importante revela cuatro factores interconectados que impulsan la desilusión con la IA:
- La presión de los ejecutivos crea una mentalidad de urgencia donde, como explicó un líder de TI de una empresa Fortune 500, "todos se apresuran a decir: 'Implementé IA", priorizando las presentaciones ante la junta directiva sobre el valor comercial.
- La escasez de talento es aguda en todos los niveles: los líderes carecen de conocimientos sobre IA para evaluar soluciones, los equipos técnicos recurren a la programación intuitiva sin la experiencia adecuada y las organizaciones optan por proveedores conocidos porque "Si es de Microsoft, lo compro; no voy a hablar con startups".
- La brecha entre la promesa y la realidad hace que los proveedores exageren las capacidades mientras que los compradores subestiman la complejidad, y un consultor señaló que "las afirmaciones de los proveedores son desorbitadas... los clientes están muy confundidos".
- Lo más importante es que las empresas tratan la IA como cualquier otra compra tecnológica -Slack, Teams o CRM, pasando por alto su diferencia fundamental. Como explica un consultor de GenAI: «La IA debe concebirse como una capacidad... las capacidades se desarrollan; la tecnología se adquiere». A diferencia del software tradicional, que se mantiene estable durante años, la IA evoluciona continuamente con cada actualización de modelo, lo que exige nuevas habilidades en ingeniería ágil, detección de errores y la integración de flujos de trabajo. La amplia aplicabilidad de la IA afecta simultáneamente a la gobernanza de datos, los protocolos de seguridad, los marcos de cumplimiento y los procesos de toma de decisiones, lo que requiere una transformación coordinada entre múltiples departamentos en lugar de una simple implementación.
En definitiva, la razón de la actual desilusión no radica en que la IA no pueda resolver los problemas organizativos para crear valor. Sí puede. El problema reside en las empresas y los proveedores, que carecen de las capacidades organizativas y técnicas necesarias para que la IA funcione para sus necesidades empresariales.
¿Cómo deciden las organizaciones qué IA implementar y cómo? Nuestro segundo hallazgo identifica nueve factores críticos que influyen en las decisiones de inversión en IA, organizados en un marco de Valor-Costo-Riesgo.
En cuanto al Valor, las organizaciones evalúan la alineación con el caso de uso (¿resuelve problemas específicos?), el tiempo de retorno de la inversión (¿cuándo se verán los beneficios?), el rendimiento y la escalabilidad (¿puede gestionar nuestra carga de trabajo?) y la medición del ROI (¿cómo cuantificamos el éxito?).
Respecto al Costo, evalúan la energía de activación (el esfuerzo organizacional requerido), la preparación de los datos (¿están nuestros datos listos para la IA?) y el costo total de propiedad (incluyendo precios de consumo impredecibles).
Los factores de riesgo también son cruciales, más allá del Valor y el Costo. Estos incluyen preocupaciones de seguridad y gobernanza (desde la inyección rápida hasta la proliferación de la "IA en la sombra") y la necesidad de opciones y flexibilidad para evitar la dependencia de un solo proveedor.
En comparación con la informática tradicional, estos factores ponen de manifiesto complicaciones únicas relacionadas con la inversión en IA que alteran los modelos de contratación convencionales. Los cálculos de retorno de la inversión (ROI) se ven dificultados por las mejoras en la eficiencia que no se traducen en una reducción de personal, sino en funcionalidades y eficiencia adicionales. La fijación de precios basada en el consumo genera ansiedad entre los directores financieros: «El coste es una incógnita... No soy un experto en fijación de precios al consumo», lamentó un ejecutivo bancario. Surgen nuevas vulnerabilidades de seguridad, desde ataques de inyección rápida hasta alucinaciones en los modelos, que un cliente insiste en que requieren «tolerancia cero... ni siquiera un...»
Una firma de consultoría independiente con amplia experiencia en Salesforce y el ecosistema de TI empresarial.
"Un 1% de error". Las organizaciones intentan equilibrar estos factores en función de su sector, tolerancia al riesgo y madurez técnica, sin que exista una fórmula única que se aplique a todos.
¿Cómo podrían las organizaciones abordar estratégicamente la relación valor-costo-riesgo en comparación con el enfoque actual de actuar a ciegas? Nuestro tercer hallazgo revela que el mercado de IA empresarial se ha cristalizado en torno a dos enfoques arquitectónicos: IA superpuesta e IA integrada. Las soluciones superpuestas se integran en múltiples sistemas, conectándose mediante API para ofrecer resultados rápidos: «Más del 80% de nuestros clientes están operativos en 30 días», informa un proveedor de soluciones superpuestas. Ofrecen flexibilidad, menores costos de prueba piloto («¿Preferiría probar una prueba piloto por $15,000 USD o Agentforce (la solución de IA más completa de Salesforce) por $500,000 USD?») y un rápido retorno de la inversión, pero amplían la superficie de ataque y generan desafíos de gobernanza. Entre los ejemplos se incluyen Glean para búsqueda empresarial, Fin de Intercom para servicio al cliente y Harvey para servicios legales.
Las soluciones integradas se incorporan profundamente a las plataformas principales, aprovechando los niveles de preparación de datos y los perímetros de seguridad existentes. Si bien requieren una inversión inicial considerable «dieciocho meses de trabajo preliminar», según un ejecutivo, ofrecen un valor superior a largo plazo gracias a su contexto empresarial integral y su escalabilidad. Las organizaciones con datos consolidados prefieren los enfoques integrados: «El 90% de nuestros datos reside en Salesforce... sería una locura no usar Agentforce», señala un CIO. Entre las principales soluciones integradas se incluyen Agentforce de Salesforce, Copilot de Microsoft, Rovo de Atlassian y Gemini de Google.
La diferencia entre las soluciones superpuestas e integradas radica en su arquitectura, en cuanto a su conexión con los datos y sistemas existentes, pero las implicaciones son mucho mayores. Cada opción representa una distinción filosófica en cuanto a cómo los líderes empresariales pueden abordar la transformación de la IA y ofrece diferentes ventajas e inconvenientes en términos de valor, coste y riesgo. Muchas empresas se centran en un enfoque de autogestión, trabajando con sus equipos de TI internos en lugar de con proveedores externos. Sin embargo, también en este caso, esta disyuntiva es determinante en la forma en que dichos equipos deben abordar su cometido.
En definitiva, cada vez más organizaciones adoptan una estrategia de cartera híbrida, utilizando herramientas superpuestas para obtener resultados rápidos mientras sientan las bases para una transformación integrada, tratando la adopción de la IA como un proceso de transición en lugar de una elección binaria. Por ello, nuestra investigación apunta a una estrategia de «superposición ahora, integración permanente» que podría funcionar para muchas organizaciones que se plantean la transformación de la IA.
Una contribución clave de nuestros hallazgos es la de fundamentar marcos prácticos que reconocen tanto el potencial transformador de la IA como las realidades de su implementación. A diferencia de los informes técnicos de los proveedores que prometen una revolución o los estudios académicos centrados en las capacidades técnicas, ofrecemos orientación práctica basada en experiencias empresariales reales.
Nuestro marco de Valor-Costo-Riesgo proporciona a las organizaciones un enfoque estructurado para evaluar las inversiones en IA más allá de los simples cálculos de ROI. El marco de Superposición-Integración ayuda a orientar las decisiones arquitectónicas en función de la disponibilidad de datos, la tolerancia al riesgo y los objetivos estratégicos. Lo más importante es que ofrecemos orientación diferenciada para consejos de administración y ejecutivos (adoptar un enfoque de cartera híbrido), líderes de línea de negocio (aprovechar la dinámica actual del mercado al tiempo que se crean alianzas de TI) y proveedores de IA (los proveedores de IA integrada deben adoptar la extensibilidad, mientras que los proveedores de IA superpuesta deben abordar de forma proactiva las preocupaciones de seguridad).
El panorama de la IA empresarial continúa evolucionando a una velocidad sin precedentes, con importantes actualizaciones de plataformas cada semana y nuevas startups que surgen a diario. Esta investigación representa una instantánea de un mercado en constante cambio, que requiere una reevaluación continua a medida que se consolidan las tendencias y emergen las mejores prácticas. Sin embargo, incluso en este mercado en constante evolución, emerge un mensaje claro y perdurable: las organizaciones y los líderes que leen este informe poseen una capacidad extraordinaria para moldear el impacto de la IA.
2. Antecedentes
2.1 La revolución de la IA: de la disrupción a la transformación
La oportunidad económica de la IA es asombrosa. Los economistas de Goldman Sachs predicen que la IA generativa podría añadir $7 billones de dólares al PIB mundial e impulsar la productividad un 1.5% anual, un impacto transformador de la revolución de la informática personal. El análisis de McKinsey es aún más optimista, estimando que la IA generativa por sí sola podría añadir entre $2.6 y $4.4 billones de dólares anuales, según 63 casos de uso analizados que abarcan operaciones con clientes, marketing, ingeniería de software e I+D a la economía global a través de. Para ponerlo en perspectiva, esto equivale aproximadamente a añadir el PIB total del Reino Unido a la economía mundial cada año.
Las empresas se apresuran a aprovechar esta oportunidad. Startups como Campfire, un ERP con IA como prioridad, están reconstruyendo categorías de software completas desde cero con IA que gestiona de forma autónoma flujos de trabajo complejos que antes requerían grandes equipos de profesionales y consultores. Las plataformas consolidadas intentan reinventarse desde dentro. Salesforce ha invertido miles de millones en transformar su imperio CRM con Agentforce, permitiendo a los clientes implementar agentes de IA autónomos que gestionan desde la atención al cliente hasta la prospección de ventas sin intervención humana. De forma similar, Copilot de Microsoft ha transformado Office 365, no solo ayudando a los usuarios a redactar mejores correos electrónicos, sino cambiando radicalmente la forma en que las organizaciones acceden al conocimiento institucional, con IA capaz de sintetizar instantáneamente información valiosa de miles de documentos, reuniones y comunicaciones en toda la empresa.
La transformación que se avecina ya se observa en implementaciones reales. En atención al cliente, Fin de Intercom afirma que el 80% de sus clientes están operativos en 30 días, desarrollando negocios completos basados en la interacción con el cliente mediante IA, mientras que empresas como Sierra AI son lo que vuelve obsoletos los modelos de soporte tradicionales. En servicios profesionales, el copiloto de IA de Harvey es utilizado a diario por decenas de miles de profesionales. Los abogados de firmas de élite como Allen & Overy y PwC trabajan a un ritmo que hace obsoletos los modelos tradicionales de facturación por horas, automatizando la revisión de documentos y el análisis de contratos. Un estudio pionero de Stanford-NBER sobre IA en atención al cliente muestra un aumento promedio de la productividad de aproximadamente el 14% y del 35% para los agentes con menos experiencia, al condensar eficazmente años de experiencia en asistencia algorítmica.
Las organizaciones están adoptando la IA con dos objetivos distintos pero complementarios. En primer lugar, la mejora de la eficiencia: automatizar tareas repetitivas, reducir costes operativos y acelerar la obtención de información. La plataforma COIN de JPMorgan ahora revisa contratos en segundos, en lugar de las 360,000 horas de trabajo legal que se requerían anteriormente cada año. En segundo lugar, la estrategia de innovación: habilitar capacidades totalmente nuevas que antes no eran posibles. Moderna aprovechó la IA para reducir el desarrollo de vacunas a tan solo 42 días y los ensayos clínicos a solo 63 días. Las aplicaciones, a partir de descripciones en lenguaje natural, funcionan de forma autónoma en proyectos complejos. Claude Sonnet 4.5 de Anthropic ahora puede escribir, depurar e implementar software listo para producción.
Configuración de la infraestructura, auditorías de seguridad e implementación: transformando a cada trabajador del conocimiento en un desarrollador potencial con un colega de IA capaz de gestionar ciclos de vida completos del software.
El mensaje de Silicon Valley a los consejos de administración es claro: adaptarse o quedar obsoletos. Como advirtió Sam Altman en la Conferencia de la Reserva Federal en julio de 2025: «Habrá casos en los que desaparecerán categorías enteras de empleos»; algunos sectores laborales «simplemente desaparecerán por completo». Altman reconoce el desafío que se avecina: «Habrá aspectos muy difíciles, como la desaparición de categorías enteras de empleos, pero, por otro lado, el mundo se enriquecerá mucho más rápido y con tanta rapidez que podremos considerar seriamente nuevas ideas que antes eran impensables».
Esta es, a la vez, la amenaza y la promesa que ha cautivado la imaginación de todos los directores ejecutivos y miembros de consejos de administración: la IA como el transformador definitivo de los negocios, la tecnología que distinguirá a los líderes del mañana de los rezagados de hoy. El potencial es real, las demostraciones son convincentes y los primeros resultados de los pioneros son verdaderamente revolucionarios. Sin embargo, como veremos, traducir esta promesa en una realidad empresarial ha resultado mucho más difícil de lo previsto.
2.2 La prueba de realidad: Inversión sin implementación
A pesar del potencial de la IA, las inversiones están generando rendimientos preocupantemente bajos. Un estudio del MIT publicado en 2025 muestra que la Muchos programas piloto de IA generativa no logran una rápida aceleración de los ingresos. La tasa de fracaso del 95% supera significativamente la de los proyectos de TI tradicionales, que suelen fracasar en un 40%, según un análisis de RAND Corporation. S&P Global Market Intelligence informa que el 42% de las empresas abandonaron la mayoría de sus iniciativas de IA el año pasado, un aumento drástico respecto al 17% registrado en 2023. Además, Gartner predice que esta tendencia se estima que al menos el 30% de los proyectos de IA general (GenAI) se abandonarán tras la prueba de concepto para finales de 2025, lo que, según la evaluación exhaustiva de BCG, genera un valor sustancial a partir de sus inversiones. La desconexión es evidente: mientras las organizaciones invierten miles de millones en iniciativas de IA, solo el 4% se destinan a ello. Incluso con el auge de la adopción, solo el 11% de las empresas tienen la GenAI implementada a gran escala, y en promedio La organización descarta aproximadamente el 46% de todas las pruebas de concepto de IA antes de llegar a producción.
2.3 Navegando el camino a seguir
El análisis económico de la IA empresarial presenta una paradoja: un enorme potencial combinado con un impacto actual sumamente desigual. Si bien McKinsey proyecta que la IA generativa podría añadir billones de dólares anuales a la economía global, los resultados reales varían drásticamente según el caso de uso. Los hallazgos de la Oficina Nacional de Investigación Económica muestran que los trabajadores que experimentan un ahorro de tiempo de tan solo el 3% tienen un impacto significativo en sus ingresos o en las horas de la implementación de IA en promedio, sin registradas. Sin embargo, en aplicaciones específicas, las ventajas son sustanciales: uno de nuestros entrevistados informó de una reducción del 60% en el esfuerzo de desarrollo (actualmente, el trabajo consume entre el 30% y el 40% del tiempo).
Esta marcada variación entre El éxito transformador en aplicaciones específicas y el impacto mínimo en implementaciones amplias (hace un año) que solían utilizar para generar e implementar código en el pasado motivaron nuestra investigación sobre qué separa el éxito del fracaso de la IA.
A lo largo de este informe, al examinar en detalle estos desafíos, tres preguntas específicas guían nuestro análisis: ¿Por qué se produce exactamente esta desilusión? ¿Cómo evalúan realmente los responsables de la toma de decisiones las inversiones en IA? ¿Y qué marcos pueden ayudar a las organizaciones a superar el actual estancamiento?
3. Metodología
3.1 Diseño de la investigación y selección de participantes
Para abordar nuestras preguntas de investigación, realizamos 48 entrevistas en profundidad entre el 24 de junio de 2025 y el 2 de septiembre de 2025 con líderes del ecosistema de IA empresarial. Entre los participantes se encontraban directores ejecutivos de startups, líderes de TI de empresas medianas y grandes, ejecutivos de proveedores de IA, integradores de sistemas y consultores, así como líderes de productos de IA y de comercialización en las principales plataformas tecnológicas. Realizamos un muestreo intencional de empresas de todos los tamaños, desde startups hasta empresas globales, para capturar todo el espectro de patrones de adopción de IA y procesos de toma de decisiones. Los participantes fueron reclutados a través de redes del sector y alianzas estratégicas, y los integradores de sistemas y las consultoras proporcionaron valiosos contactos con organizaciones que implementan o evalúan iniciativas de IA. Esta investigación se llevó a cabo mediante una colaboración entre Keenan Vision y Salesforce y la Escuela de Negocios Haas de UC Berkeley, información que revelamos a todos los participantes.
Nuestra muestra refleja tanto fortalezas como limitaciones reconocidas. Gracias al patrocinio del estudio y a la amplia experiencia de nuestro fundador, Vernon Keenan, en el ecosistema DevOps de Salesforce, tuvimos un acceso excepcional a proveedores de software independientes (ISV) y a líderes con un alto nivel técnico dentro de dicho ecosistema. Esto nos proporcionó información valiosa sobre los desafíos de la implementación de IA a nivel empresarial y las decisiones arquitectónicas. También incluimos una muestra de grandes compradores de TI empresariales, es decir, ISV. Sin embargo, este mismo efecto de red generó limitaciones: la representación de plataformas de la competencia fue limitada y nuestra muestra presentó un marcado sesgo técnico. En particular, tuvimos una importante subrepresentación de líderes de línea de negocio, especialmente en las áreas de atención al cliente y ventas, quienes influyen cada vez más en la selección de proveedores para soluciones de IA específicas del dominio, en especial para aplicaciones de IA agentivas.
3.2 Estructura de la entrevista y recopilación de datos
Realizamos entrevistas semiestructuradas de 45 a 60 minutos de duración mediante videoconferencia, lo que permitió explorar de forma consistente los temas centrales y, al mismo tiempo, mantener la flexibilidad para obtener nuevas perspectivas. Cada sesión se grabó y transcribió, y los investigadores tomaron notas simultáneas para captar el contexto no verbal y las observaciones inmediatas.
Se informó a los participantes que la investigación tenía como objetivo ayudar a los líderes empresariales a tomar decisiones de inversión en IA más informadas, con especial énfasis en sus criterios de selección y procesos de toma de decisiones. Sin embargo, evitamos deliberadamente presentarles nuestros marcos analíticos específicos para prevenir sesgos en las respuestas. Nuestro protocolo de entrevista exploró seis áreas clave: (1) las ventajas y desventajas arquitectónicas entre los diferentes tipos de soluciones de IA empresarial, (2) cómo las organizaciones equilibran el valor, el costo y los factores de riesgo en las decisiones sobre IA, con especial énfasis en la evaluación de riesgos, (3) el costo total de propiedad y las consideraciones sobre el retorno de la inversión, incluyendo perspectivas a corto y largo plazo sobre el tiempo de obtención de valor, (4) la implementación actual de la IA y los casos de uso dentro de sus organizaciones o base de clientes, (5) las barreras para una adopción más amplia de la IA y (6) recomendaciones para los líderes empresariales y los proveedores de IA que buscan mejorar la adopción empresarial.
3.3 Análisis de datos
Analizamos las transcripciones de las entrevistas mediante análisis temático, empleando un proceso de codificación sistemático en Excel para identificar patrones, similitudes y perspectivas divergentes en las respuestas de los participantes. La codificación inicial fue realizada por un único investigador para garantizar la coherencia en la interpretación. Utilizamos inteligencia artificial para extraer citas e identificar grupos temáticos preliminares de las entrevistas, los cuales fueron revisados y validados posteriormente por el equipo de investigación mediante verificación manual. Todos los miembros del equipo contrastaron estos temas emergentes. Este enfoque híbrido -que combina el reconocimiento de patrones asistido por IA con la experiencia y el criterio humanos- nos permitió procesar eficientemente el volumen de datos cualitativos, manteniendo la profundidad interpretativa necesaria para la investigación cualitativa. A continuación, el equipo de investigación analizó estos temas validados para identificar divergencias en función del tamaño, el rol y la posición de la empresa en la cadena de valor de la IA. Mediante este proceso, surgieron tres conjuntos clave de hallazgos que abordaremos en las secciones 4, 5 y 6 antes de concluir.
4. Desilusión con la IA
Lo que comenzó como una investigación sobre los factores que influyen en la decisión de la IA empresarial pronto reveló un problema más profundo. La mayoría de las partes interesadas que entrevistamos -desde líderes de TI de empresas Fortune 500 hasta fundadores de startups y consultoras- compartieron un patrón constante de frustración con el estado actual de la adopción de la IA empresarial. Nuestro análisis revela cuatro problemas que impulsan la desilusión generalizada con la IA en las empresas.
- En primer lugar, la presión de la alta dirección genera plazos de implementación apresurados que priorizan la visibilidad sobre el valor.
- En segundo lugar, existe una grave escasez de talento en todos los niveles organizativos, desde los equipos técnicos hasta la alta dirección.
- En tercer lugar, se ha producido una importante discrepancia entre las promesas de los proveedores y las capacidades reales de la IA.
- Por último, las empresas siguen aplicando enfoques tradicionales de adquisición de tecnología a los sistemas de IA, que requieren una transformación organizativa más profunda que las implementaciones de TI convencionales. Como explicaremos más adelante, estos patrones explican por qué tantas iniciativas de IA se estancan, sin llegar nunca a la escala de producción necesaria para generar un impacto empresarial significativo. Comprender estos modos de fracaso resulta esencial para las organizaciones que buscan ir más allá de las aspiraciones en materia de IA y alcanzar una verdadera transformación.
Causas de la desilusión con la IA
1. Acción sin Estrategia
La presión de arriba hacia abajo para 'hacer algo con IA' desencadena una ráfaga de pilotos que rara vez se traducen en valor empresarial real.
"Es como una carrera desenfrenada... todos se apresuran a decir, 'Implementé IA'"
2. Escasez de Habilidades
Al carecer de experiencia en IA, las organizaciones se congelan en la indecisión, caen en el bombo de los proveedores o se aferran a herramientas conocidas que pueden no ser la mejor opción.
"Tenemos mucha gente con experiencia en sistemas heredados, y para ellos, ponerse al día es un gran desafío."
3. Brecha Promesa-Realidad
Cuando los proveedores prometen de más y los compradores subestiman la complejidad, las expectativas se disparan, los resultados no cumplen lo esperado y la futura inversión en IA se estanca.
"Las afirmaciones de los proveedores son desorbitadas... los clientes están muy confundidos."
4. Trampa de Capacidad frente a Tecnología
Cuando la IA es tratada como un producto y no como una capacidad organizacional, a menudo se convierte en software costoso en el estante con poco impacto. "La IA debe concebirse como una capacidad... las capacidades se desarrollan; la tecnología se adquiere."
4.1 Acción sin estrategia
La presión de los consejos de administración ha generado una mentalidad frenética en las empresas. «Es como una carrera desenfrenada... todos se apresuran a decir: "Implementé IA"», explica un responsable de TI de una empresa de dispositivos médicos de la lista Fortune 500. Según el director ejecutivo de una firma de análisis y consultoría especializada en ayudar a las empresas a generar valor con IA generativa empresarial, nunca habían visto una situación en la que el consejo presionara para obtener ejemplos reales... preguntando cuántos proyectos de IA están en producción». Este mandato vertical crea proyectos piloto dispersos que se centran en soluciones fáciles en lugar de en resultados de negocio. Los CIO se ven relegados a meros ejecutores de órdenes, implementando tecnología que no comprenden del todo en plazos imposibles. ¿El resultado? Iniciativas de IA que lucen bien en las presentaciones a la junta directiva, pero que aportan poco valor medible. La discrepancia entre las expectativas y los resultados genera frustración en todos los niveles.
Un ingeniero principal de una startup de infraestructura de IA describe a un ejecutivo exigiendo: «Necesito ver una mejora de 30 veces el próximo mes. Tres meses de margen son automáticamente un no», lo que ilustra la presión imposible que sufren los equipos de TI con los plazos ajustados. Paradójicamente, esta urgencia ralentiza el progreso, ya que los equipos se apresuran a implementar soluciones sin la preparación adecuada.
4.2 El desafío de la escasez de habilidades
La irrupción repentina de la IA tomó por sorpresa a las empresas. Nuestra investigación demuestra que la mayoría de las organizaciones carecen de talento especializado en IA. Los líderes entrevistados destacaron la falta de conocimientos sobre IA necesarios para evaluar las soluciones con la rapidez exigida, y los consultores e integradores de sistemas entrevistados mencionaron la falta de personal cualificado en ingeniería en las empresas de sus clientes para desarrollar la IA por sí mismos (razón por la cual sus clientes recurren a los integradores de sistemas para la implementación). La brecha de habilidades no es solo técnica, sino también estratégica y operativa.
Un responsable de la toma de decisiones de TI de una empresa Fortune 500 compartió: "Tenemos muchos empleados con experiencia en sistemas heredados, y para ellos, ponerse al día es un gran desafío". Este líder de TI afirma: "La velocidad a la que se está produciendo el cambio nos impide adaptarnos... y tememos tomar la decisión equivocada". Cuando los líderes carecen de la experiencia en el sector y los conocimientos de IA suficientes para elegir entre proveedores de IA, la organización se estanca en ciclos de evaluación interminables. El mismo responsable de la toma de decisiones de TI de Fortune 500 lamenta: "Hablamos mucho, pero aún no hemos implementado nada".
Como resultado, algunos líderes reacios al riesgo optan por relaciones con proveedores conocidos en lugar de evaluar las soluciones por sus méritos. Un consultor observa: "Los CIO nos dicen: 'Si está en Microsoft, lo compro; no hablo con startups". Esta lealtad al proveedor puede brindar comodidad, pero puede conducir a soluciones de IA subóptimas.
Las organizaciones que intentan desarrollar inteligencia artificial internamente a menudo carecen de la experiencia técnica necesaria. Otro consultor describe cómo algunos clientes implementan mal la IA al depender de ingenieros con poca experiencia. Se implementa de forma deficiente mediante programación intuitiva. Los equipos implementan una funcionalidad que no resuelve el problema del negocio. Simplemente no hay talento disponible. El fundador y CEO de una startup de DevOps de IA informa que los clientes buscan su producto porque ofrece numerosas integraciones, cumple con los requisitos de seguridad y cumplimiento normativo. Si lo hicieran internamente, tal vez no tendrían la experiencia necesaria. Esto ayuda a los clientes a evitar desarrollar su propia solución internamente y pasar años desarrollándola antes de que fracase.
4.3 Brecha entre promesa y realidad
Los proveedores de IA exageran las capacidades, mientras que los compradores subestiman la complejidad. Los comerciales que promueven soluciones de IA a menudo no saben explicar el valor comercial de sus propios productos, pero se ven presionados por cuotas de ventas. «Las afirmaciones de los proveedores son desorbitadas... los clientes están muy confundidos», observa un consultor que asesora a clientes sobre cómo obtener valor de la IA. Esta dinámica afecta especialmente a las organizaciones que ven la IA como una solución milagrosa. Un responsable de TI de un gran banco señala que «la IA atrae a quienes creen en soluciones milagrosas... [piensan] que una sola cosa puede solucionarlo todo. La desilusión con la IA surge no porque las soluciones de IA no puedan resolver los problemas organizativos, sino porque las soluciones sobrevaloradas generan expectativas infladas que, a su vez, frenan la inversión y la experimentación futuras.
4.4 La trampa de la capacidad frente a la tecnología
La mayoría de las empresas tratan las compras de IA como cualquier otra inversión tecnológica: Slack, Microsoft Teams o Salesforce CRM. Este enfoque pasa por alto la diferencia fundamental de la IA: en comparación con las tecnologías más tradicionales, la IA requiere un mayor desarrollo de capacidades organizativas, que va más allá de la simple implementación tecnológica.
La IA evoluciona constantemente a medida que se actualizan los modelos y se amplían sus capacidades, lo que supone un reto en constante cambio para el aprendizaje organizacional. El software tradicional se mantiene estable durante años (por ejemplo, los usuarios aprenden Excel una sola vez y aplican esas habilidades indefinidamente). Las herramientas de IA modifican su comportamiento con cada actualización de modelo, lo que exige una formación continua de los usuarios y la adaptación de los procesos de negocio. Esta incertidumbre requiere nuevas habilidades para elaborar mensajes eficaces, reconocer errores inesperados, integrar la IA en los flujos de trabajo existentes y realizar una monitorización continua.
Fundamentalmente, la amplia aplicabilidad de la IA crea interdependencias que las soluciones puntuales tradicionales no presentan.
Mientras que la implementación de Slack afecta los patrones de comunicación, el despliegue de IA impacta simultáneamente la gobernanza de datos, los protocolos de seguridad, los marcos de cumplimiento y los procesos de toma de decisiones. El éxito requiere una gestión del cambio coordinada entre múltiples departamentos y transformaciones culturales en la forma en que trabajan los empleados. Como explica un consultor de GenAI, «la IA debe concebirse como una capacidad... las capacidades se desarrollan; la tecnología se adquiere». Del mismo modo que la Gestión de Relaciones con el Cliente (CRM) requiere procesos de negocio, formación, un cambio cultural y el desarrollo del talento en torno a la compra de una tecnología CRM, la IA exige una transformación organizativa similar. Las organizaciones que omiten esta fase de desarrollo de capacidades acaban con un software costoso que permanece sin usar o que ofrece resultados mediocres. La tecnología por sí sola no puede cerrar la brecha entre el potencial de la IA y los resultados empresariales.
4.5 En resumen
Los patrones que impulsan el fracaso de los proyectos de IA crean un círculo vicioso de decepción. El miedo a perderse algo (FOMO) de los ejecutivos acelera las decisiones tecnológicas más allá de la preparación de la organización, mientras que la falta de habilidades en todos los niveles impide una evaluación informada de las afirmaciones de los proveedores. Cuando compradores inexpertos, presionados por la dirección, se encuentran con proveedores que prometen demasiado, el resultado previsible son inversiones en IA que no cumplen con las expectativas infladas. Otra forma de comprender el enigma de la desilusión con la IA es aclarar que las organizaciones se enfrentan a desafíos tanto a nivel organizativo (debido a la falta de habilidades y estrategia) como a nivel técnico (debido a la sobrevaloración de la tecnología y la falta de adecuación de las capacidades).
Para superar estos ciclos negativos, es necesario ir más allá de abordar cada uno de estos desafíos individualmente, mediante un marco integral que ayude a las organizaciones a evaluar sistemáticamente sus inversiones en IA. Los datos de nuestras entrevistas nos ayudaron a sentar las bases para dicho marco, como se detalla en las siguientes secciones.
5. Elegir entre diferentes tipos de inversión en IA: factores de valor, coste y riesgo
Antes de poder desarrollar un marco más generalizado que oriente las futuras inversiones en IA, es fundamental comprender los factores que impulsan las decisiones en torno a los distintos tipos de soluciones de IA. Los datos de nuestras entrevistas arrojan luz sobre estos factores. Observamos que los responsables de la toma de decisiones en las empresas evalúan las inversiones en IA a través de criterios conocidos: valor, coste y riesgo. Si bien el marco de evaluación es similar al de otros tipos de adquisiciones de TI, los factores en sí mismos conllevan implicaciones y complejidades únicas que suelen sorprender incluso a los compradores experimentados en lo que respecta a la inversión en IA.
Nuestras entrevistas revelan nueve factores críticos que impulsan la selección de tecnología de IA, organizados en tres grandes categorías: valor, coste y riesgo. Las organizaciones rara vez consideran todos los factores por igual, pero comprender el marco completo ayuda a evitar el difícil periodo entre la fase piloto y la producción, que suele afectar a la mayoría de los proyectos de IA.
Anexo 5: Marco de factores de decisión de IA empresarial
VALOR:
Los beneficios cuantificables y los resultados positivos que la solución de IA aporta a la organización, abarcando tanto capacidades inmediatas como ventajas estratégicas a largo plazo.
- Alineación con el Caso de uso: Evalúa si la solución de IA aborda problemas empresariales específicos y de alto valor que se ajustan a las prioridades de la organización y ofrecen resultados concretos.
- Tiempo de obtención de valor: Mide la rapidez con que una organización obtiene beneficios tangibles tras la implementación de la IA, teniendo en cuenta los plazos de implementación y la complejidad de la configuración.
- Actuación y Escalabilidad: Evalúa la capacidad de la IA para operar de manera confiable a las velocidades requeridas y expandirse a medida que crecen los volúmenes de datos, el número de usuarios o las demandas comerciales.
- Retorno de la Inversión: Determina cómo cuantificar y realizar un seguimiento del valor de la IA, incluyendo las ganancias de eficiencia y la mejora en la toma de decisiones más allá del ahorro de costes tradicional.
COSTE: La inversión total necesaria para implementar y mantener con éxito la solución de IA, incluyendo gastos financieros, esfuerzo organizativo y requisitos de infraestructura.
- Energía de Activación: El esfuerzo organizativo necesario para movilizar personas y procesos para la adopción de la IA, incluyendo liderazgo técnico, formación y rediseño de flujos de trabajo.
- Preparación de datos: Evalúa si la infraestructura de datos de la organización puede soportar los requisitos de IA con la calidad, accesibilidad y capacidades de integración suficientes.
- Costo total de Propiedad: El compromiso financiero total para la implementación y operación de la IA, incluyendo licencias, precios de consumo, infraestructura y gastos ocultos.
RIESGO: Los posibles desafíos, incertidumbres y resultados negativos que podrían afectar el éxito de la implementación de la IA o crear vulnerabilidades organizacionales.
- Seguridad y Gobernanza: Los controles y la supervisión necesarios para garantizar que la IA funcione de forma segura y responsable, desde la seguridad de los datos hasta las vulnerabilidades específicas de la IA y el cumplimiento normativo.
- Elección y Flexibilidad: La capacidad de la organización para mantener la flexibilidad estratégica, evitar la dependencia de un solo proveedor y adaptar las soluciones a medida que evolucionan la tecnología o los requisitos.
5.1 La ecuación del valor: Más allá del ROI tradicional
5.1.1 Alineación con el caso de uso: ¿La IA hace lo que necesito que haga?
Las organizaciones quieren que los proveedores de IA den en el clavo de inmediato con un caso de uso. La presión por obtener resultados rápidos impulsa a los compradores hacia lo que un experto en IA denomina "IA de juguete": soluciones fáciles que impresionan a los ejecutivos, pero que no son escalables ni generan un impacto duradero. Este mismo asesor señala que "en los casos de uso realmente rutinarios y aburridos es donde reside actualmente el verdadero valor para las empresas".
Las empresas que tienen dificultades para alinear sus casos de uso suelen tener demasiadas opciones, no muy pocas. Un responsable de la toma de decisiones de TI en una empresa Fortune 500 informa que su equipo directivo está dando vueltas sin saber qué plataforma funciona mejor para un problema empresarial concreto, porque han surgido tantos problemas diferentes que no pueden priorizarlos y acaban paralizados por el análisis. Las organizaciones con prioridades poco claras suelen optar por aplicaciones de IA llamativas y ostentosas que impresionan a los directivos, pero que no resuelven los problemas fundamentales del negocio. El éxito requiere elegir un caso de uso específico y ejecutarlo correctamente, en lugar de emprender múltiples implementaciones mediocres que dispersan los recursos y generan resultados marginales en todas las iniciativas. En otras palabras, para que se produzcan inversiones significativas, los líderes deben ser capaces de discernir entre la vasta gama de oportunidades posibles e identificar aplicaciones de IA específicas que se ajusten a casos de uso concretos.
5.1.2 Tiempo de retorno de la inversión: ¿cuánto tardaré en ver los beneficios después de implementar la IA?
En el mercado actual de la IA, la velocidad prima sobre la perfección. "El tiempo de obtención de valor es ahora... por eso las soluciones llave en mano son tan atractivas", señala un arquitecto de TI de una firma de inversión. Los líderes temen quedarse atrás a pesar de estar en la fase inicial de adopción empresarial, lo que genera una presión sin precedentes sobre los ciclos de venta tradicionales. Esta urgencia ha comprimido drásticamente los plazos de decisión de las empresas.
Un consultor comenta: "Normalmente, los acuerdos empresariales tardan meses en cerrarse, pero no exagero cuando digo que he cerrado tres acuerdos en llamadas de 30 minutos en los últimos 10 días". Esta aceleración genera una fuerte preferencia por las soluciones listas para usar frente a las plataformas personalizables. Las organizaciones buscan resultados inmediatos y concretos para demostrarlos a los ejecutivos impacientes que exigen avances visibles en las iniciativas de IA. Las startups de IA han respondido estableciendo plazos de implementación de 30 días como requisito mínimo para cualquier solución de IA dirigida a empresas bajo presión de la junta directiva; por eso vemos que tantas startups de IA están ganando terreno significativamente a pesar de competir con grandes empresas tecnológicas.
5.1.3 Rendimiento y escalabilidad: ¿La IA cumple bien su función?
Si bien el rendimiento y la escalabilidad siempre han sido factores importantes, cuando se trata de inversión en IA, la mayoría de los entrevistados se encontraban en una etapa demasiado temprana de su trayectoria en IA como para evaluar el rendimiento de manera significativa. Muchas organizaciones siguen en fase piloto, donde la evaluación del desempeño a menudo se reduce a una simple cuestión binaria: "¿funciona o no?". Los escasos datos de rendimiento que hemos recopilado revelaron algunos problemas tanto con los productos de IA de startups como con los de grandes proveedores. Un distribuidor de software advierte que las soluciones de IA de startups que sobrecargan las API sufrirán una merma en el rendimiento y problemas de latencia. Un usuario pionero describe cómo el agente de su gran proveedor
La plataforma "aún no está lo suficientemente madura... vimos respuestas muy deficientes. Hubo problemas de latencia... parece que tarda entre 24 y 48 horas en fragmentar los datos para su procesamiento".
5.1.4 Medición del ROI: ¿el valor de la IA justifica la inversión?
Los métodos tradicionales de cálculo del ROI siguen siendo importantes, pero resultan insuficientes con las inversiones en IA. Un responsable de la toma de decisiones en TI compartió un correo electrónico de su equipo en el que intentaban elaborar un caso de negocio para la IA: «Los beneficios son cifras derivadas... un ahorro anual de aproximadamente $1.8 millones de dólares para tres casos de uso, basado en las ganancias de productividad previstas... Abrí el correo pensando: ¿Cómo se les ocurrió esto?». El desafío radica en que el valor de la IA hoy en día suele manifestarse a través de mejoras en la eficiencia, más que en ahorros de costos directos o en la generación de ingresos tangibles. Las organizaciones tienen dificultades para cuantificar las mejoras de productividad que no se traducen en una reducción de personal o un aumento de las ventas. La IA optimiza la toma de decisiones humanas y la eficiencia del flujo de trabajo de maneras que escapan al análisis tradicional de costo-beneficio.
Algunas organizaciones están experimentando con métricas de éxito alternativas que reflejan mejor la propuesta de valor real de la IA. Una startup utiliza Agentforce, tratando a sus agentes de IA como empleados mediante la creación de descripciones de puestos, evaluaciones cada 90 días y asignando un responsable directo a cada agente para evaluar su desempeño en función de las expectativas del puesto, en lugar de basarse en la rentabilidad económica. Esta startup cuenta con varios agentes empleados en funcionamiento, incluyendo un asistente de RR. HH. (para reservar vacaciones y responder preguntas frecuentes sobre días festivos), un asistente de ventas y un asistente de soporte (para gestionar incidencias en Jira). En el caso de las herramientas de IA no basadas en agentes, el éxito se mide a través de las tasas de adopción, partiendo de la premisa de que el uso continuado por parte de los empleados indica que la tecnología aporta valor a los flujos de trabajo diarios.
Este enfoque alternativo pone de relieve cómo la burocracia empresarial tradicional puede convertirse en un obstáculo para la adopción de la IA. Mientras que las grandes organizaciones exigen justificaciones financieras detalladas antes de aprobar un proyecto piloto, las empresas más pequeñas pueden experimentar con soluciones de IA basadas en indicadores de valor cualitativos y métricas de satisfacción del usuario. El desafío de la medición supone una ventaja para las organizaciones dispuestas a aceptar criterios de éxito alternativos que se ajusten mejor a la propuesta de valor de la IA, centrada en la eficiencia.
A pesar de estos desafíos, seguimos observando que las inversiones de las organizaciones en IA son mayores cuando los cálculos del ROI son transparentes y convincentes. Las soluciones de IA que ofrecen métricas de ROI transparentes están ganando terreno en el mercado. Una startup de atención al cliente informa que su agente de IA alcanza una tasa de resolución del 65% desde el primer momento, proporcionando métricas claras que se traducen directamente en una reducción de los costes de soporte y una mayor satisfacción del cliente. Esta medición concreta permite desarrollar un caso de negocio sólido y justificar el presupuesto con facilidad.
De igual forma, un importante banco estadounidense que se prepara para la implementación de IA agentiva valora la capacidad de esta tecnología para "pasar de la acción basada en la percepción a la acción basada en el análisis... utilizar una herramienta como la IA para analizar conversaciones reales" con clientes potenciales y actuales. Este cambio de la evaluación subjetiva a la información basada en datos crea vías cuantificables para aumentar las ventas, el crecimiento de los ingresos y reducir la pérdida de clientes; cálculos de retorno de la inversión que las organizaciones pueden cuantificar y monitorear fácilmente a lo largo del tiempo.
5.2 La realidad de los costes: Más allá de las licencias
5.2.1 Energía de activación: ¿cuánto esfuerzo organizativo se requiere para establecer la IA?
El éxito de la IA empresarial depende de la energía de activación de la organización: el esfuerzo inicial necesario para movilizar personas y procesos para la implementación de la IA. Las organizaciones se enfrentan a una disyuntiva fundamental entre los éxitos rápidos y la transformación sostenible.
Para una implementación exitosa de la IA se requieren dos tipos de impulsores trabajando en conjunto. Los impulsores técnicos necesitan un profundo conocimiento de la tecnología para guiar las decisiones de implementación; como advierte un consultor, sin experiencia técnica, "tendrán que simplificarlo tanto" que la solución perderá eficacia. Los impulsores del cambio actúan como usuarios influyentes de primera línea que crean ciclos de retroalimentación entre los usuarios finales y los equipos de ingeniería. Algunas organizaciones establecen "centros de práctica" dedicados a la IA dentro de su gran empresa, combinando la orientación técnica de alto nivel con la defensa de los usuarios a nivel operativo. Estos equipos "crean soluciones autónomas para los departamentos, que luego son operadas por los propios departamentos".
Las soluciones de IA sencillas se integran a los flujos de trabajo existentes con mínimas interrupciones. Una startup promueve su herramienta, cuyo objetivo no es alterar la forma de trabajar, sino optimizarla, permitiendo una rápida adopción con resultados visibles. Un banco nacional implementó con éxito un asistente para servicios comerciales, preservando los flujos de trabajo habituales e incorporando recomendaciones de IA y priorización de casos. Por otro lado, las plataformas de IA sofisticadas exigen una reinvención de los procesos. Un cliente de una startup destaca que la implementación exitosa de agentes requiere que todos "mapeen los procesos... no se trata de habilidades técnicas, sino de habilidades de análisis de negocio... comprendan la tarea a realizar... una vez hecho esto, crear agentes no es tan complicado". Para aprovechar todo el potencial de la IA basada en agentes, las organizaciones deben considerar el rediseño de los flujos de trabajo. A medida que las empresas prueban nuevas soluciones, un factor clave es determinar en qué medida la solución se adapta a los flujos de trabajo existentes frente a la necesidad de rediseñarlos en torno a la automatización prevista.
5.2.2 Preparación de los datos: ¿son nuestros datos empresariales accesibles y fiables para la IA?
El dicho "basura entra, basura sale" se aplica especialmente a los sistemas de IA. Un consultor especializado en la implementación de IA advierte: "Se necesitan datos y una arquitectura limpios; de lo contrario, la IA creará más problemas". El lado positivo de la presión de la IA es la financiación de proyectos de transformación de TI previamente postergados. Un líder de TI explica que "la arquitectura está cobrando protagonismo... la gestión de datos maestros, la gestión de la postura de seguridad". Las iniciativas de datos que no conseguían la aprobación presupuestaria ahora reciben nuevo capital porque las empresas de repente dependen de TI para liderar las iniciativas de IA.
La energía necesaria para impulsar el uso de los datos depende de arquitecturas de datos centradas en el cliente que eliminen los silos de información y permitan un acceso integral a los datos. Sin una alta calidad de datos, prácticas sólidas de metadatos y una arquitectura basada en API, la mayoría de las implementaciones se estancan en la fase piloto. La preparación técnica puede requerir meses o incluso años de trabajo fundamental antes de que las capacidades de IA sean accesibles, dependiendo del nivel de madurez de TI de la empresa.
5.2.3 Costo total de propiedad: ¿cuánto cuesta la IA?
El coste total de propiedad sigue siendo un factor decisivo para las inversiones en IA empresarial, pero la tarificación basada en el consumo plantea desafíos de previsión sin precedentes. Si bien los presupuestos de IA varían considerablemente entre las organizaciones, casi todos los clientes manifestaron su preocupación por la imposibilidad de predecir y controlar los costes basados en el uso.
Los modelos de precios basados en el consumo complican los procesos tradicionales de presupuestación empresarial. Un importante banco estadounidense explica: «El coste es una incógnita... casi imposible desglosarlo en una previsión de consumo. No soy un experto en precios basados en el consumo». Las organizaciones acostumbradas a las licencias de software predecibles se preocupan de que los empleados, sin saberlo, «acumulen tokens» sin darse cuenta de que cada interacción con la IA le cuesta algo a la empresa. Esta incertidumbre genera ansiedad entre los directores financieros de todas las empresas. Un proveedor de IA informa que en todas las grandes empresas... el director financiero está aterrorizado... Dígame cómo presupuestar
Para esto... ¿qué herramientas me han dado para predecir lo que va a hacer esto? Los patrones de uso siguen siendo impredecibles; como señala un cliente: "nadie sabe si los representantes lo usarán ocho o cien veces".
Los proveedores de IA se están adaptando a las inquietudes de los clientes mediante nuevos modelos de precios. Un cliente de Agentforce describió los precios iniciales como «un desastre» y que tardaron «semanas en obtener un presupuesto». Sin embargo, el cambio a Créditos Flexibles (paquetes de uso prepago que se detienen al agotarse) proporcionó el límite de costos que las empresas exigían, reemplazando el modelo de precios por conversación, que no ofrecía límites de gasto. La inestabilidad de los precios agrava la confusión. Incluso los equipos de ventas de IA tienen dificultades para comprender sus propios modelos; un cliente de Fortune 500 informó de información contradictoria entre los representantes de ventas y los comunicados de la empresa: «Todavía no sabemos cómo fijar el precio... las licencias cambian a diario».
El modelo de precios de la IA basado en el consumo supone un desafío fundamental para la gestión tradicional de costes empresariales. Las organizaciones necesitan proveedores que ofrezcan modelos de precios transparentes, herramientas de previsión fiables y controles de gasto que se ajusten a los procesos presupuestarios corporativos. Hasta que se logre la estabilidad de precios, las empresas preferirán soluciones con estructuras de costes predecibles a tecnologías potencialmente superiores con modelos de precios opacos o volátiles. El proveedor que resuelva el problema de la previsibilidad de costes obtendrá una importante ventaja competitiva en los ciclos de ventas empresariales.
5.3 El cálculo del riesgo: Más allá de la seguridad de los datos
5.3.1 Seguridad y gobernanza: ¿la IA es segura, cumple con las normas y es observable?
La seguridad de los datos es un requisito básico, pero las organizaciones se enfrentan a una categoría de riesgos completamente nueva para la que los marcos de seguridad existentes no fueron diseñados. El desafío más inmediato en materia de gobernanza no son los ataques externos, sino la proliferación interna descontrolada. Una consultora descubrió que su cliente empresarial llevaba más de dos años sufriendo, sin saberlo, un problema de «inteligencia artificial en la sombra»: los empleados subían documentos confidenciales a sus cuentas personales de LLM sin ningún tipo de control. El sistema LLM empezó a devolver información específica de contratos confidenciales con clientes durante consultas rutinarias, lo que provocó fugas de datos que las herramientas de seguridad tradicionales no podían detectar.
La IA empresarial crea vulnerabilidades sin precedentes. Los ataques de inyección de código permiten a los hackers insertar instrucciones maliciosas que eluden las medidas de seguridad de la IA. Un cliente considera que la vulnerabilidad del sistema de entrada a los ataques de inyección de código es su criterio fundamental de seguridad. Las alucinaciones generadas por los modelos representan amenazas igualmente peligrosas cuando los empleados confían en la información errónea generada por la IA y actúan en consecuencia sin verificarla. La preocupación por las alucinaciones era primordial para un importante banco estadounidense, que afirmó: «La IA es excelente cuando nos basta con un 85% de certeza; para situaciones de vida o muerte o para gestionar el dinero, necesita fórmulas, no algoritmos». Otro cliente afirma que debería haber tolerancia cero ante las alucinaciones generadas por los modelos de aprendizaje automático... ni siquiera un 1% de error».
Los sistemas de IA requieren capacidades de supervisión que no existen en la gobernanza de TI tradicional. Los riesgos legales se están convirtiendo en una preocupación crítica: el CEO de una startup de gobernanza de IA citó el agente de selección de currículums de Workday, que "discriminaba a los candidatos mayores de 40 años, lo que resultó en una demanda colectiva" en la que todos los clientes se convirtieron en codemandados. Esto pone de relieve la necesidad de capas de verificación independientes que puedan auditar las decisiones de la IA para detectar sesgos e infracciones de cumplimiento. Más allá de los riesgos legales, las organizaciones tienen dificultades con la gobernanza operativa básica. Un cliente explicó: "Estábamos estropeando el agente una y otra vez porque no teníamos ningún sistema de seguimiento ni gobernanza de los cambios en las instrucciones... simplemente estábamos en un estado horrible, un círculo vicioso e iterativo".
Las organizaciones necesitan control de versiones para las instrucciones de IA, registros de auditoría para las decisiones autónomas y sistemas de monitoreo que rastreen los cambios de comportamiento a lo largo del tiempo. Los enfoques de seguridad tradicionales generan peligrosos puntos ciegos en las implementaciones de IA. Los proveedores y las organizaciones que desarrollen capacidades integrales de gobernanza de la IA-que incluyan control de versiones, monitorización del comportamiento y procesos de aprobación de las partes interesadas- obtendrán importantes ventajas competitivas a medida que las empresas prioricen la gestión de riesgos junto con las capacidades de IA.
5.3.2 Elección y flexibilidad: ¿tenemos opciones en cuanto a la herramienta de IA y el proveedor?
Ante la falta de un claro líder en el mercado de la IA, las organizaciones priorizan soluciones multiplataforma que permitan elegir el modelo y ofrecer flexibilidad a los proveedores. Las opciones de gestión del aprendizaje local (LLM) mitigan el riesgo de que un único proveedor de IA falle o tenga un rendimiento deficiente. Un importante banco estadounidense reconoce que la IA «no está del todo consolidada en el mercado... no vamos a adoptar una única plataforma de IA para toda la compleja infraestructura del banco».
Los CIO siguen siendo cautelosos respecto a la dependencia de un solo proveedor, especialmente para los procesos de negocio críticos. Al considerar si comprometerse con la solución de IA de su proveedor de plataforma actual, un CIO se preguntó: "¿Me tendrán atado para siempre?". La preocupación se intensifica en el caso de los flujos de trabajo críticos. Un consultor advierte a sus clientes sobre la dependencia de un solo proveedor para los procesos estratégicos, citando a las empresas farmacéuticas como ejemplo: "Si quedo atado a un solo proveedor en el descubrimiento de fármacos... eso es un problema completamente distinto... ¿Cuál es mi ventaja competitiva? Para esos flujos de trabajo estratégicos que están automatizando, asegúrense de no quedar atados a un solo proveedor".
La posibilidad de elegir y la flexibilidad actúan como pólizas de seguro contra la incertidumbre del mercado y el riesgo estratégico. Las organizaciones reconocen que la evolución de la tecnología de IA sigue siendo impredecible, lo que hace que la diversificación de proveedores sea esencial para la competitividad a largo plazo. La capacidad de cambiar de modelos, proveedores o enfoques de implementación sin grandes interrupciones se convierte en un criterio de evaluación clave, especialmente para los flujos de trabajo que representan ventajas competitivas fundamentales. Los proveedores que faciliten, en lugar de restringir, la flexibilidad organizativa captarán una mayor cuota de mercado empresarial, ya que los compradores priorizan la flexibilidad estratégica sobre la conveniencia a corto plazo.
6. Marco de trabajo superpuesto e integrado
Ahora que hemos establecido los nueve factores de decisión en torno a los tres pilares de valor, coste y riesgo que influyen en la evaluación de la IA empresarial, las organizaciones necesitan un marco práctico para categorizar y comparar diferentes soluciones de IA. Comprender los factores de valor, coste y riesgo sienta las bases para la evaluación, pero las empresas aún se enfrentan a una decisión arquitectónica fundamental que determina cómo se manifiestan estos factores en la práctica. El siguiente paso crítico consiste en reconocer que las soluciones de IA se dividen en dos categorías distintas según su integración con los sistemas empresariales existentes: (a) IA superpuesta, que opera en múltiples sistemas para una máxima flexibilidad, y (b) IA integrada, que se integra profundamente en las plataformas principales para un contexto más rico y un control unificado. En esta sección, describimos estas dos soluciones arquetípicas que descubrimos en nuestra investigación y la relación entre estas opciones y el marco de valor-coste-riesgo destacado en la Sección 5.
6.1 Definición de superposición e incrustación
Como aprendimos durante nuestra investigación, la IA empresarial opera mediante una arquitectura tecnológica en capas, donde cada componente cumple funciones específicas y, al mismo tiempo, colabora para generar valor para el negocio. Comprender esta arquitectura ayuda a clarificar las diferencias entre las soluciones de IA superpuestas e integradas en su enfoque de implementación empresarial.
Anexo 6.1: Pila tecnológica de IA empresarial
1. Introducción
La revolución de la inteligencia artificial ha llegado con una fuerza sin precedentes, prometiendo transformar radicalmente la forma en que las empresas operan y compiten. Desde la solicitud de Y Combinator para el otoño de 2025 a las startups para que reemplacen por completo las plataformas SaaS tradicionales con soluciones nativas de IA, hasta a gigantes consolidados como Salesforce y la carrera de Microsoft por integrar la IA profundamente en sus plataformas, las señales del mercado son claras: la IA representa la disrupción tecnológica más significativa desde internet. Goldman Sachs proyecta que la IA podría impulsar un crecimiento económico global de $7 billones de dólares, comparable al de la revolución de la informática personal, con productividad durante la próxima década. Quienes la adoptaron tempranamente ya están viendo resultados transformadores: Intercom afirma que su chatbot Fin AI logra que el 80% de los clientes estén operativos en 30 días, ahorra tiempo de abogados anualmente y las herramientas de IA aumentan la productividad del soporte al cliente hasta en un 35% para los empleados con poca experiencia. La plataforma COIN de JPMorgan revisa los acuerdos de préstamo en segundos en lugar de requerir 360.000 horas.
Sin embargo, tras este entusiasmo subyace una desilusión generalizada. El informe del MIT sobre el estado de la IA en los negocios en 2025 revela que el 95% de los proyectos piloto de IA general no logran generar un impacto rápido en los ingresos, superando significativamente la tasa de fracaso del 40% de los proyectos de TI tradicionales. Según S&P Global Market Intelligence, el 42% de las organizaciones abandonaron la mayoría de sus estrategias. Las iniciativas de IA en 2024, frente al 17% en 2023, también representan una mejora con respecto a la previsión de Gartner. Mientras las organizaciones invierten miles de millones en IA-con previsión de Gartner. Gartner estima que el gasto mundial en IA general alcanzará los $644 mil millones de dólares en 2025-el estudio de BCG sobre la "Matriz de Madurez de la IA" revela que solo el 4% de las empresas están obteniendo un valor sustancial de la inversión en IA y que los mínimos retornos han empujado a la IA empresarial a lo que muchos describen como un "valle de la desilusión". La desconexión entre lo masivo
Sabemos que el potencial transformador de la IA es real: McKinsey estima que GenAI podría aportar entre $2.6 y $4.4 billones de dólares anuales a la economía global. Entendemos que existen implementaciones exitosas, con algunas organizaciones que reportan reducciones del 60% en el esfuerzo de desarrollo y mejoras drásticas en las métricas de servicio al cliente. Lo que desconocemos es igualmente crucial: ¿Por qué fracasan tantas iniciativas de IA a pesar de las capacidades demostradas de la tecnología? ¿Cómo deberían los responsables de la toma de decisiones evaluar la desconcertante variedad de soluciones de IA que inundan el mercado? ¿Qué marcos pueden ayudar a las organizaciones a discernir entre la publicidad engañosa de los proveedores y las oportunidades reales? Y, lo más importante, ¿qué distingue al 4% de las organizaciones que generan un valor sustancial del 96% que lucha con proyectos piloto fallidos y proyectos abandonados? Estas preguntas exigen una investigación sistemática que vaya más allá de la evidencia anecdótica y las afirmaciones de marketing de los proveedores.
Para responder a estas preguntas, realizamos 48 entrevistas en profundidad entre junio y septiembre de 2025 con líderes del ecosistema de IA empresarial.
Entre los participantes se encontraban directores ejecutivos de startups que desarrollan soluciones de IA, líderes de TI de empresas Fortune 500 que implementan IA, ejecutivos de importantes plataformas tecnológicas, integradores de sistemas y consultores que guían transformaciones empresariales, y líderes de productos de IA que dan forma al mercado. En lugar de centrarnos específicamente en empresas individuales, seleccionamos a estos proveedores de nivel empresarial por su capacidad para comprender el panorama general y por la facilidad de acceso. Esta investigación se llevó a cabo mediante una colaboración entre Keenan Vision y Haas de la UC Berkeley School of Business, que combina la experiencia del sector con el rigor académico para comprender el estado actual de la adopción de la IA empresarial.
Nuestro primer hallazgo importante revela cuatro factores interconectados que impulsan la desilusión con la IA:
- La presión de los ejecutivos crea una mentalidad de urgencia donde, como explicó un líder de TI de una empresa Fortune 500, "todos se apresuran a decir: 'Implementé IA", priorizando las presentaciones ante la junta directiva sobre el valor comercial.
- La escasez de talento es aguda en todos los niveles: los líderes carecen de conocimientos sobre IA para evaluar soluciones, los equipos técnicos recurren a la programación intuitiva sin la experiencia adecuada y las organizaciones optan por proveedores conocidos porque "Si es de Microsoft, lo compro; no voy a hablar con startups".
- La brecha entre la promesa y la realidad hace que los proveedores exageren las capacidades mientras que los compradores subestiman la complejidad, y un consultor señaló que "las afirmaciones de los proveedores son desorbitadas... los clientes están muy confundidos".
- Lo más importante es que las empresas tratan la IA como cualquier otra compra tecnológica -Slack, Teams o CRM, pasando por alto su diferencia fundamental. Como explica un consultor de GenAI: «La IA debe concebirse como una capacidad... las capacidades se desarrollan; la tecnología se adquiere». A diferencia del software tradicional, que se mantiene estable durante años, la IA evoluciona continuamente con cada actualización de modelo, lo que exige nuevas habilidades en ingeniería ágil, detección de errores y la integración de flujos de trabajo. La amplia aplicabilidad de la IA afecta simultáneamente a la gobernanza de datos, los protocolos de seguridad, los marcos de cumplimiento y los procesos de toma de decisiones, lo que requiere una transformación coordinada entre múltiples departamentos en lugar de una simple implementación.
En definitiva, la razón de la actual desilusión no radica en que la IA no pueda resolver los problemas organizativos para crear valor. Sí puede. El problema reside en las empresas y los proveedores, que carecen de las capacidades organizativas y técnicas necesarias para que la IA funcione para sus necesidades empresariales.
¿Cómo deciden las organizaciones qué IA implementar y cómo? Nuestro segundo hallazgo identifica nueve factores críticos que influyen en las decisiones de inversión en IA, organizados en un marco de Valor-Costo-Riesgo.
En cuanto al Valor, las organizaciones evalúan la alineación con el caso de uso (¿resuelve problemas específicos?), el tiempo de retorno de la inversión (¿cuándo se verán los beneficios?), el rendimiento y la escalabilidad (¿puede gestionar nuestra carga de trabajo?) y la medición del ROI (¿cómo cuantificamos el éxito?).
Respecto al Costo, evalúan la energía de activación (el esfuerzo organizacional requerido), la preparación de los datos (¿están nuestros datos listos para la IA?) y el costo total de propiedad (incluyendo precios de consumo impredecibles).
Los factores de riesgo también son cruciales, más allá del Valor y el Costo. Estos incluyen preocupaciones de seguridad y gobernanza (desde la inyección rápida hasta la proliferación de la "IA en la sombra") y la necesidad de opciones y flexibilidad para evitar la dependencia de un solo proveedor.
En comparación con la informática tradicional, estos factores ponen de manifiesto complicaciones únicas relacionadas con la inversión en IA que alteran los modelos de contratación convencionales. Los cálculos de retorno de la inversión (ROI) se ven dificultados por las mejoras en la eficiencia que no se traducen en una reducción de personal, sino en funcionalidades y eficiencia adicionales. La fijación de precios basada en el consumo genera ansiedad entre los directores financieros: «El coste es una incógnita... No soy un experto en fijación de precios al consumo», lamentó un ejecutivo bancario. Surgen nuevas vulnerabilidades de seguridad, desde ataques de inyección rápida hasta alucinaciones en los modelos, que un cliente insiste en que requieren «tolerancia cero... ni siquiera un...»
Una firma de consultoría independiente con amplia experiencia en Salesforce y el ecosistema de TI empresarial.
"Un 1% de error". Las organizaciones intentan equilibrar estos factores en función de su sector, tolerancia al riesgo y madurez técnica, sin que exista una fórmula única que se aplique a todos.
¿Cómo podrían las organizaciones abordar estratégicamente la relación valor-costo-riesgo en comparación con el enfoque actual de actuar a ciegas? Nuestro tercer hallazgo revela que el mercado de IA empresarial se ha cristalizado en torno a dos enfoques arquitectónicos: IA superpuesta e IA integrada. Las soluciones superpuestas se integran en múltiples sistemas, conectándose mediante API para ofrecer resultados rápidos: «Más del 80% de nuestros clientes están operativos en 30 días», informa un proveedor de soluciones superpuestas. Ofrecen flexibilidad, menores costos de prueba piloto («¿Preferiría probar una prueba piloto por $15,000 USD o Agentforce (la solución de IA más completa de Salesforce) por $500,000 USD?») y un rápido retorno de la inversión, pero amplían la superficie de ataque y generan desafíos de gobernanza. Entre los ejemplos se incluyen Glean para búsqueda empresarial, Fin de Intercom para servicio al cliente y Harvey para servicios legales.
Las soluciones integradas se incorporan profundamente a las plataformas principales, aprovechando los niveles de preparación de datos y los perímetros de seguridad existentes. Si bien requieren una inversión inicial considerable «dieciocho meses de trabajo preliminar», según un ejecutivo, ofrecen un valor superior a largo plazo gracias a su contexto empresarial integral y su escalabilidad. Las organizaciones con datos consolidados prefieren los enfoques integrados: «El 90% de nuestros datos reside en Salesforce... sería una locura no usar Agentforce», señala un CIO. Entre las principales soluciones integradas se incluyen Agentforce de Salesforce, Copilot de Microsoft, Rovo de Atlassian y Gemini de Google.
La diferencia entre las soluciones superpuestas e integradas radica en su arquitectura, en cuanto a su conexión con los datos y sistemas existentes, pero las implicaciones son mucho mayores. Cada opción representa una distinción filosófica en cuanto a cómo los líderes empresariales pueden abordar la transformación de la IA y ofrece diferentes ventajas e inconvenientes en términos de valor, coste y riesgo. Muchas empresas se centran en un enfoque de autogestión, trabajando con sus equipos de TI internos en lugar de con proveedores externos. Sin embargo, también en este caso, esta disyuntiva es determinante en la forma en que dichos equipos deben abordar su cometido.
En definitiva, cada vez más organizaciones adoptan una estrategia de cartera híbrida, utilizando herramientas superpuestas para obtener resultados rápidos mientras sientan las bases para una transformación integrada, tratando la adopción de la IA como un proceso de transición en lugar de una elección binaria. Por ello, nuestra investigación apunta a una estrategia de «superposición ahora, integración permanente» que podría funcionar para muchas organizaciones que se plantean la transformación de la IA.
Una contribución clave de nuestros hallazgos es la de fundamentar marcos prácticos que reconocen tanto el potencial transformador de la IA como las realidades de su implementación. A diferencia de los informes técnicos de los proveedores que prometen una revolución o los estudios académicos centrados en las capacidades técnicas, ofrecemos orientación práctica basada en experiencias empresariales reales.
Nuestro marco de Valor-Costo-Riesgo proporciona a las organizaciones un enfoque estructurado para evaluar las inversiones en IA más allá de los simples cálculos de ROI. El marco de Superposición-Integración ayuda a orientar las decisiones arquitectónicas en función de la disponibilidad de datos, la tolerancia al riesgo y los objetivos estratégicos. Lo más importante es que ofrecemos orientación diferenciada para consejos de administración y ejecutivos (adoptar un enfoque de cartera híbrido), líderes de línea de negocio (aprovechar la dinámica actual del mercado al tiempo que se crean alianzas de TI) y proveedores de IA (los proveedores de IA integrada deben adoptar la extensibilidad, mientras que los proveedores de IA superpuesta deben abordar de forma proactiva las preocupaciones de seguridad).
El panorama de la IA empresarial continúa evolucionando a una velocidad sin precedentes, con importantes actualizaciones de plataformas cada semana y nuevas startups que surgen a diario. Esta investigación representa una instantánea de un mercado en constante cambio, que requiere una reevaluación continua a medida que se consolidan las tendencias y emergen las mejores prácticas. Sin embargo, incluso en este mercado en constante evolución, emerge un mensaje claro y perdurable: las organizaciones y los líderes que leen este informe poseen una capacidad extraordinaria para moldear el impacto de la IA.
2. Antecedentes
2.1 La revolución de la IA: de la disrupción a la transformación
La oportunidad económica de la IA es asombrosa. Los economistas de Goldman Sachs predicen que la IA generativa podría añadir $7 billones de dólares al PIB mundial e impulsar la productividad un 1.5% anual, un impacto transformador de la revolución de la informática personal. El análisis de McKinsey es aún más optimista, estimando que la IA generativa por sí sola podría añadir entre $2.6 y $4.4 billones de dólares anuales, según 63 casos de uso analizados que abarcan operaciones con clientes, marketing, ingeniería de software e I+D a la economía global a través de. Para ponerlo en perspectiva, esto equivale aproximadamente a añadir el PIB total del Reino Unido a la economía mundial cada año.
Las empresas se apresuran a aprovechar esta oportunidad. Startups como Campfire, un ERP con IA como prioridad, están reconstruyendo categorías de software completas desde cero con IA que gestiona de forma autónoma flujos de trabajo complejos que antes requerían grandes equipos de profesionales y consultores. Las plataformas consolidadas intentan reinventarse desde dentro. Salesforce ha invertido miles de millones en transformar su imperio CRM con Agentforce, permitiendo a los clientes implementar agentes de IA autónomos que gestionan desde la atención al cliente hasta la prospección de ventas sin intervención humana. De forma similar, Copilot de Microsoft ha transformado Office 365, no solo ayudando a los usuarios a redactar mejores correos electrónicos, sino cambiando radicalmente la forma en que las organizaciones acceden al conocimiento institucional, con IA capaz de sintetizar instantáneamente información valiosa de miles de documentos, reuniones y comunicaciones en toda la empresa.
La transformación que se avecina ya se observa en implementaciones reales. En atención al cliente, Fin de Intercom afirma que el 80% de sus clientes están operativos en 30 días, desarrollando negocios completos basados en la interacción con el cliente mediante IA, mientras que empresas como Sierra AI son lo que vuelve obsoletos los modelos de soporte tradicionales. En servicios profesionales, el copiloto de IA de Harvey es utilizado a diario por decenas de miles de profesionales. Los abogados de firmas de élite como Allen & Overy y PwC trabajan a un ritmo que hace obsoletos los modelos tradicionales de facturación por horas, automatizando la revisión de documentos y el análisis de contratos. Un estudio pionero de Stanford-NBER sobre IA en atención al cliente muestra un aumento promedio de la productividad de aproximadamente el 14% y del 35% para los agentes con menos experiencia, al condensar eficazmente años de experiencia en asistencia algorítmica.
Las organizaciones están adoptando la IA con dos objetivos distintos pero complementarios. En primer lugar, la mejora de la eficiencia: automatizar tareas repetitivas, reducir costes operativos y acelerar la obtención de información. La plataforma COIN de JPMorgan ahora revisa contratos en segundos, en lugar de las 360,000 horas de trabajo legal que se requerían anteriormente cada año. En segundo lugar, la estrategia de innovación: habilitar capacidades totalmente nuevas que antes no eran posibles. Moderna aprovechó la IA para reducir el desarrollo de vacunas a tan solo 42 días y los ensayos clínicos a solo 63 días. Las aplicaciones, a partir de descripciones en lenguaje natural, funcionan de forma autónoma en proyectos complejos. Claude Sonnet 4.5 de Anthropic ahora puede escribir, depurar e implementar software listo para producción.
Configuración de la infraestructura, auditorías de seguridad e implementación: transformando a cada trabajador del conocimiento en un desarrollador potencial con un colega de IA capaz de gestionar ciclos de vida completos del software.
El mensaje de Silicon Valley a los consejos de administración es claro: adaptarse o quedar obsoletos. Como advirtió Sam Altman en la Conferencia de la Reserva Federal en julio de 2025: «Habrá casos en los que desaparecerán categorías enteras de empleos»; algunos sectores laborales «simplemente desaparecerán por completo». Altman reconoce el desafío que se avecina: «Habrá aspectos muy difíciles, como la desaparición de categorías enteras de empleos, pero, por otro lado, el mundo se enriquecerá mucho más rápido y con tanta rapidez que podremos considerar seriamente nuevas ideas que antes eran impensables».
Esta es, a la vez, la amenaza y la promesa que ha cautivado la imaginación de todos los directores ejecutivos y miembros de consejos de administración: la IA como el transformador definitivo de los negocios, la tecnología que distinguirá a los líderes del mañana de los rezagados de hoy. El potencial es real, las demostraciones son convincentes y los primeros resultados de los pioneros son verdaderamente revolucionarios. Sin embargo, como veremos, traducir esta promesa en una realidad empresarial ha resultado mucho más difícil de lo previsto.
2.2 La prueba de realidad: Inversión sin implementación
A pesar del potencial de la IA, las inversiones están generando rendimientos preocupantemente bajos. Un estudio del MIT publicado en 2025 muestra que la Muchos programas piloto de IA generativa no logran una rápida aceleración de los ingresos. La tasa de fracaso del 95% supera significativamente la de los proyectos de TI tradicionales, que suelen fracasar en un 40%, según un análisis de RAND Corporation. S&P Global Market Intelligence informa que el 42% de las empresas abandonaron la mayoría de sus iniciativas de IA el año pasado, un aumento drástico respecto al 17% registrado en 2023. Además, Gartner predice que esta tendencia se estima que al menos el 30% de los proyectos de IA general (GenAI) se abandonarán tras la prueba de concepto para finales de 2025, lo que, según la evaluación exhaustiva de BCG, genera un valor sustancial a partir de sus inversiones. La desconexión es evidente: mientras las organizaciones invierten miles de millones en iniciativas de IA, solo el 4% se destinan a ello. Incluso con el auge de la adopción, solo el 11% de las empresas tienen la GenAI implementada a gran escala, y en promedio La organización descarta aproximadamente el 46% de todas las pruebas de concepto de IA antes de llegar a producción.
2.3 Navegando el camino a seguir
El análisis económico de la IA empresarial presenta una paradoja: un enorme potencial combinado con un impacto actual sumamente desigual. Si bien McKinsey proyecta que la IA generativa podría añadir billones de dólares anuales a la economía global, los resultados reales varían drásticamente según el caso de uso. Los hallazgos de la Oficina Nacional de Investigación Económica muestran que los trabajadores que experimentan un ahorro de tiempo de tan solo el 3% tienen un impacto significativo en sus ingresos o en las horas de la implementación de IA en promedio, sin registradas. Sin embargo, en aplicaciones específicas, las ventajas son sustanciales: uno de nuestros entrevistados informó de una reducción del 60% en el esfuerzo de desarrollo (actualmente, el trabajo consume entre el 30% y el 40% del tiempo).
Esta marcada variación entre El éxito transformador en aplicaciones específicas y el impacto mínimo en implementaciones amplias (hace un año) que solían utilizar para generar e implementar código en el pasado motivaron nuestra investigación sobre qué separa el éxito del fracaso de la IA.
A lo largo de este informe, al examinar en detalle estos desafíos, tres preguntas específicas guían nuestro análisis: ¿Por qué se produce exactamente esta desilusión? ¿Cómo evalúan realmente los responsables de la toma de decisiones las inversiones en IA? ¿Y qué marcos pueden ayudar a las organizaciones a superar el actual estancamiento?
3. Metodología
3.1 Diseño de la investigación y selección de participantes
Para abordar nuestras preguntas de investigación, realizamos 48 entrevistas en profundidad entre el 24 de junio de 2025 y el 2 de septiembre de 2025 con líderes del ecosistema de IA empresarial. Entre los participantes se encontraban directores ejecutivos de startups, líderes de TI de empresas medianas y grandes, ejecutivos de proveedores de IA, integradores de sistemas y consultores, así como líderes de productos de IA y de comercialización en las principales plataformas tecnológicas. Realizamos un muestreo intencional de empresas de todos los tamaños, desde startups hasta empresas globales, para capturar todo el espectro de patrones de adopción de IA y procesos de toma de decisiones. Los participantes fueron reclutados a través de redes del sector y alianzas estratégicas, y los integradores de sistemas y las consultoras proporcionaron valiosos contactos con organizaciones que implementan o evalúan iniciativas de IA. Esta investigación se llevó a cabo mediante una colaboración entre Keenan Vision y Salesforce y la Escuela de Negocios Haas de UC Berkeley, información que revelamos a todos los participantes.
Nuestra muestra refleja tanto fortalezas como limitaciones reconocidas. Gracias al patrocinio del estudio y a la amplia experiencia de nuestro fundador, Vernon Keenan, en el ecosistema DevOps de Salesforce, tuvimos un acceso excepcional a proveedores de software independientes (ISV) y a líderes con un alto nivel técnico dentro de dicho ecosistema. Esto nos proporcionó información valiosa sobre los desafíos de la implementación de IA a nivel empresarial y las decisiones arquitectónicas. También incluimos una muestra de grandes compradores de TI empresariales, es decir, ISV. Sin embargo, este mismo efecto de red generó limitaciones: la representación de plataformas de la competencia fue limitada y nuestra muestra presentó un marcado sesgo técnico. En particular, tuvimos una importante subrepresentación de líderes de línea de negocio, especialmente en las áreas de atención al cliente y ventas, quienes influyen cada vez más en la selección de proveedores para soluciones de IA específicas del dominio, en especial para aplicaciones de IA agentivas.
3.2 Estructura de la entrevista y recopilación de datos
Realizamos entrevistas semiestructuradas de 45 a 60 minutos de duración mediante videoconferencia, lo que permitió explorar de forma consistente los temas centrales y, al mismo tiempo, mantener la flexibilidad para obtener nuevas perspectivas. Cada sesión se grabó y transcribió, y los investigadores tomaron notas simultáneas para captar el contexto no verbal y las observaciones inmediatas.
Se informó a los participantes que la investigación tenía como objetivo ayudar a los líderes empresariales a tomar decisiones de inversión en IA más informadas, con especial énfasis en sus criterios de selección y procesos de toma de decisiones. Sin embargo, evitamos deliberadamente presentarles nuestros marcos analíticos específicos para prevenir sesgos en las respuestas. Nuestro protocolo de entrevista exploró seis áreas clave: (1) las ventajas y desventajas arquitectónicas entre los diferentes tipos de soluciones de IA empresarial, (2) cómo las organizaciones equilibran el valor, el costo y los factores de riesgo en las decisiones sobre IA, con especial énfasis en la evaluación de riesgos, (3) el costo total de propiedad y las consideraciones sobre el retorno de la inversión, incluyendo perspectivas a corto y largo plazo sobre el tiempo de obtención de valor, (4) la implementación actual de la IA y los casos de uso dentro de sus organizaciones o base de clientes, (5) las barreras para una adopción más amplia de la IA y (6) recomendaciones para los líderes empresariales y los proveedores de IA que buscan mejorar la adopción empresarial.
3.3 Análisis de datos
Analizamos las transcripciones de las entrevistas mediante análisis temático, empleando un proceso de codificación sistemático en Excel para identificar patrones, similitudes y perspectivas divergentes en las respuestas de los participantes. La codificación inicial fue realizada por un único investigador para garantizar la coherencia en la interpretación. Utilizamos inteligencia artificial para extraer citas e identificar grupos temáticos preliminares de las entrevistas, los cuales fueron revisados y validados posteriormente por el equipo de investigación mediante verificación manual. Todos los miembros del equipo contrastaron estos temas emergentes. Este enfoque híbrido -que combina el reconocimiento de patrones asistido por IA con la experiencia y el criterio humanos- nos permitió procesar eficientemente el volumen de datos cualitativos, manteniendo la profundidad interpretativa necesaria para la investigación cualitativa. A continuación, el equipo de investigación analizó estos temas validados para identificar divergencias en función del tamaño, el rol y la posición de la empresa en la cadena de valor de la IA. Mediante este proceso, surgieron tres conjuntos clave de hallazgos que abordaremos en las secciones 4, 5 y 6 antes de concluir.
4. Desilusión con la IA
Lo que comenzó como una investigación sobre los factores que influyen en la decisión de la IA empresarial pronto reveló un problema más profundo. La mayoría de las partes interesadas que entrevistamos -desde líderes de TI de empresas Fortune 500 hasta fundadores de startups y consultoras- compartieron un patrón constante de frustración con el estado actual de la adopción de la IA empresarial. Nuestro análisis revela cuatro problemas que impulsan la desilusión generalizada con la IA en las empresas.
- En primer lugar, la presión de la alta dirección genera plazos de implementación apresurados que priorizan la visibilidad sobre el valor.
- En segundo lugar, existe una grave escasez de talento en todos los niveles organizativos, desde los equipos técnicos hasta la alta dirección.
- En tercer lugar, se ha producido una importante discrepancia entre las promesas de los proveedores y las capacidades reales de la IA.
- Por último, las empresas siguen aplicando enfoques tradicionales de adquisición de tecnología a los sistemas de IA, que requieren una transformación organizativa más profunda que las implementaciones de TI convencionales. Como explicaremos más adelante, estos patrones explican por qué tantas iniciativas de IA se estancan, sin llegar nunca a la escala de producción necesaria para generar un impacto empresarial significativo. Comprender estos modos de fracaso resulta esencial para las organizaciones que buscan ir más allá de las aspiraciones en materia de IA y alcanzar una verdadera transformación.
Causas de la desilusión con la IA
1. Acción sin Estrategia
La presión de arriba hacia abajo para 'hacer algo con IA' desencadena una ráfaga de pilotos que rara vez se traducen en valor empresarial real.
"Es como una carrera desenfrenada... todos se apresuran a decir, 'Implementé IA'"
2. Escasez de Habilidades
Al carecer de experiencia en IA, las organizaciones se congelan en la indecisión, caen en el bombo de los proveedores o se aferran a herramientas conocidas que pueden no ser la mejor opción.
"Tenemos mucha gente con experiencia en sistemas heredados, y para ellos, ponerse al día es un gran desafío."
3. Brecha Promesa-Realidad
Cuando los proveedores prometen de más y los compradores subestiman la complejidad, las expectativas se disparan, los resultados no cumplen lo esperado y la futura inversión en IA se estanca.
"Las afirmaciones de los proveedores son desorbitadas... los clientes están muy confundidos."
4. Trampa de Capacidad frente a Tecnología
Cuando la IA es tratada como un producto y no como una capacidad organizacional, a menudo se convierte en software costoso en el estante con poco impacto. "La IA debe concebirse como una capacidad... las capacidades se desarrollan; la tecnología se adquiere."
4.1 Acción sin estrategia
La presión de los consejos de administración ha generado una mentalidad frenética en las empresas. «Es como una carrera desenfrenada... todos se apresuran a decir: "Implementé IA"», explica un responsable de TI de una empresa de dispositivos médicos de la lista Fortune 500. Según el director ejecutivo de una firma de análisis y consultoría especializada en ayudar a las empresas a generar valor con IA generativa empresarial, nunca habían visto una situación en la que el consejo presionara para obtener ejemplos reales... preguntando cuántos proyectos de IA están en producción». Este mandato vertical crea proyectos piloto dispersos que se centran en soluciones fáciles en lugar de en resultados de negocio. Los CIO se ven relegados a meros ejecutores de órdenes, implementando tecnología que no comprenden del todo en plazos imposibles. ¿El resultado? Iniciativas de IA que lucen bien en las presentaciones a la junta directiva, pero que aportan poco valor medible. La discrepancia entre las expectativas y los resultados genera frustración en todos los niveles.
Un ingeniero principal de una startup de infraestructura de IA describe a un ejecutivo exigiendo: «Necesito ver una mejora de 30 veces el próximo mes. Tres meses de margen son automáticamente un no», lo que ilustra la presión imposible que sufren los equipos de TI con los plazos ajustados. Paradójicamente, esta urgencia ralentiza el progreso, ya que los equipos se apresuran a implementar soluciones sin la preparación adecuada.
4.2 El desafío de la escasez de habilidades
La irrupción repentina de la IA tomó por sorpresa a las empresas. Nuestra investigación demuestra que la mayoría de las organizaciones carecen de talento especializado en IA. Los líderes entrevistados destacaron la falta de conocimientos sobre IA necesarios para evaluar las soluciones con la rapidez exigida, y los consultores e integradores de sistemas entrevistados mencionaron la falta de personal cualificado en ingeniería en las empresas de sus clientes para desarrollar la IA por sí mismos (razón por la cual sus clientes recurren a los integradores de sistemas para la implementación). La brecha de habilidades no es solo técnica, sino también estratégica y operativa.
Un responsable de la toma de decisiones de TI de una empresa Fortune 500 compartió: "Tenemos muchos empleados con experiencia en sistemas heredados, y para ellos, ponerse al día es un gran desafío". Este líder de TI afirma: "La velocidad a la que se está produciendo el cambio nos impide adaptarnos... y tememos tomar la decisión equivocada". Cuando los líderes carecen de la experiencia en el sector y los conocimientos de IA suficientes para elegir entre proveedores de IA, la organización se estanca en ciclos de evaluación interminables. El mismo responsable de la toma de decisiones de TI de Fortune 500 lamenta: "Hablamos mucho, pero aún no hemos implementado nada".
Como resultado, algunos líderes reacios al riesgo optan por relaciones con proveedores conocidos en lugar de evaluar las soluciones por sus méritos. Un consultor observa: "Los CIO nos dicen: 'Si está en Microsoft, lo compro; no hablo con startups". Esta lealtad al proveedor puede brindar comodidad, pero puede conducir a soluciones de IA subóptimas.
Las organizaciones que intentan desarrollar inteligencia artificial internamente a menudo carecen de la experiencia técnica necesaria. Otro consultor describe cómo algunos clientes implementan mal la IA al depender de ingenieros con poca experiencia. Se implementa de forma deficiente mediante programación intuitiva. Los equipos implementan una funcionalidad que no resuelve el problema del negocio. Simplemente no hay talento disponible. El fundador y CEO de una startup de DevOps de IA informa que los clientes buscan su producto porque ofrece numerosas integraciones, cumple con los requisitos de seguridad y cumplimiento normativo. Si lo hicieran internamente, tal vez no tendrían la experiencia necesaria. Esto ayuda a los clientes a evitar desarrollar su propia solución internamente y pasar años desarrollándola antes de que fracase.
4.3 Brecha entre promesa y realidad
Los proveedores de IA exageran las capacidades, mientras que los compradores subestiman la complejidad. Los comerciales que promueven soluciones de IA a menudo no saben explicar el valor comercial de sus propios productos, pero se ven presionados por cuotas de ventas. «Las afirmaciones de los proveedores son desorbitadas... los clientes están muy confundidos», observa un consultor que asesora a clientes sobre cómo obtener valor de la IA. Esta dinámica afecta especialmente a las organizaciones que ven la IA como una solución milagrosa. Un responsable de TI de un gran banco señala que «la IA atrae a quienes creen en soluciones milagrosas... [piensan] que una sola cosa puede solucionarlo todo. La desilusión con la IA surge no porque las soluciones de IA no puedan resolver los problemas organizativos, sino porque las soluciones sobrevaloradas generan expectativas infladas que, a su vez, frenan la inversión y la experimentación futuras.
4.4 La trampa de la capacidad frente a la tecnología
La mayoría de las empresas tratan las compras de IA como cualquier otra inversión tecnológica: Slack, Microsoft Teams o Salesforce CRM. Este enfoque pasa por alto la diferencia fundamental de la IA: en comparación con las tecnologías más tradicionales, la IA requiere un mayor desarrollo de capacidades organizativas, que va más allá de la simple implementación tecnológica.
La IA evoluciona constantemente a medida que se actualizan los modelos y se amplían sus capacidades, lo que supone un reto en constante cambio para el aprendizaje organizacional. El software tradicional se mantiene estable durante años (por ejemplo, los usuarios aprenden Excel una sola vez y aplican esas habilidades indefinidamente). Las herramientas de IA modifican su comportamiento con cada actualización de modelo, lo que exige una formación continua de los usuarios y la adaptación de los procesos de negocio. Esta incertidumbre requiere nuevas habilidades para elaborar mensajes eficaces, reconocer errores inesperados, integrar la IA en los flujos de trabajo existentes y realizar una monitorización continua.
Fundamentalmente, la amplia aplicabilidad de la IA crea interdependencias que las soluciones puntuales tradicionales no presentan.
Mientras que la implementación de Slack afecta los patrones de comunicación, el despliegue de IA impacta simultáneamente la gobernanza de datos, los protocolos de seguridad, los marcos de cumplimiento y los procesos de toma de decisiones. El éxito requiere una gestión del cambio coordinada entre múltiples departamentos y transformaciones culturales en la forma en que trabajan los empleados. Como explica un consultor de GenAI, «la IA debe concebirse como una capacidad... las capacidades se desarrollan; la tecnología se adquiere». Del mismo modo que la Gestión de Relaciones con el Cliente (CRM) requiere procesos de negocio, formación, un cambio cultural y el desarrollo del talento en torno a la compra de una tecnología CRM, la IA exige una transformación organizativa similar. Las organizaciones que omiten esta fase de desarrollo de capacidades acaban con un software costoso que permanece sin usar o que ofrece resultados mediocres. La tecnología por sí sola no puede cerrar la brecha entre el potencial de la IA y los resultados empresariales.
4.5 En resumen
Los patrones que impulsan el fracaso de los proyectos de IA crean un círculo vicioso de decepción. El miedo a perderse algo (FOMO) de los ejecutivos acelera las decisiones tecnológicas más allá de la preparación de la organización, mientras que la falta de habilidades en todos los niveles impide una evaluación informada de las afirmaciones de los proveedores. Cuando compradores inexpertos, presionados por la dirección, se encuentran con proveedores que prometen demasiado, el resultado previsible son inversiones en IA que no cumplen con las expectativas infladas. Otra forma de comprender el enigma de la desilusión con la IA es aclarar que las organizaciones se enfrentan a desafíos tanto a nivel organizativo (debido a la falta de habilidades y estrategia) como a nivel técnico (debido a la sobrevaloración de la tecnología y la falta de adecuación de las capacidades).
Para superar estos ciclos negativos, es necesario ir más allá de abordar cada uno de estos desafíos individualmente, mediante un marco integral que ayude a las organizaciones a evaluar sistemáticamente sus inversiones en IA. Los datos de nuestras entrevistas nos ayudaron a sentar las bases para dicho marco, como se detalla en las siguientes secciones.
5. Elegir entre diferentes tipos de inversión en IA: factores de valor, coste y riesgo
Antes de poder desarrollar un marco más generalizado que oriente las futuras inversiones en IA, es fundamental comprender los factores que impulsan las decisiones en torno a los distintos tipos de soluciones de IA. Los datos de nuestras entrevistas arrojan luz sobre estos factores. Observamos que los responsables de la toma de decisiones en las empresas evalúan las inversiones en IA a través de criterios conocidos: valor, coste y riesgo. Si bien el marco de evaluación es similar al de otros tipos de adquisiciones de TI, los factores en sí mismos conllevan implicaciones y complejidades únicas que suelen sorprender incluso a los compradores experimentados en lo que respecta a la inversión en IA.
Nuestras entrevistas revelan nueve factores críticos que impulsan la selección de tecnología de IA, organizados en tres grandes categorías: valor, coste y riesgo. Las organizaciones rara vez consideran todos los factores por igual, pero comprender el marco completo ayuda a evitar el difícil periodo entre la fase piloto y la producción, que suele afectar a la mayoría de los proyectos de IA.
Anexo 5: Marco de factores de decisión de IA empresarial
VALOR:
Los beneficios cuantificables y los resultados positivos que la solución de IA aporta a la organización, abarcando tanto capacidades inmediatas como ventajas estratégicas a largo plazo.
- Alineación con el Caso de uso: Evalúa si la solución de IA aborda problemas empresariales específicos y de alto valor que se ajustan a las prioridades de la organización y ofrecen resultados concretos.
- Tiempo de obtención de valor: Mide la rapidez con que una organización obtiene beneficios tangibles tras la implementación de la IA, teniendo en cuenta los plazos de implementación y la complejidad de la configuración.
- Actuación y Escalabilidad: Evalúa la capacidad de la IA para operar de manera confiable a las velocidades requeridas y expandirse a medida que crecen los volúmenes de datos, el número de usuarios o las demandas comerciales.
- Retorno de la Inversión: Determina cómo cuantificar y realizar un seguimiento del valor de la IA, incluyendo las ganancias de eficiencia y la mejora en la toma de decisiones más allá del ahorro de costes tradicional.
COSTE: La inversión total necesaria para implementar y mantener con éxito la solución de IA, incluyendo gastos financieros, esfuerzo organizativo y requisitos de infraestructura.
- Energía de Activación: El esfuerzo organizativo necesario para movilizar personas y procesos para la adopción de la IA, incluyendo liderazgo técnico, formación y rediseño de flujos de trabajo.
- Preparación de datos: Evalúa si la infraestructura de datos de la organización puede soportar los requisitos de IA con la calidad, accesibilidad y capacidades de integración suficientes.
- Costo total de Propiedad: El compromiso financiero total para la implementación y operación de la IA, incluyendo licencias, precios de consumo, infraestructura y gastos ocultos.
RIESGO: Los posibles desafíos, incertidumbres y resultados negativos que podrían afectar el éxito de la implementación de la IA o crear vulnerabilidades organizacionales.
- Seguridad y Gobernanza: Los controles y la supervisión necesarios para garantizar que la IA funcione de forma segura y responsable, desde la seguridad de los datos hasta las vulnerabilidades específicas de la IA y el cumplimiento normativo.
- Elección y Flexibilidad: La capacidad de la organización para mantener la flexibilidad estratégica, evitar la dependencia de un solo proveedor y adaptar las soluciones a medida que evolucionan la tecnología o los requisitos.
5.1 La ecuación del valor: Más allá del ROI tradicional
5.1.1 Alineación con el caso de uso: ¿La IA hace lo que necesito que haga?
Las organizaciones quieren que los proveedores de IA den en el clavo de inmediato con un caso de uso. La presión por obtener resultados rápidos impulsa a los compradores hacia lo que un experto en IA denomina "IA de juguete": soluciones fáciles que impresionan a los ejecutivos, pero que no son escalables ni generan un impacto duradero. Este mismo asesor señala que "en los casos de uso realmente rutinarios y aburridos es donde reside actualmente el verdadero valor para las empresas".
Las empresas que tienen dificultades para alinear sus casos de uso suelen tener demasiadas opciones, no muy pocas. Un responsable de la toma de decisiones de TI en una empresa Fortune 500 informa que su equipo directivo está dando vueltas sin saber qué plataforma funciona mejor para un problema empresarial concreto, porque han surgido tantos problemas diferentes que no pueden priorizarlos y acaban paralizados por el análisis. Las organizaciones con prioridades poco claras suelen optar por aplicaciones de IA llamativas y ostentosas que impresionan a los directivos, pero que no resuelven los problemas fundamentales del negocio. El éxito requiere elegir un caso de uso específico y ejecutarlo correctamente, en lugar de emprender múltiples implementaciones mediocres que dispersan los recursos y generan resultados marginales en todas las iniciativas. En otras palabras, para que se produzcan inversiones significativas, los líderes deben ser capaces de discernir entre la vasta gama de oportunidades posibles e identificar aplicaciones de IA específicas que se ajusten a casos de uso concretos.
5.1.2 Tiempo de retorno de la inversión: ¿cuánto tardaré en ver los beneficios después de implementar la IA?
En el mercado actual de la IA, la velocidad prima sobre la perfección. "El tiempo de obtención de valor es ahora... por eso las soluciones llave en mano son tan atractivas", señala un arquitecto de TI de una firma de inversión. Los líderes temen quedarse atrás a pesar de estar en la fase inicial de adopción empresarial, lo que genera una presión sin precedentes sobre los ciclos de venta tradicionales. Esta urgencia ha comprimido drásticamente los plazos de decisión de las empresas.
Un consultor comenta: "Normalmente, los acuerdos empresariales tardan meses en cerrarse, pero no exagero cuando digo que he cerrado tres acuerdos en llamadas de 30 minutos en los últimos 10 días". Esta aceleración genera una fuerte preferencia por las soluciones listas para usar frente a las plataformas personalizables. Las organizaciones buscan resultados inmediatos y concretos para demostrarlos a los ejecutivos impacientes que exigen avances visibles en las iniciativas de IA. Las startups de IA han respondido estableciendo plazos de implementación de 30 días como requisito mínimo para cualquier solución de IA dirigida a empresas bajo presión de la junta directiva; por eso vemos que tantas startups de IA están ganando terreno significativamente a pesar de competir con grandes empresas tecnológicas.
5.1.3 Rendimiento y escalabilidad: ¿La IA cumple bien su función?
Si bien el rendimiento y la escalabilidad siempre han sido factores importantes, cuando se trata de inversión en IA, la mayoría de los entrevistados se encontraban en una etapa demasiado temprana de su trayectoria en IA como para evaluar el rendimiento de manera significativa. Muchas organizaciones siguen en fase piloto, donde la evaluación del desempeño a menudo se reduce a una simple cuestión binaria: "¿funciona o no?". Los escasos datos de rendimiento que hemos recopilado revelaron algunos problemas tanto con los productos de IA de startups como con los de grandes proveedores. Un distribuidor de software advierte que las soluciones de IA de startups que sobrecargan las API sufrirán una merma en el rendimiento y problemas de latencia. Un usuario pionero describe cómo el agente de su gran proveedor
La plataforma "aún no está lo suficientemente madura... vimos respuestas muy deficientes. Hubo problemas de latencia... parece que tarda entre 24 y 48 horas en fragmentar los datos para su procesamiento".
5.1.4 Medición del ROI: ¿el valor de la IA justifica la inversión?
Los métodos tradicionales de cálculo del ROI siguen siendo importantes, pero resultan insuficientes con las inversiones en IA. Un responsable de la toma de decisiones en TI compartió un correo electrónico de su equipo en el que intentaban elaborar un caso de negocio para la IA: «Los beneficios son cifras derivadas... un ahorro anual de aproximadamente $1.8 millones de dólares para tres casos de uso, basado en las ganancias de productividad previstas... Abrí el correo pensando: ¿Cómo se les ocurrió esto?». El desafío radica en que el valor de la IA hoy en día suele manifestarse a través de mejoras en la eficiencia, más que en ahorros de costos directos o en la generación de ingresos tangibles. Las organizaciones tienen dificultades para cuantificar las mejoras de productividad que no se traducen en una reducción de personal o un aumento de las ventas. La IA optimiza la toma de decisiones humanas y la eficiencia del flujo de trabajo de maneras que escapan al análisis tradicional de costo-beneficio.
Algunas organizaciones están experimentando con métricas de éxito alternativas que reflejan mejor la propuesta de valor real de la IA. Una startup utiliza Agentforce, tratando a sus agentes de IA como empleados mediante la creación de descripciones de puestos, evaluaciones cada 90 días y asignando un responsable directo a cada agente para evaluar su desempeño en función de las expectativas del puesto, en lugar de basarse en la rentabilidad económica. Esta startup cuenta con varios agentes empleados en funcionamiento, incluyendo un asistente de RR. HH. (para reservar vacaciones y responder preguntas frecuentes sobre días festivos), un asistente de ventas y un asistente de soporte (para gestionar incidencias en Jira). En el caso de las herramientas de IA no basadas en agentes, el éxito se mide a través de las tasas de adopción, partiendo de la premisa de que el uso continuado por parte de los empleados indica que la tecnología aporta valor a los flujos de trabajo diarios.
Este enfoque alternativo pone de relieve cómo la burocracia empresarial tradicional puede convertirse en un obstáculo para la adopción de la IA. Mientras que las grandes organizaciones exigen justificaciones financieras detalladas antes de aprobar un proyecto piloto, las empresas más pequeñas pueden experimentar con soluciones de IA basadas en indicadores de valor cualitativos y métricas de satisfacción del usuario. El desafío de la medición supone una ventaja para las organizaciones dispuestas a aceptar criterios de éxito alternativos que se ajusten mejor a la propuesta de valor de la IA, centrada en la eficiencia.
A pesar de estos desafíos, seguimos observando que las inversiones de las organizaciones en IA son mayores cuando los cálculos del ROI son transparentes y convincentes. Las soluciones de IA que ofrecen métricas de ROI transparentes están ganando terreno en el mercado. Una startup de atención al cliente informa que su agente de IA alcanza una tasa de resolución del 65% desde el primer momento, proporcionando métricas claras que se traducen directamente en una reducción de los costes de soporte y una mayor satisfacción del cliente. Esta medición concreta permite desarrollar un caso de negocio sólido y justificar el presupuesto con facilidad.
De igual forma, un importante banco estadounidense que se prepara para la implementación de IA agentiva valora la capacidad de esta tecnología para "pasar de la acción basada en la percepción a la acción basada en el análisis... utilizar una herramienta como la IA para analizar conversaciones reales" con clientes potenciales y actuales. Este cambio de la evaluación subjetiva a la información basada en datos crea vías cuantificables para aumentar las ventas, el crecimiento de los ingresos y reducir la pérdida de clientes; cálculos de retorno de la inversión que las organizaciones pueden cuantificar y monitorear fácilmente a lo largo del tiempo.
5.2 La realidad de los costes: Más allá de las licencias
5.2.1 Energía de activación: ¿cuánto esfuerzo organizativo se requiere para establecer la IA?
El éxito de la IA empresarial depende de la energía de activación de la organización: el esfuerzo inicial necesario para movilizar personas y procesos para la implementación de la IA. Las organizaciones se enfrentan a una disyuntiva fundamental entre los éxitos rápidos y la transformación sostenible.
Para una implementación exitosa de la IA se requieren dos tipos de impulsores trabajando en conjunto. Los impulsores técnicos necesitan un profundo conocimiento de la tecnología para guiar las decisiones de implementación; como advierte un consultor, sin experiencia técnica, "tendrán que simplificarlo tanto" que la solución perderá eficacia. Los impulsores del cambio actúan como usuarios influyentes de primera línea que crean ciclos de retroalimentación entre los usuarios finales y los equipos de ingeniería. Algunas organizaciones establecen "centros de práctica" dedicados a la IA dentro de su gran empresa, combinando la orientación técnica de alto nivel con la defensa de los usuarios a nivel operativo. Estos equipos "crean soluciones autónomas para los departamentos, que luego son operadas por los propios departamentos".
Las soluciones de IA sencillas se integran a los flujos de trabajo existentes con mínimas interrupciones. Una startup promueve su herramienta, cuyo objetivo no es alterar la forma de trabajar, sino optimizarla, permitiendo una rápida adopción con resultados visibles. Un banco nacional implementó con éxito un asistente para servicios comerciales, preservando los flujos de trabajo habituales e incorporando recomendaciones de IA y priorización de casos. Por otro lado, las plataformas de IA sofisticadas exigen una reinvención de los procesos. Un cliente de una startup destaca que la implementación exitosa de agentes requiere que todos "mapeen los procesos... no se trata de habilidades técnicas, sino de habilidades de análisis de negocio... comprendan la tarea a realizar... una vez hecho esto, crear agentes no es tan complicado". Para aprovechar todo el potencial de la IA basada en agentes, las organizaciones deben considerar el rediseño de los flujos de trabajo. A medida que las empresas prueban nuevas soluciones, un factor clave es determinar en qué medida la solución se adapta a los flujos de trabajo existentes frente a la necesidad de rediseñarlos en torno a la automatización prevista.
5.2.2 Preparación de los datos: ¿son nuestros datos empresariales accesibles y fiables para la IA?
El dicho "basura entra, basura sale" se aplica especialmente a los sistemas de IA. Un consultor especializado en la implementación de IA advierte: "Se necesitan datos y una arquitectura limpios; de lo contrario, la IA creará más problemas". El lado positivo de la presión de la IA es la financiación de proyectos de transformación de TI previamente postergados. Un líder de TI explica que "la arquitectura está cobrando protagonismo... la gestión de datos maestros, la gestión de la postura de seguridad". Las iniciativas de datos que no conseguían la aprobación presupuestaria ahora reciben nuevo capital porque las empresas de repente dependen de TI para liderar las iniciativas de IA.
La energía necesaria para impulsar el uso de los datos depende de arquitecturas de datos centradas en el cliente que eliminen los silos de información y permitan un acceso integral a los datos. Sin una alta calidad de datos, prácticas sólidas de metadatos y una arquitectura basada en API, la mayoría de las implementaciones se estancan en la fase piloto. La preparación técnica puede requerir meses o incluso años de trabajo fundamental antes de que las capacidades de IA sean accesibles, dependiendo del nivel de madurez de TI de la empresa.
5.2.3 Costo total de propiedad: ¿cuánto cuesta la IA?
El coste total de propiedad sigue siendo un factor decisivo para las inversiones en IA empresarial, pero la tarificación basada en el consumo plantea desafíos de previsión sin precedentes. Si bien los presupuestos de IA varían considerablemente entre las organizaciones, casi todos los clientes manifestaron su preocupación por la imposibilidad de predecir y controlar los costes basados en el uso.
Los modelos de precios basados en el consumo complican los procesos tradicionales de presupuestación empresarial. Un importante banco estadounidense explica: «El coste es una incógnita... casi imposible desglosarlo en una previsión de consumo. No soy un experto en precios basados en el consumo». Las organizaciones acostumbradas a las licencias de software predecibles se preocupan de que los empleados, sin saberlo, «acumulen tokens» sin darse cuenta de que cada interacción con la IA le cuesta algo a la empresa. Esta incertidumbre genera ansiedad entre los directores financieros de todas las empresas. Un proveedor de IA informa que en todas las grandes empresas... el director financiero está aterrorizado... Dígame cómo presupuestar
Para esto... ¿qué herramientas me han dado para predecir lo que va a hacer esto? Los patrones de uso siguen siendo impredecibles; como señala un cliente: "nadie sabe si los representantes lo usarán ocho o cien veces".
Los proveedores de IA se están adaptando a las inquietudes de los clientes mediante nuevos modelos de precios. Un cliente de Agentforce describió los precios iniciales como «un desastre» y que tardaron «semanas en obtener un presupuesto». Sin embargo, el cambio a Créditos Flexibles (paquetes de uso prepago que se detienen al agotarse) proporcionó el límite de costos que las empresas exigían, reemplazando el modelo de precios por conversación, que no ofrecía límites de gasto. La inestabilidad de los precios agrava la confusión. Incluso los equipos de ventas de IA tienen dificultades para comprender sus propios modelos; un cliente de Fortune 500 informó de información contradictoria entre los representantes de ventas y los comunicados de la empresa: «Todavía no sabemos cómo fijar el precio... las licencias cambian a diario».
El modelo de precios de la IA basado en el consumo supone un desafío fundamental para la gestión tradicional de costes empresariales. Las organizaciones necesitan proveedores que ofrezcan modelos de precios transparentes, herramientas de previsión fiables y controles de gasto que se ajusten a los procesos presupuestarios corporativos. Hasta que se logre la estabilidad de precios, las empresas preferirán soluciones con estructuras de costes predecibles a tecnologías potencialmente superiores con modelos de precios opacos o volátiles. El proveedor que resuelva el problema de la previsibilidad de costes obtendrá una importante ventaja competitiva en los ciclos de ventas empresariales.
5.3 El cálculo del riesgo: Más allá de la seguridad de los datos
5.3.1 Seguridad y gobernanza: ¿la IA es segura, cumple con las normas y es observable?
La seguridad de los datos es un requisito básico, pero las organizaciones se enfrentan a una categoría de riesgos completamente nueva para la que los marcos de seguridad existentes no fueron diseñados. El desafío más inmediato en materia de gobernanza no son los ataques externos, sino la proliferación interna descontrolada. Una consultora descubrió que su cliente empresarial llevaba más de dos años sufriendo, sin saberlo, un problema de «inteligencia artificial en la sombra»: los empleados subían documentos confidenciales a sus cuentas personales de LLM sin ningún tipo de control. El sistema LLM empezó a devolver información específica de contratos confidenciales con clientes durante consultas rutinarias, lo que provocó fugas de datos que las herramientas de seguridad tradicionales no podían detectar.
La IA empresarial crea vulnerabilidades sin precedentes. Los ataques de inyección de código permiten a los hackers insertar instrucciones maliciosas que eluden las medidas de seguridad de la IA. Un cliente considera que la vulnerabilidad del sistema de entrada a los ataques de inyección de código es su criterio fundamental de seguridad. Las alucinaciones generadas por los modelos representan amenazas igualmente peligrosas cuando los empleados confían en la información errónea generada por la IA y actúan en consecuencia sin verificarla. La preocupación por las alucinaciones era primordial para un importante banco estadounidense, que afirmó: «La IA es excelente cuando nos basta con un 85% de certeza; para situaciones de vida o muerte o para gestionar el dinero, necesita fórmulas, no algoritmos». Otro cliente afirma que debería haber tolerancia cero ante las alucinaciones generadas por los modelos de aprendizaje automático... ni siquiera un 1% de error».
Los sistemas de IA requieren capacidades de supervisión que no existen en la gobernanza de TI tradicional. Los riesgos legales se están convirtiendo en una preocupación crítica: el CEO de una startup de gobernanza de IA citó el agente de selección de currículums de Workday, que "discriminaba a los candidatos mayores de 40 años, lo que resultó en una demanda colectiva" en la que todos los clientes se convirtieron en codemandados. Esto pone de relieve la necesidad de capas de verificación independientes que puedan auditar las decisiones de la IA para detectar sesgos e infracciones de cumplimiento. Más allá de los riesgos legales, las organizaciones tienen dificultades con la gobernanza operativa básica. Un cliente explicó: "Estábamos estropeando el agente una y otra vez porque no teníamos ningún sistema de seguimiento ni gobernanza de los cambios en las instrucciones... simplemente estábamos en un estado horrible, un círculo vicioso e iterativo".
Las organizaciones necesitan control de versiones para las instrucciones de IA, registros de auditoría para las decisiones autónomas y sistemas de monitoreo que rastreen los cambios de comportamiento a lo largo del tiempo. Los enfoques de seguridad tradicionales generan peligrosos puntos ciegos en las implementaciones de IA. Los proveedores y las organizaciones que desarrollen capacidades integrales de gobernanza de la IA-que incluyan control de versiones, monitorización del comportamiento y procesos de aprobación de las partes interesadas- obtendrán importantes ventajas competitivas a medida que las empresas prioricen la gestión de riesgos junto con las capacidades de IA.
5.3.2 Elección y flexibilidad: ¿tenemos opciones en cuanto a la herramienta de IA y el proveedor?
Ante la falta de un claro líder en el mercado de la IA, las organizaciones priorizan soluciones multiplataforma que permitan elegir el modelo y ofrecer flexibilidad a los proveedores. Las opciones de gestión del aprendizaje local (LLM) mitigan el riesgo de que un único proveedor de IA falle o tenga un rendimiento deficiente. Un importante banco estadounidense reconoce que la IA «no está del todo consolidada en el mercado... no vamos a adoptar una única plataforma de IA para toda la compleja infraestructura del banco».
Los CIO siguen siendo cautelosos respecto a la dependencia de un solo proveedor, especialmente para los procesos de negocio críticos. Al considerar si comprometerse con la solución de IA de su proveedor de plataforma actual, un CIO se preguntó: "¿Me tendrán atado para siempre?". La preocupación se intensifica en el caso de los flujos de trabajo críticos. Un consultor advierte a sus clientes sobre la dependencia de un solo proveedor para los procesos estratégicos, citando a las empresas farmacéuticas como ejemplo: "Si quedo atado a un solo proveedor en el descubrimiento de fármacos... eso es un problema completamente distinto... ¿Cuál es mi ventaja competitiva? Para esos flujos de trabajo estratégicos que están automatizando, asegúrense de no quedar atados a un solo proveedor".
La posibilidad de elegir y la flexibilidad actúan como pólizas de seguro contra la incertidumbre del mercado y el riesgo estratégico. Las organizaciones reconocen que la evolución de la tecnología de IA sigue siendo impredecible, lo que hace que la diversificación de proveedores sea esencial para la competitividad a largo plazo. La capacidad de cambiar de modelos, proveedores o enfoques de implementación sin grandes interrupciones se convierte en un criterio de evaluación clave, especialmente para los flujos de trabajo que representan ventajas competitivas fundamentales. Los proveedores que faciliten, en lugar de restringir, la flexibilidad organizativa captarán una mayor cuota de mercado empresarial, ya que los compradores priorizan la flexibilidad estratégica sobre la conveniencia a corto plazo.
6. Marco de trabajo superpuesto e integrado
Ahora que hemos establecido los nueve factores de decisión en torno a los tres pilares de valor, coste y riesgo que influyen en la evaluación de la IA empresarial, las organizaciones necesitan un marco práctico para categorizar y comparar diferentes soluciones de IA. Comprender los factores de valor, coste y riesgo sienta las bases para la evaluación, pero las empresas aún se enfrentan a una decisión arquitectónica fundamental que determina cómo se manifiestan estos factores en la práctica. El siguiente paso crítico consiste en reconocer que las soluciones de IA se dividen en dos categorías distintas según su integración con los sistemas empresariales existentes: (a) IA superpuesta, que opera en múltiples sistemas para una máxima flexibilidad, y (b) IA integrada, que se integra profundamente en las plataformas principales para un contexto más rico y un control unificado. En esta sección, describimos estas dos soluciones arquetípicas que descubrimos en nuestra investigación y la relación entre estas opciones y el marco de valor-coste-riesgo destacado en la Sección 5.
6.1 Definición de superposición e incrustación
Como aprendimos durante nuestra investigación, la IA empresarial opera mediante una arquitectura tecnológica en capas, donde cada componente cumple funciones específicas y, al mismo tiempo, colabora para generar valor para el negocio. Comprender esta arquitectura ayuda a clarificar las diferencias entre las soluciones de IA superpuestas e integradas en su enfoque de implementación empresarial.
Anexo 6.1: Pila tecnológica de IA empresarial
La capa de aplicación es la capa de cara al usuario donde los empleados ven respuestas, reciben recomendaciones o delegan tareas a agentes de IA. Es también donde se centra nuestra investigación: la elección entre arquitecturas superpuestas e integradas. Las soluciones superpuestas se sitúan sobre los sistemas existentes. Se conectan a numerosas aplicaciones mediante API y aportan valor al orquestar diversas herramientas. Las aplicaciones superpuestas suelen utilizar conjuntos de modelos, obtienen contexto de múltiples plataformas de datos y ofrecen a las empresas la libertad de cambiar modelos, actualizar herramientas o crear flujos de trabajo personalizados.
La IA integrada reside en los sistemas centrales y se integra de forma nativa. Utiliza los datos, permisos, flujos de trabajo y la experiencia de usuario del sistema. Las soluciones integradas suelen beneficiarse de la alineación del modelo base, la plataforma de datos o la aplicación del mismo proveedor. Por ejemplo, Salesforce Agentforce está diseñado para funcionar con Salesforce Data Cloud y se conecta a los modelos base a través de una interfaz de capa de confianza.
La capa de aplicaciones también incluye la IA de desarrollo propio (DIY), que se refiere a equipos internos que crean sus propias aplicaciones de IA. Una superposición DIY podría ser un copiloto para toda la empresa que se conecta con Gmail, Jira, Salesforce o Notion.
Una solución integrada DIY podría incorporar IA en el sistema financiero o informático personalizado de la empresa, como los Sistemas de cadena de suministro. En ambos casos, los equipos que desarrollan soluciones internas siguen recurriendo a plataformas de modelado, datos y contexto, y modelos base. La diferencia radica en la experiencia del usuario y la profundidad de la integración, no en quién la desarrolló.
Si bien la IA de desarrollo interno quizá merezca su propio proyecto de investigación, algunos de los entrevistados reportaron un éxito limitado con este tipo de desarrollo, lo que coincide con los hallazgos de la analista de la industria Rebecca Wettemann. La investigación de Wettemann reveló que los esfuerzos de desarrollo interno solo alcanzaron un promedio de precisión del 52%, y muchos proyectos se estancaron en las fases piloto debido a problemas de rendimiento, falta de habilidades y desafíos de seguridad. Como señala en una entrevista con Salesforce: «Diga no al desarrollo interno... puede tejer un suéter con una oveja y un par de agujas de tejer. Eso no significa que deba hacerlo». El estudio de Wettemann reveló que las organizaciones a menudo subestiman la complejidad de crear mecanismos de protección y capas de seguridad para la IA, y algunas estiman que requiere entre 20 y 30 veces más esfuerzo que las soluciones de los proveedores.
Por debajo de la capa de aplicación, las plataformas de datos y contexto garantizan que la IA reciba la información correcta con las debidas restricciones. Herramientas como Snowflake, Salesforce Data Cloud y Databricks gestionan los datos empresariales, los permisos, la generación de datos aumentada (RAG) y las políticas.
Los entornos de modelado son la base de la IA empresarial. Plataformas como AWS Bedrock y Azure proporcionan acceso seguro y de nivel empresarial a múltiples modelos. Gestionan el enrutamiento, las cuotas, los filtros de seguridad y la latencia. Algunas empresas acceden a estas plataformas indirectamente a través de proveedores de aplicaciones de IA, mientras que otras las utilizan para desarrollar IA internamente (es decir, de forma autónoma).
La capa del modelo base es donde reside la inteligencia central (lenguaje, visión, razonamiento). Estos modelos provienen de empresas como OpenAI, Anthropic y Google. Pueden ser propietarios (API con licencia) o abiertos (descargables y autohospedados). En todos los casos, constituyen el motor cognitivo subyacente.
En nuestro análisis de arquitecturas superpuestas e integradas, nos centramos exclusivamente en la capa de aplicación, donde los usuarios finales obtienen valor a través de respuestas, automatización y soporte para la toma de decisiones. Excluimos el análisis de modelos base, entornos de modelado, plataformas de datos y contexto, y la subcategoría de IA de desarrollo propio. Nuestro enfoque se centra en las ventajas e inconvenientes del diseño entre la IA superpuesta y la IA integrada que se puede adquirir de proveedores de IA.
6.2 Hallazgos sobre la superposición y la compensación integrada
Con esta base, podemos abordar la pregunta crucial: ¿Cómo deben las organizaciones elegir entre soluciones de IA superpuestas e integradas? La respuesta parte de una revelación sorprendente de nuestra investigación: la preparación de los datos suele ser más importante que la sofisticación de la IA en sí misma. Unos datos limpios y bien gestionados permiten una IA exitosa, independientemente del proveedor, mientras que la mala calidad de los datos perjudica incluso a las plataformas más sofisticadas.
Esta realidad fundamental -que la arquitectura de datos a menudo determina qué enfoque de IA ofrece mayor valor-surgió como un patrón recurrente en nuestras entrevistas. Las organizaciones con una alta concentración de datos en sus plataformas principales tienden naturalmente a optar por soluciones integradas, mientras que aquellas con arquitecturas fragmentadas prefieren soluciones superpuestas que pueden integrarse en múltiples sistemas. Nuestra investigación reveló importantes diferencias entre estos dos enfoques, como se explica a continuación.
6.2.1 Superposición de IA: Velocidad y flexibilidad con mayor riesgo
Nuestra investigación reveló que, en algunos casos, la calidad y la accesibilidad de los datos empresariales pueden ser más importantes que las propias capacidades de la IA: unos datos limpios y bien gestionados permiten una IA exitosa independientemente del proveedor, mientras que una mala calidad de los datos perjudica incluso las soluciones de IA más sofisticadas. Las empresas con datos fragmentados en múltiples sistemas tienden naturalmente a optar por soluciones superpuestas que pueden acceder a diversas fuentes de datos sin necesidad de migración. Estas organizaciones necesitan una IA que funcione en su entorno distribuido, en lugar de forzar la consolidación de datos. Como señala un consultor de servicios profesionales: «Glean ha tenido un éxito rotundo... demostrando un retorno de la inversión inmediato a usuarios no técnicos» al integrarse con decenas de aplicaciones de entorno laboral, como Google Drive, Slack, Microsoft 365 y Salesforce, lo que permite la búsqueda multiplataforma mediante una interfaz de IA unificada. Esta adecuación arquitectónica explica por qué las soluciones superpuestas destacan a la hora de abordar las necesidades departamentales o funcionales sin requerir una transformación de toda la empresa: se adaptan a las organizaciones donde ya residen sus datos.
Rápida obtención de valor, mayor flexibilidad: La ventaja de velocidad resulta especialmente atractiva para las organizaciones con datos distribuidos, que de otro modo se enfrentarían a meses de trabajo de consolidación. «Más del 80% de nuestros clientes están operativos en los primeros 30 días», informa un vicepresidente de Éxito del Cliente de un proveedor líder de soluciones superpuestas. Este impacto inmediato proporciona el impulso que exigen los directores ejecutivos sin las complicaciones de la migración de datos que requerirían las soluciones integradas. La flexibilidad va más allá del simple acceso a los datos. Algunas grandes empresas tecnológicas restringen las opciones de implementación de sus productos de IA. Un cliente se quejó de Salesforce: «Solo se puede implementar Agentforce en la plataforma de Salesforce... es imposible lograr una verdadera interoperabilidad a menos que solo se utilice Agentforce». En respuesta, tres startups de IA destacaron que sus soluciones son «independientes de la plataforma y del modelo de negocio», lo que resulta muy atractivo para empresas con infraestructuras tecnológicas heterogéneas que buscan flexibilidad en la implementación.
Menor costo para pruebas piloto: Las soluciones de superposición permiten experimentar con un costo mínimo. «¿Preferiría probar una prueba piloto con [mi empresa] por $15,000 USD o con una plataforma empresarial por $500,000 USD?», pregunta el director ejecutivo de una plataforma líder de IA conversacional. Estos menores costos iniciales, junto con modelos de precios predecibles e implementaciones comprobadas, hacen que las soluciones de superposición sean atractivas para organizaciones con recursos limitados.
Perfil de riesgo más elevado: Las contrapartidas en materia de seguridad son considerables. Las arquitecturas superpuestas amplían drásticamente la superficie de ataque, y los nuevos estándares de interoperabilidad generan vulnerabilidades y crean escenarios donde una sola brecha de seguridad se propaga por todos los sistemas. Investigaciones recientes muestran que el 80% de los ataques de ransomware ahora utilizan IA, mientras que la inyección rápida tiene una tasa de éxito de hasta el 88%. Como advierte un ejecutivo de servicios financieros de una empresa Fortune 500: «Una vez que se pierde la confianza, no se recupera». Cada herramienta superpuesta crea un riesgo adicional de TI en la sombra, y solo el 30% de las empresas implementan controles de seguridad específicos para la IA a pesar de las tasas de adopción cada vez más altas.
Anexo 6.2.1 Ejemplos de soluciones de IA de superposición
- Glean: Búsqueda empresarial
- Fin By Intercom: IA de servicio al cliente
- Sierra AI: Compromiso con el cliente
- Harvey: Servicios legales con IA
- Myko: Actualizaciones de CRM habilitadas por voz
Estas soluciones tienen éxito al centrarse en casos de uso específicos con métricas de ROI claras y una mínima disrupción organizativa.
6.2.2 IA integrada: Seguridad y escalabilidad con mayor inversión
Nuestras conversaciones revelan que las organizaciones con ecosistemas de datos consolidados tienden naturalmente a utilizar las soluciones de IA de su plataforma existente. Cuando ya existe una gran cantidad de datos concentrados en una plataforma principal, la dinámica de la TI empresarial hace que la IA integrada resulte atractiva. Una startup señala que «el 90% de nuestros datos reside en Salesforce... sería una locura no usar Agentforce». Los costos de transferencia de datos, el cumplimiento normativo y la complejidad de la integración generan fuertes incentivos para mantener los datos en su lugar, lo que otorga a las grandes empresas tecnológicas con productos de IA integrada importantes ventajas competitivas.
Esta ventaja de la gravedad de los datos implica que, cuando los casos de uso se alinean con las capacidades de la plataforma, las soluciones integradas ofrecen un valor superior gracias a un contexto empresarial completo. «Si necesitas el análisis de sentimiento de los correos electrónicos en las Oportunidades, simplemente usa lo que Salesforce ya ofrece», aconseja un ejecutivo de consultoría en IA. La confianza existente en el proveedor, junto con los datos que ya residen en la plataforma, reduce significativamente la fricción en la adopción.
Mayor inversión inicial: Si bien la gravedad de los datos ofrece ventajas, la IA integrada aún exige un compromiso inicial sustancial, tanto financiero como organizativo. Incluso con datos consolidados, las organizaciones necesitan información limpia y bien gobernada, con una gestión adecuada de los datos maestros y marcos de seguridad implementados. Según un ejecutivo de servicios financieros de una empresa Fortune 500, las organizaciones necesitan «dieciocho meses de trabajo preparatorio para una implementación significativa, independientemente de dónde residan sus datos. Esta preparación abarca no solo la calidad de los datos, sino también la documentación de los procesos, las estructuras de gobernanza y la infraestructura técnica necesaria para respaldar las operaciones de IA a escala empresarial.
Las organizaciones deben elegir cuidadosamente cómo invertir esta energía de activación. Las soluciones llave en mano de bajo esfuerzo proporcionan resultados inmediatos, pero un potencial a largo plazo limitado. Las implementaciones integradas de alto esfuerzo requieren meses de preparación sin un progreso visible, pero ofrecen mayor escalabilidad y una ventaja competitiva. Como señala un cliente, los equipos de desarrollo internos «aún tienen dificultades con todas sus responsabilidades diarias», lo que convierte la asignación de recursos a proyectos complejos de IA en un compromiso organizacional significativo. Esta inversión en infraestructura de datos y transformación de procesos, por exigente que sea, permite en última instancia una integración más profunda de la IA y una creación de valor más sostenible.
Creación de valor a largo plazo: El verdadero valor de la IA integrada surge de un contexto empresarial integral. Estas soluciones evolucionan con las necesidades de la organización, ofreciendo lo que el CEO de un socio líder del ecosistema de Atlassian denomina valor estratégico a cinco años: «Piense en el futuro a cinco años, ¿en quién confía?». La capacidad de acceder a todos los datos de la organización sin integraciones complejas permite que la IA comprenda el negocio, el matiz, mejorando la precisión y la relevancia con el tiempo. Esta profundidad contextual impulsa la escalabilidad que Las soluciones de superposición tienen dificultades para coincidir.
Posición de seguridad superior: Las soluciones integradas operan dentro de perímetros de seguridad establecidos. "Si ya estás utilizando Salesforce... así tienen menos que examinar", señala el fundador de una empresa startup de seguridad. Esto elimina la proliferación de sistemas de autenticación y los desafíos de gestión de tokens de arquitecturas superpuestas. Sin embargo, persisten las preocupaciones sobre la dependencia de un solo proveedor, lo que inquieta a los CIO sobre el futuro. Implicaciones de la propiedad, particularmente para los procesos patentados y estratégicamente diferenciadores.
Anexo 6.2.2 Ejemplos de soluciones de IA integradas
- Salesforce | Agentforce | Agentes de IA integrados en CRM
- Microsoft 365 | Copilot | IA de productividad
- Google Workspace | Gemini | IA de colaboración
- ServiceNow | Now Assist | IA para la gestión de servicios empresariales
- Atlassian | Atlassian Intelligence y Rovo | Usabilidad e IA Agentic
Estas soluciones representan ofertas integradas maduras que amplían las capacidades de las plataformas existentes.
6.2.3 El enfoque híbrido: una tercera vía
Nuestra investigación revela que muchas organizaciones están adoptando una estrategia de cartera híbrida, que combina ambas En lugar de optar exclusivamente por un enfoque arquitectónico, se pueden utilizar soluciones superpuestas e integradas. El modelo híbrido representa una respuesta pragmática a las demandas contrapuestas de resultados inmediatos y transformación a largo plazo.
Comprender el modelo híbrido
El enfoque híbrido considera la adopción de la IA como un ejercicio de gestión de cartera donde diferentes soluciones cumplen diferentes funciones dentro de la organización. Los asesores de IA a nivel de junta directiva informan que los CIO cada vez más siguen esta estrategia, adquiriendo soluciones de superposición llave en mano para casos de uso específicos e invirtiendo en Plataformas integradas para procesos de negocio esenciales. Este enfoque de doble vía permite a las organizaciones obtener victorias rápidas mediante herramientas de superposición mientras construye metódicamente las bases para un desarrollo más profundo, Integración de IA integrada.
En la práctica, las organizaciones que implementan estrategias híbridas suelen comenzar con soluciones superpuestas que abordan problemas específicos y bien definidos. Estas herramientas sirven como campos de pruebas, ayudando a los equipos de TI y a Los líderes empresariales identifican qué capacidades de IA aportan un valor real antes de expandir la plataforma. compromisos. Simultáneamente, estas organizaciones invierten en el trabajo a largo plazo de los datos, como la Modernización, el rediseño de procesos y el desarrollo de capacidades necesarios para el éxito de la IA integrada. despliegue.
Dinámica de valor del enfoque híbrido
Desde la perspectiva del valor, el modelo híbrido busca optimizar en múltiples horizontes temporales. El despliegue inmediato de soluciones superpuestas proporciona un rápido retorno de la inversión, lo que satisface la presión de la dirección e impulsa el dinamismo organizacional. Estos logros iniciales ayudan a mantener el apoyo de las partes interesadas mientras se lleva a cabo la preparación de la plataforma, un proceso más lento. Los experimentos con soluciones superpuestas también generan información valiosa sobre qué casos de uso justifican una mayor inversión, lo que reduce el riesgo de futuras implementaciones integradas. Sin embargo, este enfoque puede generar complejidad, ya que las organizaciones deben gestionar múltiples proveedores de IA, lo que puede duplicar capacidades y crear desafíos de migración e integración.
Implicaciones de costos
El enfoque híbrido presenta una dinámica de costes interesante. Las organizaciones pueden aprovechar los precios, a menudo subvencionados por capital riesgo, de los proveedores de soluciones superpuestas, beneficiándose de sus agresivas estrategias de entrada en el mercado y su soporte especializado para la integración. Esto permite a los equipos de TI y a la alta dirección observar y medir los patrones de adopción y el impacto en el negocio sin la importante inversión inicial que requiere la configuración de plataformas empresariales y la formación del personal y los usuarios finales. El menor coste de las pruebas piloto de soluciones superpuestas reduce el riesgo de fracaso y, al mismo tiempo, amplía el margen de tiempo que las organizaciones necesitan para sentar las bases necesarias para la IA integrada.
Sin embargo, la ejecución de proyectos paralelos exige una cuidadosa asignación de recursos. Las organizaciones deben financiar tanto las implementaciones inmediatas de IA como el desarrollo de capacidades a largo plazo, incluyendo inversiones en personal, procesos y tecnología. El factor humano implica fomentar la alfabetización en IA en todos los niveles de la organización, identificar y empoderar a los líderes, e implementar programas integrales de gestión del cambio.
La transformación de procesos requiere mapear los flujos de trabajo existentes, identificar los puntos óptimos de integración de la IA y rediseñar las operaciones para una colaboración eficaz entre humanos e IA. En el ámbito tecnológico, las organizaciones deben modernizar la arquitectura de datos, implementar sistemas de gestión de datos maestros y establecer marcos de gobernanza sólidos.
Consideraciones sobre riesgos
El modelo híbrido introduce su propio perfil de riesgo. Si bien las soluciones superpuestas pueden ayudar a los usuarios finales a adoptar la IA con mayor rapidez -ya que el control reside más directamente en las líneas de negocio que estas soluciones respaldan-, también amplían la superficie de ataque a la seguridad. Cada herramienta superpuesta adicional representa otra vulnerabilidad potencial, lo que exige una evaluación de seguridad minuciosa y una supervisión continua. Las organizaciones deben sopesar las ventajas de agilidad que ofrece la adopción de la IA distribuida frente a los desafíos de gobernanza que implica gestionar múltiples sistemas de IA con diferentes modelos de seguridad, prácticas de manejo de datos y enfoques de cumplimiento.
El enfoque híbrido también conlleva riesgos estratégicos. Las organizaciones pueden verse obligadas a gestionar perpetuamente una compleja cartera de soluciones puntuales sin llegar a lograr la transformación profunda que promete la IA integrada. La comodidad de las adiciones incrementales puede sustituir el arduo trabajo de la transformación fundamental de procesos y datos. Además, a medida que las organizaciones crean vistas centralizadas de su cartera de IA, deben coordinar cuidadosamente los experimentos con soluciones superpuestas y las hojas de ruta de la plataforma integrada para evitar inversiones contradictorias o capacidades redundantes.
Evolución y madurez
Las organizaciones que adoptan estrategias híbridas suelen prever una evolución en la que los experimentos exitosos con soluciones de superposición informan y aceleran la adopción de plataformas integradas. A medida que los equipos de TI observan los patrones de adopción y miden el impacto en el negocio de su cartera de soluciones de superposición, desarrollan hojas de ruta para migrar las capacidades probadas a plataformas integradas que se pueden configurar y mantener dentro de los límites de la organización. Este proceso de migración se beneficia de la participación de los líderes y promotores de las distintas áreas de negocio en la planificación de la arquitectura, lo que garantiza que las inversiones en plataformas se alineen con las necesidades empresariales validadas, en lugar de con casos de uso teóricos.
Por lo tanto, el enfoque híbrido no representa un estado permanente, sino una estrategia de transición que reconoce tanto la urgencia de la adopción de la IA como la complejidad de la transformación empresarial. Su éxito depende de mantener la claridad estratégica sobre qué soluciones sirven a propósitos tácticos y cuáles a estratégicos, y de tener la disciplina para evolucionar el portafolio a medida que aumenta la madurez de la IA en la organización.
7. Debate
7.1 Resumen de la investigación y los hallazgos
A lo largo de esta investigación, surgieron patrones consistentes que explican tanto la desilusión generalizada con la IA empresarial como los factores que influyen en las decisiones de selección de tecnología. En concreto, descubrimos tres hallazgos interrelacionados que explican el estado actual de la adopción de la IA empresarial.
Primero, identificamos cuatro factores principales de la desilusión con la IA: la presión de la dirección, que genera implementaciones apresuradas que priorizan la visibilidad sobre el valor; la escasez de talento crítico en todos los niveles organizativos; una brecha significativa entre las promesas de los proveedores y las capacidades reales de la IA; y la tendencia de las empresas a tratar la IA como una simple compra tecnológica, en lugar de una capacidad organizativa que requiere una profunda transformación.
Segundo, descubrimos nueve factores de decisión críticos que las organizaciones sopesan al evaluar las inversiones en IA, organizados en consideraciones de valor (alineación con el caso de uso, tiempo de obtención de valor, rendimiento y retorno de la inversión), factores de coste (energía de activación, preparación de datos y coste total de propiedad) y elementos de riesgo (seguridad/gobernanza y opciones/flexibilidad). Estos factores conllevan complicaciones únicas para la IA que los modelos tradicionales de adquisición de TI no abordan.
En tercer lugar, los resultados indican que el mercado de IA empresarial se ha cristalizado en torno a dos enfoques arquitectónicos: soluciones de superposición que abarcan múltiples sistemas, proporcionando velocidad y flexibilidad, y soluciones integradas que se incorporan profundamente en las plataformas principales, ofreciendo seguridad y escalabilidad. Por lo tanto, el dilema principal reside en encontrar soluciones que ofrezcan tanto ventajas inmediatas como una amplia integración, manteniendo al mismo tiempo la escalabilidad y la seguridad.
Las organizaciones exitosas adoptan cada vez más una estrategia de cartera híbrida para gestionar este dilema. Utilizan herramientas de superposición para obtener resultados rápidos mientras sientan las bases para la transformación hacia la IA integrada a largo plazo.
Nuestro marco ayuda a explicar por qué algunas iniciativas de IA tienen éxito mientras que otras fracasan, y proporciona un enfoque estructurado para evaluar qué soluciones ofrecen un valor real en relación con sus costes y riesgos de implementación. En conjunto, estos hallazgos dibujan un panorama de una industria que se enfrenta a un potencial tecnológico sin precedentes, a la vez que lidia con los desafíos humanos del cambio organizativo, lo que sugiere que el éxito requiere no solo sofisticación tecnológica, sino una revisión fundamental de cómo las empresas abordan la adopción de la IA.
7.2. Conclusiones e implicaciones para la gestión
7.2.1 Consideraciones estratégicas para el liderazgo ejecutivo: Navegando la dinámica del mercado
La revolución de la IA no es un proyecto de TI que se pueda delegar, es una transformación radical de la empresa que exige un liderazgo visionario, impulsado por el CEO. Si bien la promesa de la IA es generacional, su camino está plagado de proyectos estancados e inversiones desperdiciadas, no por falta de tecnología, sino por la ausencia de una estrategia unificada y centralizada. Muchas iniciativas prometedoras de IA se estancan en la fase piloto, atrapadas por obstáculos regulatorios imprevistos, equipos legales reacios al riesgo y compartimentos estancos departamentales que el patrocinador del proyecto carece de autoridad para superar.
Para romper este ciclo se requiere más que el respaldo de la alta dirección; se requiere que el CEO actúe como máximo responsable y artífice de la transformación de la empresa hacia la IA. Solo el CEO tiene la autoridad transversal necesaria para alinear a toda la organización -desde TI y el departamento legal hasta ventas y operaciones- en torno a una visión única y coherente. Este liderazgo es fundamental para gestionar las complejas disyuntivas entre innovación y gobernanza, y para asignar los recursos necesarios para desarrollar una capacidad de IA sólida en lugar de simplemente adquirir una nueva tecnología. Las siguientes directrices están dirigidas al líder que comprende que aprovechar este momento exige no solo supervisar el cambio, sino liderarlo activamente desde el frente.
Trazando un camino híbrido
Dada la incertidumbre del mercado y la probable consolidación de proveedores, la investigación sugiere firmemente un enfoque de cartera híbrida para la adopción de IA. Si bien los mercados tecnológicos suelen seguir patrones predecibles -una proliferación inicial seguida de una compresión a medida que las mejores opciones de valor empresarial se consolidan-, las organizaciones no pueden predecir qué proveedores sobrevivirán ni qué startups de soluciones complementarias podrían convertirse en las plataformas integradas del futuro.
El enfoque híbrido tiene propósitos que van más allá de la simple diversificación de riesgos: permite adecuar la velocidad de adopción de la IA a la preparación de la organización, lo que posibilita que los equipos de atención al cliente implementen soluciones complementarias para obtener resultados inmediatos, mientras que los procesos empresariales centrales experimentan la transformación más profunda que la IA integrada proporcionará en el futuro. Esta estrategia dual permite obtener resultados rápidos que mantienen la confianza de la junta directiva, al tiempo que se construyen las bases técnicas y organizativas necesarias para el cambio sistémico, convirtiendo la volatilidad del mercado en una ventaja estratégica.
Fundamentos técnicos
Las organizaciones deben ser implacables con la honestidad sobre la preparación de sus datos: intentar implementar IA con sistemas fragmentados, una gobernanza deficiente y datos maestros inconsistentes está condenado al fracaso y genera escepticismo organizacional sobre el potencial de la IA. Para las organizaciones que carecen de la preparación técnica necesaria, esperar a construir bases sólidas representa una estrategia válida, ya que la presión ejecutiva en materia de IA ahora facilita la aprobación presupuestaria para proyectos de infraestructura previamente no financiados, como la gestión de datos maestros y la modernización de la arquitectura de integración.
Sin embargo, el mercado actual de IA crea oportunidades únicas para desarrollar simultáneamente: las organizaciones pueden implementar soluciones complementarias que generen resultados comerciales inmediatos, al tiempo que las utilizan como laboratorios de aprendizaje para comprender los requisitos de datos, los patrones de integración y los modelos de seguridad. Este enfoque dual maximiza el valor de la transición al capturar victorias rápidas e impulso organizacional a través de las soluciones complementarias, mientras que los equipos técnicos abordan metódicamente las deficiencias fundamentales necesarias para la eventual transformación de la IA integrada, convirtiendo el caos actual del mercado en una ventaja competitiva en lugar de exigir la perfección antes de avanzar.
Gestión del cambio organizacional
Los líderes ejecutivos deben reconocer que la dinámica organizacional determina qué enfoque arquitectónico de IA tendrá éxito en su contexto específico. Si su organización cuenta con un fuerte respaldo ejecutivo, pero históricamente ha tenido dificultades con la coordinación interdepartamental, es probable que las plataformas integradas -que requieren una extensa reestructuración de procesos y una alineación a nivel empresarial- se estanquen en la fase piloto, incluso con el mandato de la alta dirección. En este caso, priorice las soluciones superpuestas que aborden los problemas específicos de cada departamento y que ganen terreno mediante la adopción desde la base, permitiendo que los empleados de primera línea impulsen herramientas que resuelvan problemas inmediatos sin necesidad de una transformación a nivel empresarial.
La persistente desconexión entre las prioridades de TI (arquitectura, seguridad, escalabilidad) y las necesidades de las líneas de negocio (soluciones inmediatas a los problemas cotidianos) socava particularmente la adopción de la IA integrada. Si opta por soluciones integradas, cierre activamente esta brecha incorporando a líderes de negocio dentro de los equipos técnicos y a enlaces técnicos dentro de las unidades de negocio, creando ciclos de retroalimentación que garanticen que ambas perspectivas influyan en la implementación. Las organizaciones deben evaluar con honestidad su capacidad para la gestión coordinada del cambio -no solo su preparación técnica- al elegir entre la velocidad de las soluciones superpuestas y la escalabilidad de las integradas.
7.2.2 Orientación estratégica para los líderes de línea de negocio
La verdadera transformación de la IA no nace en la sala de juntas; se forja en la práctica, donde la fricción diaria de las operaciones se encuentra con la urgente demanda de resultados. Si bien la alta dirección proporciona la visión, es el líder de cada área de negocio quien debe traducir ese potencial en resultados tangibles. Es quien ve las oportunidades inmediatas, siente la presión de mejorar la experiencia del cliente y no puede permitirse el lujo de esperar a que planes estratégicos de TI plurianuales resuelvan los problemas actuales.
Esta impaciencia pragmática es una ventaja estratégica. Impulsa la adopción desde las bases de soluciones ágiles y de alto impacto que generan los éxitos rápidos necesarios para impulsar el crecimiento de la organización. Pero su función va más allá de simplemente promover una nueva herramienta. Son los artífices de un nuevo modelo operativo para su departamento, rediseñando flujos de trabajo y dotando a su equipo de capacidades antes inimaginables. Sin embargo, para convertir estos triunfos iniciales en una ventaja sostenible, es necesario pasar de la resolución táctica de problemas a la colaboración estratégica.
Impulsando la innovación de abajo hacia arriba
Los líderes de las distintas áreas de negocio tienden naturalmente a optar por soluciones de IA superpuestas, ya que abordan problemas específicos de cada departamento sin necesidad de coordinación a nivel empresarial. Esto permite una adopción ascendente, donde los empleados de primera línea pueden impulsar herramientas que resuelvan sus problemas inmediatos. Este enfoque evita eficazmente la desconexión común entre el enfoque de TI en la arquitectura y la seguridad a largo plazo y la necesidad de la unidad de negocio de contar con soluciones inmediatas, una dinámica que a menudo provoca el estancamiento de los proyectos de IA integrada. Al evaluar estas inversiones, deben aplicar el marco de valor-costo-riesgo directamente a su contexto. Prioricen una clara alineación con los casos de uso y un rápido retorno de la inversión, teniendo en cuenta que la velocidad de las soluciones superpuestas conlleva riesgos como el aumento de las amenazas a la seguridad y la proliferación de proveedores: preocupaciones legítimas para sus homólogos de
Construir puentes, no silos: Colaborar con TI
Si bien actuar con rapidez supone una ventaja, requiere una alianza estratégica con el departamento de TI en lugar de una simple elusión. La investigación documenta claramente los riesgos significativos de la "IA en la sombra", donde las empresas
Las unidades implementan soluciones sin una gobernanza adecuada, lo que provoca fugas de datos y problemas de cumplimiento que, en última instancia, perjudican los objetivos empresariales. Los líderes más exitosos forman "equipos de alto rendimiento" compuestos por usuarios finales para evaluar las soluciones, priorizar las necesidades según su impacto real en el negocio en lugar de basarse en demostraciones de proveedores, e involucrar al departamento de TI como coevaluadores desde el inicio del proceso. Este nivel de transparencia genera confianza, previene implementaciones clandestinas riesgosas y garantiza que los logros rápidos de su departamento contribuyan a la estrategia de IA integrada a largo plazo de la organización, en lugar de perjudicarla.
7.2.3 Orientación estratégica para proveedores de IA: Cómo afrontar la guerra de plataformas
El actual punto álgido de desilusión con la IA es una crisis de confianza que la propia comunidad de proveedores ayudó a crear. Durante demasiado tiempo, el mercado se ha caracterizado por una brecha entre promesas y realidades, donde las capacidades exageradas y los modelos de precios confusos han generado frustración en los clientes y estancamiento en los proyectos. Para salir de este ciclo, los proveedores deben transformar radicalmente su rol, pasando de ser meros proveedores de tecnología a socios estratégicos para el éxito de sus clientes. El futuro del mercado de IA empresarial no lo ganará la empresa con el algoritmo más avanzado, sino aquella que mejor genere confianza, ofrezca valor tangible y comprenda la realidad de un ecosistema híbrido y complejo. La siguiente guía es una hoja de ruta para desenvolverse en este nuevo panorama, donde el éxito del cliente es el único objetivo primordial.
Para proveedores de plataformas integradas: Aproveche la seguridad al tiempo que adopta la extensibilidad.
La investigación confirma que las soluciones integradas ofrecen ventajas reales gracias a su contexto empresarial integral y su funcionamiento dentro de perímetros de seguridad establecidos. Sin embargo, estos beneficios conllevan costes organizativos sustanciales que generan oportunidades para la competencia de soluciones superpuestas. Si bien las plataformas integradas pueden acceder a todos los datos de la organización sin integraciones complejas, los compradores informan sistemáticamente que una implementación exitosa requiere dieciocho meses de trabajo previo y una gestión del cambio coordinada entre varios departamentos, una energía de activación que muchas organizaciones tienen dificultades para movilizar. Mientras tanto, los proveedores de soluciones superpuestas evitan por completo esta fricción organizativa al abordar los problemas específicos de cada línea de negocio y facilitar la adopción desde la base a través de líderes de primera línea, en lugar de exigir una transformación a nivel empresarial.
La investigación también revela que la dependencia de un proveedor se encuentra entre los principales factores de riesgo para los compradores, y los CIO se preguntan explícitamente si comprometerse con la IA de un proveedor de plataforma significa quedar "atados para siempre". En lugar de luchar contra esta dinámica, los proveedores de soluciones integradas deberían adoptar la extensibilidad y la interoperabilidad, creando marcos que permitan la innovación de terceros sin dejar de lado sus propuestas de valor fundamentales. Los proveedores de sistemas embebidos también deben reconocer que los modelos tradicionales de licencias por puesto se enfrentan a una presión existencial, ya que los agentes de IA automatizan tareas que antes requerían licencias humanas, lo que obliga a replantear las estrategias de precios fundamentales. En general, los compradores están adoptando portafolios híbridos independientemente de sus preferencias de proveedor; la cuestión estratégica es si los proveedores de sistemas embebidos facilitarán esta realidad o se resistirán a ella hasta perder cuota de mercado frente a alternativas más flexibles.
Para proveedores de superposición: Gane con velocidad, escale con confianza.
Las soluciones de superposición captan cuota de mercado al ofrecer lo que la investigación identifica como el atributo más valorado por los compradores: un rápido retorno de la inversión. Los principales proveedores informan que más del 80% de sus clientes están operativos en 30 días. Esta ventaja de velocidad, combinada con la capacidad de abordar necesidades departamentales específicas sin requerir una transformación empresarial liderada por TI, explica por qué los líderes de las líneas de negocio y los empleados de primera línea se convierten en fervientes defensores de las soluciones de superposición, incluso cuando los departamentos de TI prefieren las plataformas integradas. Sin embargo, la investigación también revela que la seguridad y
Las preocupaciones sobre la gobernanza representan la vulnerabilidad crítica de los proveedores de software superpuesto: los compradores citan constantemente la mayor superficie de ataque, los riesgos de proliferación de IA en la sombra y nuevas vulnerabilidades como la inyección de código como principales obstáculos para una adopción más generalizada del software superpuesto. Además, los modelos de precios basados en el consumo generan inquietud entre los directores financieros por la imprevisibilidad de los costos, y los ejecutivos describen los costos del software superpuesto como una "caja negra" que hace que la elaboración de presupuestos sea prácticamente imposible. Los proveedores de software superpuesto deben abordar estas preocupaciones de forma proactiva mediante protocolos de seguridad transparentes, auditorías de terceros, certificaciones independientes y modelos de precios predecibles con controles de gasto. La seguridad no solo representa una necesidad defensiva, sino también la principal oportunidad ofensiva: los proveedores de software superpuesto que generan confianza en sus clientes respecto a sus capacidades de gobernanza neutralizan el principal argumento que los proveedores de sistemas embebidos utilizan en su contra.
Para todos los proveedores: Habiliten el futuro híbrido
La investigación documenta una clara evolución del mercado hacia carteras de IA híbridas, donde las organizaciones implementan soluciones superpuestas para obtener victorias inmediatas mientras construyen las bases para una transformación integrada, tratando la elección arquitectónica como un viaje de transición en lugar de una decisión binaria. Los compradores evalúan las inversiones mediante un marco de valor-costo-riesgo que pondera simultáneamente la alineación con el caso de uso, el tiempo de obtención de valor, la preparación de los datos, la postura de seguridad y la flexibilidad estratégica, donde diferentes factores predominan según el contexto organizacional, más que según el marketing del proveedor. Esta dinámica implica que la elección y la flexibilidad impulsan cada vez más la selección de proveedores, ya que las organizaciones reconocen que ningún enfoque arquitectónico único satisface todas las necesidades en las diferentes funciones empresariales y etapas de madurez.
El éxito de todos los proveedores, ya sean de soluciones superpuestas o integradas, depende menos de proteger su posición en el mercado y más de facilitar el éxito del cliente a lo largo de todo su recorrido con la IA. Los proveedores que captarán un valor desproporcionado son aquellos que ayudan a las organizaciones a orquestar eficazmente portafolios híbridos, proporcionando los marcos de coordinación, monitoreo y gobernanza que las empresas necesitan al implementar múltiples agentes y soluciones de IA simultáneamente.
7.3 Limitaciones y direcciones futuras
El panorama de la IA empresarial evoluciona a un ritmo que desafía los ciclos de investigación tradicionales. Durante el periodo de estudio, de junio a septiembre de 2025, los principales proveedores de plataformas lanzaron actualizaciones significativas de IA casi semanalmente, el capital riesgo financió agresivamente a startups de IA, las tendencias comerciales globales desfavorecieron a las grandes empresas, surgieron precedentes legales en tiempo real (como la demanda por el algoritmo de reclutamiento de Workday) y se formaron alianzas estratégicas entre empresas, que remodeló fundamentalmente los fundamentos técnicos disponibles para.
Esta actividad de mercado sin precedentes subraya tanto la relevancia como las limitaciones inherentes de cualquier análisis puntual, lo que sugiere que estos hallazgos representan un momento que requiere una reevaluación continua a medida que se consolidan los patrones y el mercado madura. La investigación se enfrentó a limitaciones adicionales: el acceso limitado a los empleados de primera línea y a los gerentes de negocio implicó que los patrones de adopción ascendente permanecieran poco explorados, mientras que la participación de los proveedores se vio limitada por preocupaciones competitivas y secretos comerciales que afectaron particularmente la comprensión de las hojas de ruta de productos y las arquitecturas técnicas.
Se vislumbran varias vías prometedoras para ampliar este trabajo: traducir los conocimientos cualitativos en marcos cuantitativos, como metodologías de puntuación y calculadoras de ROI basadas en el El marco de valor-costo-riesgo podría proporcionar a los responsables de la toma de decisiones herramientas de evaluación más concretas. Una investigación más profunda del ecosistema de socios -consultores, integradores de sistemas y proveedores de software independientes (ISV)- podría esclarecer cómo fluye el valor a través de los socios de implementación y facilitar la transición desde la prueba de concepto hasta el despliegue en producción.
La investigación sobre la gobernanza y la orquestación de múltiples sistemas de IA es fundamental, ya que las empresas despliegan numerosos agentes simultáneamente, lo que requiere marcos para establecer jerarquías entre recomendaciones contrapuestas y supervisar las interacciones para detectar conflictos o degradación. Finalmente, los estudios longitudinales que sigan a las organizaciones a lo largo de todo su recorrido con la IA, desde el piloto inicial hasta la ampliación, validarían y perfeccionarían estos marcos, a la vez que documentarían las transformaciones organizativas necesarias para un éxito sostenido.
7.4 Conclusión: De la desilusión a la iluminación
El panorama de la IA empresarial de 2025 refleja los primeros capítulos de revoluciones tecnológicas anteriores: así como el caos inicial de la era puntocom dio paso a la economía digital y los escépticos de la computación en la nube finalmente presenciaron la transformación completa del software empresarial, la actual desilusión con la IA representa una fase necesaria en una evolución mayor. La frustración generalizada y los proyectos piloto fallidos documentados a lo largo de esta investigación no deben ocultar una verdad fundamental: las organizaciones y los líderes poseen una capacidad extraordinaria para determinar el impacto final de la IA. A diferencia de las olas tecnológicas anteriores que requerían conocimientos técnicos especializados, la democratización de la IA otorga un poder sin precedentes a los líderes empresariales, los gerentes de primera línea y los colaboradores individuales para transformar el potencial en capacidad mediante el criterio humano, la creatividad y la experiencia en el sector.
Sin embargo, esta investigación revela que el éxito requiere más que sofisticación tecnológica: exige una evaluación honesta de la energía de activación organizacional y la preparación de datos, decisiones estratégicas entre la velocidad de implementación y la escalabilidad integrada, guiadas por el marco de valor-costo-riesgo, y el reconocimiento de que la fricción entre la inteligencia humana y la artificial es donde surge el verdadero valor.
Las empresas que se convertirán en líderes de IA no serán las que cuenten con los mayores presupuestos ni las infraestructuras tecnológicas más sofisticadas, sino aquellas que mejor adapten las decisiones arquitectónicas al contexto organizacional, construyan los cimientos necesarios al tiempo que capturan valor inmediato y superen la brecha entre la posibilidad tecnológica y el ingenio humano. La desilusión es real, pero también lo es la oportunidad de reimaginar fundamentalmente cómo las organizaciones crean valor, atienden a sus clientes y empoderan a su personal, siempre que los líderes apliquen los marcos y las perspectivas que ofrece esta investigación para gestionar la complejidad en lugar de sucumbir al caos.
La IA integrada reside en los sistemas centrales y se integra de forma nativa. Utiliza los datos, permisos, flujos de trabajo y la experiencia de usuario del sistema. Las soluciones integradas suelen beneficiarse de la alineación del modelo base, la plataforma de datos o la aplicación del mismo proveedor. Por ejemplo, Salesforce Agentforce está diseñado para funcionar con Salesforce Data Cloud y se conecta a los modelos base a través de una interfaz de capa de confianza.
La capa de aplicaciones también incluye la IA de desarrollo propio (DIY), que se refiere a equipos internos que crean sus propias aplicaciones de IA. Una superposición DIY podría ser un copiloto para toda la empresa que se conecta con Gmail, Jira, Salesforce o Notion.
Una solución integrada DIY podría incorporar IA en el sistema financiero o informático personalizado de la empresa, como los Sistemas de cadena de suministro. En ambos casos, los equipos que desarrollan soluciones internas siguen recurriendo a plataformas de modelado, datos y contexto, y modelos base. La diferencia radica en la experiencia del usuario y la profundidad de la integración, no en quién la desarrolló.
Si bien la IA de desarrollo interno quizá merezca su propio proyecto de investigación, algunos de los entrevistados reportaron un éxito limitado con este tipo de desarrollo, lo que coincide con los hallazgos de la analista de la industria Rebecca Wettemann. La investigación de Wettemann reveló que los esfuerzos de desarrollo interno solo alcanzaron un promedio de precisión del 52%, y muchos proyectos se estancaron en las fases piloto debido a problemas de rendimiento, falta de habilidades y desafíos de seguridad. Como señala en una entrevista con Salesforce: «Diga no al desarrollo interno... puede tejer un suéter con una oveja y un par de agujas de tejer. Eso no significa que deba hacerlo». El estudio de Wettemann reveló que las organizaciones a menudo subestiman la complejidad de crear mecanismos de protección y capas de seguridad para la IA, y algunas estiman que requiere entre 20 y 30 veces más esfuerzo que las soluciones de los proveedores.
Por debajo de la capa de aplicación, las plataformas de datos y contexto garantizan que la IA reciba la información correcta con las debidas restricciones. Herramientas como Snowflake, Salesforce Data Cloud y Databricks gestionan los datos empresariales, los permisos, la generación de datos aumentada (RAG) y las políticas.
Los entornos de modelado son la base de la IA empresarial. Plataformas como AWS Bedrock y Azure proporcionan acceso seguro y de nivel empresarial a múltiples modelos. Gestionan el enrutamiento, las cuotas, los filtros de seguridad y la latencia. Algunas empresas acceden a estas plataformas indirectamente a través de proveedores de aplicaciones de IA, mientras que otras las utilizan para desarrollar IA internamente (es decir, de forma autónoma).
La capa del modelo base es donde reside la inteligencia central (lenguaje, visión, razonamiento). Estos modelos provienen de empresas como OpenAI, Anthropic y Google. Pueden ser propietarios (API con licencia) o abiertos (descargables y autohospedados). En todos los casos, constituyen el motor cognitivo subyacente.
En nuestro análisis de arquitecturas superpuestas e integradas, nos centramos exclusivamente en la capa de aplicación, donde los usuarios finales obtienen valor a través de respuestas, automatización y soporte para la toma de decisiones. Excluimos el análisis de modelos base, entornos de modelado, plataformas de datos y contexto, y la subcategoría de IA de desarrollo propio. Nuestro enfoque se centra en las ventajas e inconvenientes del diseño entre la IA superpuesta y la IA integrada que se puede adquirir de proveedores de IA.
6.2 Hallazgos sobre la superposición y la compensación integrada
Con esta base, podemos abordar la pregunta crucial: ¿Cómo deben las organizaciones elegir entre soluciones de IA superpuestas e integradas? La respuesta parte de una revelación sorprendente de nuestra investigación: la preparación de los datos suele ser más importante que la sofisticación de la IA en sí misma. Unos datos limpios y bien gestionados permiten una IA exitosa, independientemente del proveedor, mientras que la mala calidad de los datos perjudica incluso a las plataformas más sofisticadas.
Esta realidad fundamental -que la arquitectura de datos a menudo determina qué enfoque de IA ofrece mayor valor-surgió como un patrón recurrente en nuestras entrevistas. Las organizaciones con una alta concentración de datos en sus plataformas principales tienden naturalmente a optar por soluciones integradas, mientras que aquellas con arquitecturas fragmentadas prefieren soluciones superpuestas que pueden integrarse en múltiples sistemas. Nuestra investigación reveló importantes diferencias entre estos dos enfoques, como se explica a continuación.
6.2.1 Superposición de IA: Velocidad y flexibilidad con mayor riesgo
Nuestra investigación reveló que, en algunos casos, la calidad y la accesibilidad de los datos empresariales pueden ser más importantes que las propias capacidades de la IA: unos datos limpios y bien gestionados permiten una IA exitosa independientemente del proveedor, mientras que una mala calidad de los datos perjudica incluso las soluciones de IA más sofisticadas. Las empresas con datos fragmentados en múltiples sistemas tienden naturalmente a optar por soluciones superpuestas que pueden acceder a diversas fuentes de datos sin necesidad de migración. Estas organizaciones necesitan una IA que funcione en su entorno distribuido, en lugar de forzar la consolidación de datos. Como señala un consultor de servicios profesionales: «Glean ha tenido un éxito rotundo... demostrando un retorno de la inversión inmediato a usuarios no técnicos» al integrarse con decenas de aplicaciones de entorno laboral, como Google Drive, Slack, Microsoft 365 y Salesforce, lo que permite la búsqueda multiplataforma mediante una interfaz de IA unificada. Esta adecuación arquitectónica explica por qué las soluciones superpuestas destacan a la hora de abordar las necesidades departamentales o funcionales sin requerir una transformación de toda la empresa: se adaptan a las organizaciones donde ya residen sus datos.
Rápida obtención de valor, mayor flexibilidad: La ventaja de velocidad resulta especialmente atractiva para las organizaciones con datos distribuidos, que de otro modo se enfrentarían a meses de trabajo de consolidación. «Más del 80% de nuestros clientes están operativos en los primeros 30 días», informa un vicepresidente de Éxito del Cliente de un proveedor líder de soluciones superpuestas. Este impacto inmediato proporciona el impulso que exigen los directores ejecutivos sin las complicaciones de la migración de datos que requerirían las soluciones integradas. La flexibilidad va más allá del simple acceso a los datos. Algunas grandes empresas tecnológicas restringen las opciones de implementación de sus productos de IA. Un cliente se quejó de Salesforce: «Solo se puede implementar Agentforce en la plataforma de Salesforce... es imposible lograr una verdadera interoperabilidad a menos que solo se utilice Agentforce». En respuesta, tres startups de IA destacaron que sus soluciones son «independientes de la plataforma y del modelo de negocio», lo que resulta muy atractivo para empresas con infraestructuras tecnológicas heterogéneas que buscan flexibilidad en la implementación.
Menor costo para pruebas piloto: Las soluciones de superposición permiten experimentar con un costo mínimo. «¿Preferiría probar una prueba piloto con [mi empresa] por $15,000 USD o con una plataforma empresarial por $500,000 USD?», pregunta el director ejecutivo de una plataforma líder de IA conversacional. Estos menores costos iniciales, junto con modelos de precios predecibles e implementaciones comprobadas, hacen que las soluciones de superposición sean atractivas para organizaciones con recursos limitados.
Perfil de riesgo más elevado: Las contrapartidas en materia de seguridad son considerables. Las arquitecturas superpuestas amplían drásticamente la superficie de ataque, y los nuevos estándares de interoperabilidad generan vulnerabilidades y crean escenarios donde una sola brecha de seguridad se propaga por todos los sistemas. Investigaciones recientes muestran que el 80% de los ataques de ransomware ahora utilizan IA, mientras que la inyección rápida tiene una tasa de éxito de hasta el 88%. Como advierte un ejecutivo de servicios financieros de una empresa Fortune 500: «Una vez que se pierde la confianza, no se recupera». Cada herramienta superpuesta crea un riesgo adicional de TI en la sombra, y solo el 30% de las empresas implementan controles de seguridad específicos para la IA a pesar de las tasas de adopción cada vez más altas.
Anexo 6.2.1 Ejemplos de soluciones de IA de superposición
- Glean: Búsqueda empresarial
- Fin By Intercom: IA de servicio al cliente
- Sierra AI: Compromiso con el cliente
- Harvey: Servicios legales con IA
- Myko: Actualizaciones de CRM habilitadas por voz
Estas soluciones tienen éxito al centrarse en casos de uso específicos con métricas de ROI claras y una mínima disrupción organizativa.
6.2.2 IA integrada: Seguridad y escalabilidad con mayor inversión
Nuestras conversaciones revelan que las organizaciones con ecosistemas de datos consolidados tienden naturalmente a utilizar las soluciones de IA de su plataforma existente. Cuando ya existe una gran cantidad de datos concentrados en una plataforma principal, la dinámica de la TI empresarial hace que la IA integrada resulte atractiva. Una startup señala que «el 90% de nuestros datos reside en Salesforce... sería una locura no usar Agentforce». Los costos de transferencia de datos, el cumplimiento normativo y la complejidad de la integración generan fuertes incentivos para mantener los datos en su lugar, lo que otorga a las grandes empresas tecnológicas con productos de IA integrada importantes ventajas competitivas.
Esta ventaja de la gravedad de los datos implica que, cuando los casos de uso se alinean con las capacidades de la plataforma, las soluciones integradas ofrecen un valor superior gracias a un contexto empresarial completo. «Si necesitas el análisis de sentimiento de los correos electrónicos en las Oportunidades, simplemente usa lo que Salesforce ya ofrece», aconseja un ejecutivo de consultoría en IA. La confianza existente en el proveedor, junto con los datos que ya residen en la plataforma, reduce significativamente la fricción en la adopción.
Mayor inversión inicial: Si bien la gravedad de los datos ofrece ventajas, la IA integrada aún exige un compromiso inicial sustancial, tanto financiero como organizativo. Incluso con datos consolidados, las organizaciones necesitan información limpia y bien gobernada, con una gestión adecuada de los datos maestros y marcos de seguridad implementados. Según un ejecutivo de servicios financieros de una empresa Fortune 500, las organizaciones necesitan «dieciocho meses de trabajo preparatorio para una implementación significativa, independientemente de dónde residan sus datos. Esta preparación abarca no solo la calidad de los datos, sino también la documentación de los procesos, las estructuras de gobernanza y la infraestructura técnica necesaria para respaldar las operaciones de IA a escala empresarial.
Las organizaciones deben elegir cuidadosamente cómo invertir esta energía de activación. Las soluciones llave en mano de bajo esfuerzo proporcionan resultados inmediatos, pero un potencial a largo plazo limitado. Las implementaciones integradas de alto esfuerzo requieren meses de preparación sin un progreso visible, pero ofrecen mayor escalabilidad y una ventaja competitiva. Como señala un cliente, los equipos de desarrollo internos «aún tienen dificultades con todas sus responsabilidades diarias», lo que convierte la asignación de recursos a proyectos complejos de IA en un compromiso organizacional significativo. Esta inversión en infraestructura de datos y transformación de procesos, por exigente que sea, permite en última instancia una integración más profunda de la IA y una creación de valor más sostenible.
Creación de valor a largo plazo: El verdadero valor de la IA integrada surge de un contexto empresarial integral. Estas soluciones evolucionan con las necesidades de la organización, ofreciendo lo que el CEO de un socio líder del ecosistema de Atlassian denomina valor estratégico a cinco años: «Piense en el futuro a cinco años, ¿en quién confía?». La capacidad de acceder a todos los datos de la organización sin integraciones complejas permite que la IA comprenda el negocio, el matiz, mejorando la precisión y la relevancia con el tiempo. Esta profundidad contextual impulsa la escalabilidad que Las soluciones de superposición tienen dificultades para coincidir.
Posición de seguridad superior: Las soluciones integradas operan dentro de perímetros de seguridad establecidos. "Si ya estás utilizando Salesforce... así tienen menos que examinar", señala el fundador de una empresa startup de seguridad. Esto elimina la proliferación de sistemas de autenticación y los desafíos de gestión de tokens de arquitecturas superpuestas. Sin embargo, persisten las preocupaciones sobre la dependencia de un solo proveedor, lo que inquieta a los CIO sobre el futuro. Implicaciones de la propiedad, particularmente para los procesos patentados y estratégicamente diferenciadores.
Anexo 6.2.2 Ejemplos de soluciones de IA integradas
- Salesforce | Agentforce | Agentes de IA integrados en CRM
- Microsoft 365 | Copilot | IA de productividad
- Google Workspace | Gemini | IA de colaboración
- ServiceNow | Now Assist | IA para la gestión de servicios empresariales
- Atlassian | Atlassian Intelligence y Rovo | Usabilidad e IA Agentic
Estas soluciones representan ofertas integradas maduras que amplían las capacidades de las plataformas existentes.
6.2.3 El enfoque híbrido: una tercera vía
Nuestra investigación revela que muchas organizaciones están adoptando una estrategia de cartera híbrida, que combina ambas En lugar de optar exclusivamente por un enfoque arquitectónico, se pueden utilizar soluciones superpuestas e integradas. El modelo híbrido representa una respuesta pragmática a las demandas contrapuestas de resultados inmediatos y transformación a largo plazo.
Comprender el modelo híbrido
El enfoque híbrido considera la adopción de la IA como un ejercicio de gestión de cartera donde diferentes soluciones cumplen diferentes funciones dentro de la organización. Los asesores de IA a nivel de junta directiva informan que los CIO cada vez más siguen esta estrategia, adquiriendo soluciones de superposición llave en mano para casos de uso específicos e invirtiendo en Plataformas integradas para procesos de negocio esenciales. Este enfoque de doble vía permite a las organizaciones obtener victorias rápidas mediante herramientas de superposición mientras construye metódicamente las bases para un desarrollo más profundo, Integración de IA integrada.
En la práctica, las organizaciones que implementan estrategias híbridas suelen comenzar con soluciones superpuestas que abordan problemas específicos y bien definidos. Estas herramientas sirven como campos de pruebas, ayudando a los equipos de TI y a Los líderes empresariales identifican qué capacidades de IA aportan un valor real antes de expandir la plataforma. compromisos. Simultáneamente, estas organizaciones invierten en el trabajo a largo plazo de los datos, como la Modernización, el rediseño de procesos y el desarrollo de capacidades necesarios para el éxito de la IA integrada. despliegue.
Dinámica de valor del enfoque híbrido
Desde la perspectiva del valor, el modelo híbrido busca optimizar en múltiples horizontes temporales. El despliegue inmediato de soluciones superpuestas proporciona un rápido retorno de la inversión, lo que satisface la presión de la dirección e impulsa el dinamismo organizacional. Estos logros iniciales ayudan a mantener el apoyo de las partes interesadas mientras se lleva a cabo la preparación de la plataforma, un proceso más lento. Los experimentos con soluciones superpuestas también generan información valiosa sobre qué casos de uso justifican una mayor inversión, lo que reduce el riesgo de futuras implementaciones integradas. Sin embargo, este enfoque puede generar complejidad, ya que las organizaciones deben gestionar múltiples proveedores de IA, lo que puede duplicar capacidades y crear desafíos de migración e integración.
Implicaciones de costos
El enfoque híbrido presenta una dinámica de costes interesante. Las organizaciones pueden aprovechar los precios, a menudo subvencionados por capital riesgo, de los proveedores de soluciones superpuestas, beneficiándose de sus agresivas estrategias de entrada en el mercado y su soporte especializado para la integración. Esto permite a los equipos de TI y a la alta dirección observar y medir los patrones de adopción y el impacto en el negocio sin la importante inversión inicial que requiere la configuración de plataformas empresariales y la formación del personal y los usuarios finales. El menor coste de las pruebas piloto de soluciones superpuestas reduce el riesgo de fracaso y, al mismo tiempo, amplía el margen de tiempo que las organizaciones necesitan para sentar las bases necesarias para la IA integrada.
Sin embargo, la ejecución de proyectos paralelos exige una cuidadosa asignación de recursos. Las organizaciones deben financiar tanto las implementaciones inmediatas de IA como el desarrollo de capacidades a largo plazo, incluyendo inversiones en personal, procesos y tecnología. El factor humano implica fomentar la alfabetización en IA en todos los niveles de la organización, identificar y empoderar a los líderes, e implementar programas integrales de gestión del cambio.
La transformación de procesos requiere mapear los flujos de trabajo existentes, identificar los puntos óptimos de integración de la IA y rediseñar las operaciones para una colaboración eficaz entre humanos e IA. En el ámbito tecnológico, las organizaciones deben modernizar la arquitectura de datos, implementar sistemas de gestión de datos maestros y establecer marcos de gobernanza sólidos.
Consideraciones sobre riesgos
El modelo híbrido introduce su propio perfil de riesgo. Si bien las soluciones superpuestas pueden ayudar a los usuarios finales a adoptar la IA con mayor rapidez -ya que el control reside más directamente en las líneas de negocio que estas soluciones respaldan-, también amplían la superficie de ataque a la seguridad. Cada herramienta superpuesta adicional representa otra vulnerabilidad potencial, lo que exige una evaluación de seguridad minuciosa y una supervisión continua. Las organizaciones deben sopesar las ventajas de agilidad que ofrece la adopción de la IA distribuida frente a los desafíos de gobernanza que implica gestionar múltiples sistemas de IA con diferentes modelos de seguridad, prácticas de manejo de datos y enfoques de cumplimiento.
El enfoque híbrido también conlleva riesgos estratégicos. Las organizaciones pueden verse obligadas a gestionar perpetuamente una compleja cartera de soluciones puntuales sin llegar a lograr la transformación profunda que promete la IA integrada. La comodidad de las adiciones incrementales puede sustituir el arduo trabajo de la transformación fundamental de procesos y datos. Además, a medida que las organizaciones crean vistas centralizadas de su cartera de IA, deben coordinar cuidadosamente los experimentos con soluciones superpuestas y las hojas de ruta de la plataforma integrada para evitar inversiones contradictorias o capacidades redundantes.
Evolución y madurez
Las organizaciones que adoptan estrategias híbridas suelen prever una evolución en la que los experimentos exitosos con soluciones de superposición informan y aceleran la adopción de plataformas integradas. A medida que los equipos de TI observan los patrones de adopción y miden el impacto en el negocio de su cartera de soluciones de superposición, desarrollan hojas de ruta para migrar las capacidades probadas a plataformas integradas que se pueden configurar y mantener dentro de los límites de la organización. Este proceso de migración se beneficia de la participación de los líderes y promotores de las distintas áreas de negocio en la planificación de la arquitectura, lo que garantiza que las inversiones en plataformas se alineen con las necesidades empresariales validadas, en lugar de con casos de uso teóricos.
Por lo tanto, el enfoque híbrido no representa un estado permanente, sino una estrategia de transición que reconoce tanto la urgencia de la adopción de la IA como la complejidad de la transformación empresarial. Su éxito depende de mantener la claridad estratégica sobre qué soluciones sirven a propósitos tácticos y cuáles a estratégicos, y de tener la disciplina para evolucionar el portafolio a medida que aumenta la madurez de la IA en la organización.
7. Debate
7.1 Resumen de la investigación y los hallazgos
A lo largo de esta investigación, surgieron patrones consistentes que explican tanto la desilusión generalizada con la IA empresarial como los factores que influyen en las decisiones de selección de tecnología. En concreto, descubrimos tres hallazgos interrelacionados que explican el estado actual de la adopción de la IA empresarial.
Primero, identificamos cuatro factores principales de la desilusión con la IA: la presión de la dirección, que genera implementaciones apresuradas que priorizan la visibilidad sobre el valor; la escasez de talento crítico en todos los niveles organizativos; una brecha significativa entre las promesas de los proveedores y las capacidades reales de la IA; y la tendencia de las empresas a tratar la IA como una simple compra tecnológica, en lugar de una capacidad organizativa que requiere una profunda transformación.
Segundo, descubrimos nueve factores de decisión críticos que las organizaciones sopesan al evaluar las inversiones en IA, organizados en consideraciones de valor (alineación con el caso de uso, tiempo de obtención de valor, rendimiento y retorno de la inversión), factores de coste (energía de activación, preparación de datos y coste total de propiedad) y elementos de riesgo (seguridad/gobernanza y opciones/flexibilidad). Estos factores conllevan complicaciones únicas para la IA que los modelos tradicionales de adquisición de TI no abordan.
En tercer lugar, los resultados indican que el mercado de IA empresarial se ha cristalizado en torno a dos enfoques arquitectónicos: soluciones de superposición que abarcan múltiples sistemas, proporcionando velocidad y flexibilidad, y soluciones integradas que se incorporan profundamente en las plataformas principales, ofreciendo seguridad y escalabilidad. Por lo tanto, el dilema principal reside en encontrar soluciones que ofrezcan tanto ventajas inmediatas como una amplia integración, manteniendo al mismo tiempo la escalabilidad y la seguridad.
Las organizaciones exitosas adoptan cada vez más una estrategia de cartera híbrida para gestionar este dilema. Utilizan herramientas de superposición para obtener resultados rápidos mientras sientan las bases para la transformación hacia la IA integrada a largo plazo.
Nuestro marco ayuda a explicar por qué algunas iniciativas de IA tienen éxito mientras que otras fracasan, y proporciona un enfoque estructurado para evaluar qué soluciones ofrecen un valor real en relación con sus costes y riesgos de implementación. En conjunto, estos hallazgos dibujan un panorama de una industria que se enfrenta a un potencial tecnológico sin precedentes, a la vez que lidia con los desafíos humanos del cambio organizativo, lo que sugiere que el éxito requiere no solo sofisticación tecnológica, sino una revisión fundamental de cómo las empresas abordan la adopción de la IA.
7.2. Conclusiones e implicaciones para la gestión
7.2.1 Consideraciones estratégicas para el liderazgo ejecutivo: Navegando la dinámica del mercado
La revolución de la IA no es un proyecto de TI que se pueda delegar, es una transformación radical de la empresa que exige un liderazgo visionario, impulsado por el CEO. Si bien la promesa de la IA es generacional, su camino está plagado de proyectos estancados e inversiones desperdiciadas, no por falta de tecnología, sino por la ausencia de una estrategia unificada y centralizada. Muchas iniciativas prometedoras de IA se estancan en la fase piloto, atrapadas por obstáculos regulatorios imprevistos, equipos legales reacios al riesgo y compartimentos estancos departamentales que el patrocinador del proyecto carece de autoridad para superar.
Para romper este ciclo se requiere más que el respaldo de la alta dirección; se requiere que el CEO actúe como máximo responsable y artífice de la transformación de la empresa hacia la IA. Solo el CEO tiene la autoridad transversal necesaria para alinear a toda la organización -desde TI y el departamento legal hasta ventas y operaciones- en torno a una visión única y coherente. Este liderazgo es fundamental para gestionar las complejas disyuntivas entre innovación y gobernanza, y para asignar los recursos necesarios para desarrollar una capacidad de IA sólida en lugar de simplemente adquirir una nueva tecnología. Las siguientes directrices están dirigidas al líder que comprende que aprovechar este momento exige no solo supervisar el cambio, sino liderarlo activamente desde el frente.
Trazando un camino híbrido
Dada la incertidumbre del mercado y la probable consolidación de proveedores, la investigación sugiere firmemente un enfoque de cartera híbrida para la adopción de IA. Si bien los mercados tecnológicos suelen seguir patrones predecibles -una proliferación inicial seguida de una compresión a medida que las mejores opciones de valor empresarial se consolidan-, las organizaciones no pueden predecir qué proveedores sobrevivirán ni qué startups de soluciones complementarias podrían convertirse en las plataformas integradas del futuro.
El enfoque híbrido tiene propósitos que van más allá de la simple diversificación de riesgos: permite adecuar la velocidad de adopción de la IA a la preparación de la organización, lo que posibilita que los equipos de atención al cliente implementen soluciones complementarias para obtener resultados inmediatos, mientras que los procesos empresariales centrales experimentan la transformación más profunda que la IA integrada proporcionará en el futuro. Esta estrategia dual permite obtener resultados rápidos que mantienen la confianza de la junta directiva, al tiempo que se construyen las bases técnicas y organizativas necesarias para el cambio sistémico, convirtiendo la volatilidad del mercado en una ventaja estratégica.
Fundamentos técnicos
Las organizaciones deben ser implacables con la honestidad sobre la preparación de sus datos: intentar implementar IA con sistemas fragmentados, una gobernanza deficiente y datos maestros inconsistentes está condenado al fracaso y genera escepticismo organizacional sobre el potencial de la IA. Para las organizaciones que carecen de la preparación técnica necesaria, esperar a construir bases sólidas representa una estrategia válida, ya que la presión ejecutiva en materia de IA ahora facilita la aprobación presupuestaria para proyectos de infraestructura previamente no financiados, como la gestión de datos maestros y la modernización de la arquitectura de integración.
Sin embargo, el mercado actual de IA crea oportunidades únicas para desarrollar simultáneamente: las organizaciones pueden implementar soluciones complementarias que generen resultados comerciales inmediatos, al tiempo que las utilizan como laboratorios de aprendizaje para comprender los requisitos de datos, los patrones de integración y los modelos de seguridad. Este enfoque dual maximiza el valor de la transición al capturar victorias rápidas e impulso organizacional a través de las soluciones complementarias, mientras que los equipos técnicos abordan metódicamente las deficiencias fundamentales necesarias para la eventual transformación de la IA integrada, convirtiendo el caos actual del mercado en una ventaja competitiva en lugar de exigir la perfección antes de avanzar.
Gestión del cambio organizacional
Los líderes ejecutivos deben reconocer que la dinámica organizacional determina qué enfoque arquitectónico de IA tendrá éxito en su contexto específico. Si su organización cuenta con un fuerte respaldo ejecutivo, pero históricamente ha tenido dificultades con la coordinación interdepartamental, es probable que las plataformas integradas -que requieren una extensa reestructuración de procesos y una alineación a nivel empresarial- se estanquen en la fase piloto, incluso con el mandato de la alta dirección. En este caso, priorice las soluciones superpuestas que aborden los problemas específicos de cada departamento y que ganen terreno mediante la adopción desde la base, permitiendo que los empleados de primera línea impulsen herramientas que resuelvan problemas inmediatos sin necesidad de una transformación a nivel empresarial.
La persistente desconexión entre las prioridades de TI (arquitectura, seguridad, escalabilidad) y las necesidades de las líneas de negocio (soluciones inmediatas a los problemas cotidianos) socava particularmente la adopción de la IA integrada. Si opta por soluciones integradas, cierre activamente esta brecha incorporando a líderes de negocio dentro de los equipos técnicos y a enlaces técnicos dentro de las unidades de negocio, creando ciclos de retroalimentación que garanticen que ambas perspectivas influyan en la implementación. Las organizaciones deben evaluar con honestidad su capacidad para la gestión coordinada del cambio -no solo su preparación técnica- al elegir entre la velocidad de las soluciones superpuestas y la escalabilidad de las integradas.
7.2.2 Orientación estratégica para los líderes de línea de negocio
La verdadera transformación de la IA no nace en la sala de juntas; se forja en la práctica, donde la fricción diaria de las operaciones se encuentra con la urgente demanda de resultados. Si bien la alta dirección proporciona la visión, es el líder de cada área de negocio quien debe traducir ese potencial en resultados tangibles. Es quien ve las oportunidades inmediatas, siente la presión de mejorar la experiencia del cliente y no puede permitirse el lujo de esperar a que planes estratégicos de TI plurianuales resuelvan los problemas actuales.
Esta impaciencia pragmática es una ventaja estratégica. Impulsa la adopción desde las bases de soluciones ágiles y de alto impacto que generan los éxitos rápidos necesarios para impulsar el crecimiento de la organización. Pero su función va más allá de simplemente promover una nueva herramienta. Son los artífices de un nuevo modelo operativo para su departamento, rediseñando flujos de trabajo y dotando a su equipo de capacidades antes inimaginables. Sin embargo, para convertir estos triunfos iniciales en una ventaja sostenible, es necesario pasar de la resolución táctica de problemas a la colaboración estratégica.
Impulsando la innovación de abajo hacia arriba
Los líderes de las distintas áreas de negocio tienden naturalmente a optar por soluciones de IA superpuestas, ya que abordan problemas específicos de cada departamento sin necesidad de coordinación a nivel empresarial. Esto permite una adopción ascendente, donde los empleados de primera línea pueden impulsar herramientas que resuelvan sus problemas inmediatos. Este enfoque evita eficazmente la desconexión común entre el enfoque de TI en la arquitectura y la seguridad a largo plazo y la necesidad de la unidad de negocio de contar con soluciones inmediatas, una dinámica que a menudo provoca el estancamiento de los proyectos de IA integrada. Al evaluar estas inversiones, deben aplicar el marco de valor-costo-riesgo directamente a su contexto. Prioricen una clara alineación con los casos de uso y un rápido retorno de la inversión, teniendo en cuenta que la velocidad de las soluciones superpuestas conlleva riesgos como el aumento de las amenazas a la seguridad y la proliferación de proveedores: preocupaciones legítimas para sus homólogos de
Construir puentes, no silos: Colaborar con TI
Si bien actuar con rapidez supone una ventaja, requiere una alianza estratégica con el departamento de TI en lugar de una simple elusión. La investigación documenta claramente los riesgos significativos de la "IA en la sombra", donde las empresas
Las unidades implementan soluciones sin una gobernanza adecuada, lo que provoca fugas de datos y problemas de cumplimiento que, en última instancia, perjudican los objetivos empresariales. Los líderes más exitosos forman "equipos de alto rendimiento" compuestos por usuarios finales para evaluar las soluciones, priorizar las necesidades según su impacto real en el negocio en lugar de basarse en demostraciones de proveedores, e involucrar al departamento de TI como coevaluadores desde el inicio del proceso. Este nivel de transparencia genera confianza, previene implementaciones clandestinas riesgosas y garantiza que los logros rápidos de su departamento contribuyan a la estrategia de IA integrada a largo plazo de la organización, en lugar de perjudicarla.
7.2.3 Orientación estratégica para proveedores de IA: Cómo afrontar la guerra de plataformas
El actual punto álgido de desilusión con la IA es una crisis de confianza que la propia comunidad de proveedores ayudó a crear. Durante demasiado tiempo, el mercado se ha caracterizado por una brecha entre promesas y realidades, donde las capacidades exageradas y los modelos de precios confusos han generado frustración en los clientes y estancamiento en los proyectos. Para salir de este ciclo, los proveedores deben transformar radicalmente su rol, pasando de ser meros proveedores de tecnología a socios estratégicos para el éxito de sus clientes. El futuro del mercado de IA empresarial no lo ganará la empresa con el algoritmo más avanzado, sino aquella que mejor genere confianza, ofrezca valor tangible y comprenda la realidad de un ecosistema híbrido y complejo. La siguiente guía es una hoja de ruta para desenvolverse en este nuevo panorama, donde el éxito del cliente es el único objetivo primordial.
Para proveedores de plataformas integradas: Aproveche la seguridad al tiempo que adopta la extensibilidad.
La investigación confirma que las soluciones integradas ofrecen ventajas reales gracias a su contexto empresarial integral y su funcionamiento dentro de perímetros de seguridad establecidos. Sin embargo, estos beneficios conllevan costes organizativos sustanciales que generan oportunidades para la competencia de soluciones superpuestas. Si bien las plataformas integradas pueden acceder a todos los datos de la organización sin integraciones complejas, los compradores informan sistemáticamente que una implementación exitosa requiere dieciocho meses de trabajo previo y una gestión del cambio coordinada entre varios departamentos, una energía de activación que muchas organizaciones tienen dificultades para movilizar. Mientras tanto, los proveedores de soluciones superpuestas evitan por completo esta fricción organizativa al abordar los problemas específicos de cada línea de negocio y facilitar la adopción desde la base a través de líderes de primera línea, en lugar de exigir una transformación a nivel empresarial.
La investigación también revela que la dependencia de un proveedor se encuentra entre los principales factores de riesgo para los compradores, y los CIO se preguntan explícitamente si comprometerse con la IA de un proveedor de plataforma significa quedar "atados para siempre". En lugar de luchar contra esta dinámica, los proveedores de soluciones integradas deberían adoptar la extensibilidad y la interoperabilidad, creando marcos que permitan la innovación de terceros sin dejar de lado sus propuestas de valor fundamentales. Los proveedores de sistemas embebidos también deben reconocer que los modelos tradicionales de licencias por puesto se enfrentan a una presión existencial, ya que los agentes de IA automatizan tareas que antes requerían licencias humanas, lo que obliga a replantear las estrategias de precios fundamentales. En general, los compradores están adoptando portafolios híbridos independientemente de sus preferencias de proveedor; la cuestión estratégica es si los proveedores de sistemas embebidos facilitarán esta realidad o se resistirán a ella hasta perder cuota de mercado frente a alternativas más flexibles.
Para proveedores de superposición: Gane con velocidad, escale con confianza.
Las soluciones de superposición captan cuota de mercado al ofrecer lo que la investigación identifica como el atributo más valorado por los compradores: un rápido retorno de la inversión. Los principales proveedores informan que más del 80% de sus clientes están operativos en 30 días. Esta ventaja de velocidad, combinada con la capacidad de abordar necesidades departamentales específicas sin requerir una transformación empresarial liderada por TI, explica por qué los líderes de las líneas de negocio y los empleados de primera línea se convierten en fervientes defensores de las soluciones de superposición, incluso cuando los departamentos de TI prefieren las plataformas integradas. Sin embargo, la investigación también revela que la seguridad y
Las preocupaciones sobre la gobernanza representan la vulnerabilidad crítica de los proveedores de software superpuesto: los compradores citan constantemente la mayor superficie de ataque, los riesgos de proliferación de IA en la sombra y nuevas vulnerabilidades como la inyección de código como principales obstáculos para una adopción más generalizada del software superpuesto. Además, los modelos de precios basados en el consumo generan inquietud entre los directores financieros por la imprevisibilidad de los costos, y los ejecutivos describen los costos del software superpuesto como una "caja negra" que hace que la elaboración de presupuestos sea prácticamente imposible. Los proveedores de software superpuesto deben abordar estas preocupaciones de forma proactiva mediante protocolos de seguridad transparentes, auditorías de terceros, certificaciones independientes y modelos de precios predecibles con controles de gasto. La seguridad no solo representa una necesidad defensiva, sino también la principal oportunidad ofensiva: los proveedores de software superpuesto que generan confianza en sus clientes respecto a sus capacidades de gobernanza neutralizan el principal argumento que los proveedores de sistemas embebidos utilizan en su contra.
Para todos los proveedores: Habiliten el futuro híbrido
La investigación documenta una clara evolución del mercado hacia carteras de IA híbridas, donde las organizaciones implementan soluciones superpuestas para obtener victorias inmediatas mientras construyen las bases para una transformación integrada, tratando la elección arquitectónica como un viaje de transición en lugar de una decisión binaria. Los compradores evalúan las inversiones mediante un marco de valor-costo-riesgo que pondera simultáneamente la alineación con el caso de uso, el tiempo de obtención de valor, la preparación de los datos, la postura de seguridad y la flexibilidad estratégica, donde diferentes factores predominan según el contexto organizacional, más que según el marketing del proveedor. Esta dinámica implica que la elección y la flexibilidad impulsan cada vez más la selección de proveedores, ya que las organizaciones reconocen que ningún enfoque arquitectónico único satisface todas las necesidades en las diferentes funciones empresariales y etapas de madurez.
El éxito de todos los proveedores, ya sean de soluciones superpuestas o integradas, depende menos de proteger su posición en el mercado y más de facilitar el éxito del cliente a lo largo de todo su recorrido con la IA. Los proveedores que captarán un valor desproporcionado son aquellos que ayudan a las organizaciones a orquestar eficazmente portafolios híbridos, proporcionando los marcos de coordinación, monitoreo y gobernanza que las empresas necesitan al implementar múltiples agentes y soluciones de IA simultáneamente.
7.3 Limitaciones y direcciones futuras
El panorama de la IA empresarial evoluciona a un ritmo que desafía los ciclos de investigación tradicionales. Durante el periodo de estudio, de junio a septiembre de 2025, los principales proveedores de plataformas lanzaron actualizaciones significativas de IA casi semanalmente, el capital riesgo financió agresivamente a startups de IA, las tendencias comerciales globales desfavorecieron a las grandes empresas, surgieron precedentes legales en tiempo real (como la demanda por el algoritmo de reclutamiento de Workday) y se formaron alianzas estratégicas entre empresas, que remodeló fundamentalmente los fundamentos técnicos disponibles para.
Esta actividad de mercado sin precedentes subraya tanto la relevancia como las limitaciones inherentes de cualquier análisis puntual, lo que sugiere que estos hallazgos representan un momento que requiere una reevaluación continua a medida que se consolidan los patrones y el mercado madura. La investigación se enfrentó a limitaciones adicionales: el acceso limitado a los empleados de primera línea y a los gerentes de negocio implicó que los patrones de adopción ascendente permanecieran poco explorados, mientras que la participación de los proveedores se vio limitada por preocupaciones competitivas y secretos comerciales que afectaron particularmente la comprensión de las hojas de ruta de productos y las arquitecturas técnicas.
Se vislumbran varias vías prometedoras para ampliar este trabajo: traducir los conocimientos cualitativos en marcos cuantitativos, como metodologías de puntuación y calculadoras de ROI basadas en el El marco de valor-costo-riesgo podría proporcionar a los responsables de la toma de decisiones herramientas de evaluación más concretas. Una investigación más profunda del ecosistema de socios -consultores, integradores de sistemas y proveedores de software independientes (ISV)- podría esclarecer cómo fluye el valor a través de los socios de implementación y facilitar la transición desde la prueba de concepto hasta el despliegue en producción.
La investigación sobre la gobernanza y la orquestación de múltiples sistemas de IA es fundamental, ya que las empresas despliegan numerosos agentes simultáneamente, lo que requiere marcos para establecer jerarquías entre recomendaciones contrapuestas y supervisar las interacciones para detectar conflictos o degradación. Finalmente, los estudios longitudinales que sigan a las organizaciones a lo largo de todo su recorrido con la IA, desde el piloto inicial hasta la ampliación, validarían y perfeccionarían estos marcos, a la vez que documentarían las transformaciones organizativas necesarias para un éxito sostenido.
7.4 Conclusión: De la desilusión a la iluminación
El panorama de la IA empresarial de 2025 refleja los primeros capítulos de revoluciones tecnológicas anteriores: así como el caos inicial de la era puntocom dio paso a la economía digital y los escépticos de la computación en la nube finalmente presenciaron la transformación completa del software empresarial, la actual desilusión con la IA representa una fase necesaria en una evolución mayor. La frustración generalizada y los proyectos piloto fallidos documentados a lo largo de esta investigación no deben ocultar una verdad fundamental: las organizaciones y los líderes poseen una capacidad extraordinaria para determinar el impacto final de la IA. A diferencia de las olas tecnológicas anteriores que requerían conocimientos técnicos especializados, la democratización de la IA otorga un poder sin precedentes a los líderes empresariales, los gerentes de primera línea y los colaboradores individuales para transformar el potencial en capacidad mediante el criterio humano, la creatividad y la experiencia en el sector.
Sin embargo, esta investigación revela que el éxito requiere más que sofisticación tecnológica: exige una evaluación honesta de la energía de activación organizacional y la preparación de datos, decisiones estratégicas entre la velocidad de implementación y la escalabilidad integrada, guiadas por el marco de valor-costo-riesgo, y el reconocimiento de que la fricción entre la inteligencia humana y la artificial es donde surge el verdadero valor.
Las empresas que se convertirán en líderes de IA no serán las que cuenten con los mayores presupuestos ni las infraestructuras tecnológicas más sofisticadas, sino aquellas que mejor adapten las decisiones arquitectónicas al contexto organizacional, construyan los cimientos necesarios al tiempo que capturan valor inmediato y superen la brecha entre la posibilidad tecnológica y el ingenio humano. La desilusión es real, pero también lo es la oportunidad de reimaginar fundamentalmente cómo las organizaciones crean valor, atienden a sus clientes y empoderan a su personal, siempre que los líderes apliquen los marcos y las perspectivas que ofrece esta investigación para gestionar la complejidad en lugar de sucumbir al caos.
Últimas publicaciones
Comunidad apasionada por los Procesos y la Tecnología. Dirigido a asesores, consultores, gestores y abogados.
www.innovaciondespachos.com
www.innovaciondespachos.com
Primeros pasos en la Academia del Club de Innovación