La brecha de implementación: por qué los pilotos de IA no se traducen en impacto económico

Introducción: la tecnología está disponible, el efecto no

En los últimos tres años, la inteligencia artificial ha pasado de ser objeto de declaraciones estratégicas a convertirse en elemento de la práctica corporativa cotidiana. El acceso a los modelos dejó de ser una barrera: se compra por suscripción, se despliega dentro del perímetro de la empresa, se integra en los sistemas de oficina y producción. Pero justo en este momento se hizo evidente una paradoja que hoy define la agenda: la tecnología se volvió masiva, pero el efecto económico medible no.

La formulación más resonante de esto la ofreció el informe de la iniciativa NANDA del Instituto Tecnológico de Massachusetts "The GenAI Divide: State of AI in Business 2025". Los autores estudiaron más de 300 iniciativas corporativas divulgadas públicamente, realizaron entrevistas estructuradas con directivos y encuestas a empleados, y llegaron a la conclusión de que aproximadamente el 95% de los proyectos piloto de IA generativa no generan un efecto medible sobre el resultado financiero, quedándose en el estatus de proof of concept o herramienta local de un solo equipo. El éxito se concentra en un grupo reducido: alrededor del 5% de las implementaciones llegan a la explotación industrial y aportan a la empresa un resultado tangible.

Estas cifras es importante leerlas correctamente. No significan que la IA no funcione. Significan otra cosa: la brecha no pasa entre modelos "inteligentes" y "no inteligentes", sino entre organizaciones que reestructuraron el proceso y organizaciones que integraron el modelo en un proceso sin modificar. Las primeras obtienen efecto, las segundas, un informe sobre el piloto.

Anatomía de la brecha: cinco puntos típicos de ruptura

El primer punto: datos no preparados para la explotación. El piloto se lanza sobre una extracción preparada manualmente para la demostración. La explotación industrial requiere un flujo de datos regular, versionado, de calidad y con un propietario identificable. Entre estos dos estados se encuentra un trabajo de ingeniería que rara vez se incluye en el presupuesto del piloto, porque no parece "inteligencia artificial".

El segundo punto: ausencia de métrica del efecto. Una enorme parte de los proyectos se mide en términos de "los empleados están satisfechos" y "se volvió más rápido". Pero el ahorro de minutos no se convierte automáticamente en beneficio. Si el tiempo liberado no se redistribuye —hacia volumen adicional, hacia reducción de compras externas, hacia un nuevo producto— la empresa está financiando comodidad, no productividad. El efecto debe estar vinculado de antemano a una línea en el P&L: costo de la operación, costo de procesamiento de solicitudes, porcentaje de defectos, duración del ciclo, volumen de horas extras.

El tercer punto: el proceso que permaneció igual. Un modelo integrado en un reglamento antiguo hereda sus limitaciones. Si después de la generación del documento se mantiene el mismo control visual de cuatro etapas, la duración del ciclo no cambiará. El efecto real surge allí donde, tras el algoritmo, cambian el reglamento, los puntos de control y la distribución de responsabilidades.

El cuarto punto: la responsabilidad por el error. Una vez que la solución sale del entorno de pruebas, surge la pregunta: ¿quién responde por una recomendación incorrecta? ¿El ejecutor, el responsable del proceso, el proveedor del modelo? Mientras la respuesta no esté fijada en el reglamento, el directivo intermedio racionalmente preferirá mantener el sistema en estado auxiliar. Así es como el piloto sobrevive durante años.

El quinto punto es el error en la elección entre comprar o desarrollar internamente. El informe de MIT constata la diferencia entre las soluciones adquiridas a proveedores especializados y las desarrolladas internamente en la empresa. Ninguno de los modelos es universal: el desarrollo propio se justifica cuando el proceso constituye una fuente de ventaja competitiva; la compra, cuando el proceso es estándar. Un error en esta elección cuesta más caro que la selección de un modelo de lenguaje específico.

El contexto ruso: muchos pilotos, pocas estrategias

El panorama ruso reproduce la brecha global con su propia especificidad. Por un lado, el interés de las grandes empresas es alto: la IA está presente en la agenda de prácticamente todas las grandes compañías. Por otro, el marco de gestión va muy por detrás de la actividad inversora. Según datos de la investigación de MTS Web Services, solo alrededor de un cuarto de las empresas que ya destinan partidas presupuestarias correspondientes cuenta con una estrategia formalizada de implementación de IA. En otras palabras, el dinero se asigna antes de que se determine qué resultado de gestión concreto se está comprando con él.

El segundo factor es la heterogeneidad estructural. Los datos del ISSEK de la HSE muestran que la proporción de organizaciones que utilizan tecnologías de IA es de aproximadamente el 4,8% en promedio en la economía, mientras que entre las empresas con más de 500 empleados alcanza casi el 15%. La brecha entre las grandes empresas y el resto de la economía significa que la IA funciona por ahora como amplificador de los jugadores ya fuertes, y no como factor de crecimiento general de la productividad.

El tercer factor es infraestructural. El coste y la disponibilidad de capacidad computacional siguen siendo una limitación tangible: la demanda de aceleradores supera constantemente a la oferta, lo que encarece la explotación de modelos propios y hace que los escenarios en la nube dependan críticamente de las políticas de los proveedores.

El cuarto factor es el de personal, y es el más subestimado. El déficit no afecta tanto a los desarrolladores (las estimaciones de la escasez de especialistas TI en el país se miden en cientos de miles de personas) como a los especialistas de la capa intermedia: ingenieros de datos, responsables de procesos, analistas capaces de traducir una tarea de gestión en un planteamiento correcto para el modelo y luego interpretar su resultado. Es precisamente esta capa la que determina si el piloto llegará a la fase de explotación.

Por qué es una cuestión macroeconómica y no una moda corporativa

Para la economía rusa, el tema de la productividad ha dejado de ser académico. La contracción demográfica de la fuerza laboral, el déficit persistente de personal y el crecimiento de los salarios por encima de la productividad forman una tijera que es imposible cerrar con contrataciones. El aumento tecnológico de la productividad deja de ser una opción para convertirse en condición para preservar la rentabilidad de sectores enteros.

Precisamente por eso, la brecha de implementación no es un problema interno de los departamentos de TI. Si la inmensa mayoría de las iniciativas se detiene en la fase experimental, el efecto nacional de las inversiones en IA resultará sustancialmente inferior a las estimaciones proyectadas, que para Rusia se miden en decenas de billones de rublos en el horizonte de 2035. La proyección es el límite superior de lo posible, no el resultado automático de la compra de tecnologías.

También es revelador cómo divergen los cálculos sobre la economía mundial: las estimaciones del incremento de productividad derivado de la IA generativa en los principales centros analíticos difieren en múltiplos, desde décimas de punto porcentual al año hasta un punto y medio porcentual en un horizonte de diez años. Tal dispersión es en sí misma un indicador: el efecto no depende de la tecnología, sino de la calidad de su implementación.

Qué distingue al 5%: el contorno de la transición del piloto a la operación

La práctica de implementaciones exitosas permite describir un conjunto bastante estable de condiciones.

Selección del proceso según el costo del error y la frecuencia de repetición. El máximo efecto lo producen las operaciones masivas, reglamentadas y costosas en su mantenimiento: procesamiento de solicitudes, control primario de documentos, detección de defectos, planificación de rutas e inventarios. Los proyectos de escaparate generan un efecto notable en la presentación y débil en el estado de resultados.

Métrica y línea base anunciadas con anticipación. Antes del lanzamiento se fija el valor actual del indicador, el valor objetivo y el plazo en el cual el proyecto se considera no exitoso. La ausencia de un criterio de fracaso es la principal señal de que el proyecto no estaba planificado para escalarse.

Responsable del proceso, no responsable de la tecnología. El responsable del resultado debe ser el director de la función de negocio para quien el indicador constituye un KPI operativo. Un proyecto cuyo único patrocinador es el director de TI rara vez sobrevive la etapa de demostración.

Rediseño del reglamento simultáneamente con la implementación. Si el algoritmo cierra una etapa, esa etapa debe desaparecer del procedimiento, y no duplicarse con un control "por si acaso".

Verificación institucionalizada del resultado. El control humano se mantiene, pero se vuelve selectivo, formalizado y medible —con registro de la proporción de errores y retroalimentación al modelo. Esto es simultáneamente una cuestión de eficiencia y una cuestión de confianza de los empleados en el sistema.

Una conversación transparente sobre el empleo. Una implementación percibida como un programa encubierto de recortes genera resistencia pasiva y deterioro en la calidad de los datos de entrada. Un marco laboral claro —reciclaje profesional, redistribución de tareas, modificación de normativas— constituye una exigencia tecnológica, no solo ética.

Conclusión: cambiar la métrica del éxito

La principal conclusión de las estadísticas globales de fracasos no es que el mercado de IA esté sobrevalorado, sino que se está midiendo incorrectamente. El número de pilotos, la cantidad de servicios conectados y el volumen de inversiones describen actividad, pero no resultados. Económicamente, solo importa una métrica: la proporción de soluciones llevadas a explotación industrial y el efecto confirmado en términos monetarios.

Para las empresas, esto implica pasar de la lógica del experimento a la lógica del modelo operativo: menos pilotos, reestructuración más profunda de procesos, criterios más rigurosos. Para las políticas públicas, desplazar el foco del apoyo desde proyectos demostrativos hacia la infraestructura de implementación: calidad y accesibilidad de datos, capacidad computacional, soluciones sectoriales estandarizadas para medianas empresas, formación de especialistas de nivel intermedio.

La inteligencia artificial es efectivamente capaz de convertirse en un factor de nueva calidad para el crecimiento económico. Pero no es un acelerador por sí misma ni un sustituto del trabajo directivo. Simplemente revela con extrema precisión la madurez de una organización: donde los procesos están documentados, los datos ordenados y las responsabilidades distribuidas, el efecto surge rápidamente. Donde esto no existe, la IA automatiza concienzudamente el desorden —y la brecha de implementación se reproduce nuevamente.