Solo el 5% de las ocasiones se produce un cambio real.
El impacto de la IA generativa en las empresas ha sido uno de los temas más debatidos en los últimos años, con promesas de transformar sectores enteros, crear nuevas oportunidades de negocio y, sobre todo, generar incertidumbre sobre el futuro profesional de millones de trabajadores.
Sin embargo, un reciente informe del MIT ha revelado una realidad menos optimista: la mayoría de los grandes experimentos con IA generativa desplegados en las empresas no logran los resultados esperados, a pesar de la ingente inversión en ellos. Dicho de otro modo: mucho ruido y pocas nueces.
El «fracaso» de la IA en las empresas. Las cifras son claras. Según el estudio ‘The GenAI Divide: State of AI in Business 2025’ elaborado por el MIT, solo el 5% de los proyectos piloto de IA generativa en grandes empresas alcanza un impacto positivo y medible en sus ingresos. El 95% restante no logra transformar de manera efectiva ninguna parte esencial de la organización ni obtener un retorno de la inversión, lo que pone en duda la euforia global por adoptar la IA de forma acelerada.
Es crucial subrayar que el informe considera «fracaso» la ausencia de retorno económico derivado de la transformación de la empresa. Esto no significa que el proyecto de IA no aporte incrementos de productividad o mejoras en los productos, como se puede inferir del término «fracaso» utilizado en el estudio, tal y como detallan en Futuriom.
ChatGPT no transforma, pero es de gran ayuda. Según el estudio, el escaso éxito transformador de los proyectos de IA en las empresas no se debe a la calidad de los modelos de IA en sí, sino más bien a lo que los investigadores llaman «brecha de aprendizaje», tanto para las herramientas como para las propias empresas.
Los autores destacan que el fracaso radica en una integración empresarial mal orientada. Los modelos de IA generalistas, como ChatGPT o Copilot, son eficaces para mejorar la productividad de los empleados a nivel personal. Sin embargo, no logran adaptarse a los flujos de trabajo especializados de las empresas y se estancan al intentar replicar procesos a mayor escala. Es decir, funcionan bien en las demos, pero fallan cuando enfrentan las variables de los procesos del día a día.
Según el informe, el 80% de las empresas consideraron utilizar un modelo generalista para una tarea específica. De estos, el 50% finalmente puso en marcha un proyecto piloto, y el 40% de ellos se implementó con éxito, lo cual es un porcentaje elevado. Sin embargo, su efecto no es transformador, ya que actúan como herramientas de apoyo a los empleados y no generan un retorno directo medible (es un retorno indirecto en productividad).
La clave son los agentes de IA especializados. En cambio, los agentes de IA mucho más sencillos y especializados en realizar una sola tarea sí logran transformar el área donde se aplican, pues implican automatización y eliminan la necesidad de supervisión humana. Así lo explicaba a Fortune Aditya Challapally, principal autor del informe: «algunas grandes compañías y startups han visto crecer sus ingresos de cero a 20 millones de dólares en un año porque eligen bien el problema a resolver, ejecutan de manera precisa y colaboran con socios que realmente utilizan sus herramientas».
Según el informe, un 60% de las empresas encuestadas investigaron la posibilidad de implementar este modelo. De esos, solo el 20% lo puso a prueba en un proyecto piloto. Solo el 5% terminó por implementarse y automatizar completamente esa tarea, lo que el estudio considera «éxito».
La IA pisa el acelerador, no cambia de coche. El análisis revela que más de la mitad del presupuesto destinado a IA generativa en empresas se invierte en proyectos para ventas y marketing, donde no se está recuperando de forma medible la inversión realizada (lo cual no implica que sean un fracaso).
Los autores destacan que el verdadero retorno de inversión proviene de la automatización de procesos internos y de back-office. En esos casos, la inversión en IA comienza a recuperarse de inmediato, ya que con la automatización del proceso se anulan todos los gastos operativos y se obtiene todo retorno. Dicho de otro modo, lo que han descubierto los investigadores es que apostar por herramientas de apoyo es como pisar el acelerador de un coche para ir más rápido, mientras que automatizar las tareas con agentes de IA es como cambiar el coche completo. La consultora Gartner, es menos optimista y estima que en unos años el 40% de esos «coches» se estrellará.
El informe también señala la diferencia entre las soluciones creadas a medida por las empresas y las herramientas adquiridas a proveedores especializados. Solo el 33% de los sistemas internos logran algún éxito, mientras que las soluciones externas alcanzan tasas positivas en torno al 67% de los casos.
La «shadow AI» y el impacto en el trabajo. Los investigadores detectaron lo que denominaron «shadow AI» o uso no oficial de herramientas como ChatGPT por parte de empleados. Esto evidencia tanto el interés por utilizar la IA para reducir la carga de trabajo como la falta de una estrategia corporativa clara para la IA. Por ese motivo, la medición del impacto real de la IA en productividad y los beneficios que aporta sigue siendo una asignatura pendiente para las empresas que desean justificar su inversión.
Por último, destacan que, dadas las bajas cifras de éxito en la implementación de la IA como medio de automatización y su uso como asistente, la disrupción en el empleo ya es visible en áreas como atención al cliente y tareas administrativas. No obstante, gracias a este papel como «ayudante» y no como «ejecutante», en vez de enfrentarnos a millones de despidos, la tendencia en las empresas que han integrado IA es no cubrir los puestos que quedan vacantes, concentrándose especialmente en trabajos que antes se externalizaban por considerarse de bajo valor añadido.
