Por qué falla el 95% de los proyectos de IA empresarial y qué hace distinto al 5% restante

Una investigación del MIT publicada en 2025 como State of AI in Business, construida sobre 300 implementaciones públicas, 52 entrevistas a ejecutivos y 153 respuestas de encuesta, encontró que el 95% de las organizaciones no registra retorno medible sobre su P&L, pese a una inversión empresarial estimada entre 30 y 40 mil millones de dólares en IA generativa. En paralelo, la inversión corporativa global en IA alcanzó los 581,7 mil millones de dólares durante 2025, con un crecimiento interanual del 130%, según el AI Index 2026 de Stanford.

Para el 5% que llega a producción, la variable decisiva es el enfoque, es decir, cómo se define el problema, cómo se ordenan los datos y cómo se diseña el camino a producción antes de contratar el primer servicio en la nube. Los modelos fundacionales disponibles en Amazon Web Services (AWS) alcanzan de sobra para la mayoría de los casos de uso empresariales, y la capacidad de cómputo en la nube dejó de ser un límite hace varios ciclos. Van los cinco puntos donde se juega la diferencia.

Según el informe del MIT, el 80% de las organizaciones exploró herramientas genéricas de IA generativa y cerca del 40% llegó a desplegarlas, con impacto concentrado en la productividad individual de quienes las usan. Un asistente que ahorra veinte minutos por persona mueve el P&L solo si alguien definió qué se hace con ese tiempo. Los adoptantes que arrancan de un caso de uso acotado reportan en promedio un 15,8% de aumento de ingresos y un 22,6% de mejora de productividad, según una encuesta de Gartner a 822 líderes de negocio. Lo que cambia el resultado es que alguien del lado del negocio sea dueño de la métrica.

La métrica antes del código

El 97% de las organizaciones tiene dificultades para demostrar el valor de negocio de sus iniciativas de IA generativa, según un estudio de Informatica de 2025. Una encuesta de Economist Impact agrega un dato revelador, el 37% de los ejecutivos cree que sus aplicaciones están listas para producción y la cifra baja al 29% entre quienes efectivamente las construyen. El propio MIT define éxito como impacto sostenido sobre productividad o resultado financiero, un estándar que obliga a acordar la métrica antes de escribir la primera línea de código.

El 89% de las organizaciones rediseñó su estrategia de datos a raíz de la IA generativa y solo el 26% desplegó soluciones a escala, según un relevamiento de IDC. El patrón habitual es un pilot que funciona sobre un dataset curado a mano y colapsa al conectarse a los sistemas reales, donde conviven duplicados, esquemas incompatibles y linaje inexistente. Las organizaciones con infraestructura y gobernanza de datos maduras alcanzan un 24,1% de mejora en ingresos y un 25,4% de ahorro de costos frente a sus pares. Por eso la capa de datos en la nube se ordena antes que la capa de modelo.

El informe de F5 sobre estrategia de aplicaciones de IA ubica al 77% de las empresas en un nivel intermedio de preparación, con déficits marcados en gobernanza y en consistencia de seguridad entre nubes. Cuando las preguntas sobre trazabilidad de accesos, cifrado y retención aparecen a semanas de la salida a producción, la respuesta habitual es un rediseño costoso. Entre las organizaciones más maduras, el 62% aumentó su presupuesto de seguridad para iniciativas de IA durante el último año, contra el 16% de las menos maduras, según IDC.

El embudo que describe el MIT ordena la escala del problema, el 60% de las organizaciones evalúa sistemas empresariales de IA, el 20% llega a la etapa de pilot y el 5% alcanza producción. Gartner proyectó que al menos el 30% de los proyectos de IA generativa serían abandonados después de la prueba de concepto, por calidad de datos insuficiente, controles de riesgo inadecuados, costos crecientes o valor de negocio poco claro. Diseñar para producción desde el primer día implica resolver observabilidad, control de costos, versionado de modelos y recuperación ante fallas mientras el pilot todavía corre.

Sobre AWS, una arquitectura de IA que llega a producción se apoya en una capa de datos consolidada con Amazon S3 y AWS Lake Formation, en modelos fundacionales gestionados a través de Amazon Bedrock cuando hay poca razón para entrenar desde cero, y en Amazon SageMaker cuando el caso de uso exige desarrollo y despliegue propios. La gobernanza se implementa desde el inicio con AWS Identity and Access Management y AWS Key Management Service. El AWS Well-Architected Framework, con su Machine Learning Lens, ofrece un marco de revisión concreto para detectar brechas antes de que se conviertan en deuda técnica.

Cómo lo trabajamos en Teracloud

Como AWS Advanced Tier Services Partner con AWS Migration Competency, en Teracloud trabajamos estos proyectos en tres tiempos y en ese orden. Empezamos por un diagnóstico del estado real de la infraestructura y de la capa de datos, que devuelve un mapa de qué fuentes existen, en qué condiciones están y cuánto trabajo de normalización hay por delante antes de que un modelo pueda apoyarse en ellas. Después ejecutamos una revisión bajo Well-Architected con foco en seguridad, costos y confiabilidad, apoyada en el modelo de responsabilidad compartida de AWS para dejar explícito qué controla el proveedor de servicios en la nube y qué queda del lado del cliente. Recién entonces diseñamos el camino de pilot a producción, con métricas de negocio acordadas, criterios de salida definidos y un presupuesto de costos que se sostiene cuando el volumen crece.

Ese orden sale de la práctica. En el proyecto que hicimos con Colven, fabricante argentino de dispositivos de monitoreo de flota, la telemetría cruda de su plataforma GESTYA se consolidó primero en un Data Lakehouse sobre Amazon S3, con una ingesta diaria de más de 20 millones de filas, y solo después se integró el agente de IA generativa que hoy responde preguntas sobre esos datos en lenguaje coloquial, con seguridad a nivel de fila para que cada cliente de Colven vea únicamente su operación. El agente funciona porque la capa de abajo estaba resuelta.

Para sostener ese estándar en producción sumamos capacidades específicas. Como partners de Datadog llevamos monitoreo y alertas gestionadas, más detección de amenazas integrada a la operación diaria, a las arquitecturas que diseñamos y operamos. Nuestra incorporación al Claude Partner Network de Anthropic apunta al otro extremo del problema, trabajar con modelos de última generación a través de Amazon Bedrock manteniendo los datos dentro de la cuenta del cliente, que es la condición que suele desbloquear proyectos en sectores regulados como Fintech y Utilities.

Un matiz que aparece seguido en nuestra práctica, buena parte de los proyectos que nos llegan son movimientos entre nubes, de GCP o de Azure hacia AWS, donde ya hay arquitectura, decisiones tomadas y deuda acumulada. Ese contexto heredado suele pesar más que la elección del modelo. Con equipos en Argentina, Chile y el resto de Latinoamérica, y proyectos en Oil & Gas, Utilities, Financial Services y startups, el diagnóstico arranca casi siempre por ahí.

A medida que el debate se corre desde la capacidad del modelo hacia la calidad de la arquitectura cloud, la ventaja competitiva va a quedar del lado de quienes hicieron el trabajo poco vistoso de ordenar la base.

Si tu organización está evaluando un proyecto de IA en AWS, o necesita revisar por qué un pilot no logra escalar, podés conocer más sobre nuestro enfoque aquí.

Marcos Loguercio

Marketing Analyst