--- title: Lo que de verdad pasa cuando intentas escalar la IA más allá del piloto description: La mayoría de las empresas se queda atrapada entre 'probamos ChatGPT' y 'la IA es parte de cómo trabajamos'. Así es el desorden del medio y por qué tantas no lo superan. date: February 5, 2026 author: Robert Soares category: ai-strategy --- Alguien de tu equipo construyó algo con IA. Quizá una demo, quizá una prueba de concepto, quizá solo un correo realmente impresionante que emocionó al equipo directivo. Ahora todo el mundo quiere saber: ¿Podemos hacer esto en toda la organización? La respuesta corta es: quizá. La respuesta larga implica un paisaje sembrado de pilotos abandonados, presupuestos quemados e "iniciativas de IA" que se reintegraron silenciosamente a las operaciones normales sin fanfarria. [La investigación del MIT de 2025](https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/) encontró que el 95% de los pilotos de IA generativa en empresas no logra generar retornos financieros medibles. No es que "rindan por debajo de lo esperado". No entregan nada medible, punto. Esa estadística merece que te quedes con ella un momento porque explica la energía nerviosa alrededor de la adopción de IA en las organizaciones ahora mismo. Todo el mundo está haciendo pilotos. Casi nadie está en producción. ## El espacio entre la demo y lo normal Hay una zona específica donde las iniciativas de IA van a morir. Pasa después de la fase emocionante del piloto, cuando un equipo pequeño demuestra que algo funciona, pero antes de que la herramienta quede integrada en cómo la gente hace su trabajo de verdad. Ese espacio ya tiene nombre en los círculos de consultoría: el purgatorio del piloto. El piloto funciona. De hecho, funciona de maravilla. Alguien del equipo de marketing escribe tres meses de publicaciones para redes en una tarde. El equipo de ventas genera mensajes de contacto personalizados que, sorprendentemente, suenan personalizados. Legal reduce a la mitad el tiempo de revisión de contratos. Y entonces aparece la realidad. La persona que impulsaba el piloto la asignan a otro proyecto. La herramienta necesita una revisión de seguridad antes de poder tocar datos de clientes. TI no tiene presupuesto para integrarla con los sistemas existentes. Quienes no participaron en el piloto no saben usarla y no tienen tiempo para aprender. Los mandos intermedios desconfían porque el éxito podría significar que su equipo se achica. Seis meses después, alguien pregunta qué pasó con aquella cosa de IA y nadie tiene una buena respuesta. ## Por qué importa el salto Esto es lo que cambia cuando pasas de piloto a producción: todo. Un piloto involucra a un puñado de personas motivadas que se ofrecieron para probar algo nuevo. Escalar significa incorporar a todos los demás, incluidos quienes no levantaron la mano, quienes desconfían, quienes están hasta arriba de trabajo y quienes están, en silencio, aterrados. Los pilotos operan fuera de los procesos normales. Producción significa integrarse con ese sistema enredado de aprobaciones, traspasos y flujos de trabajo que tu organización acumuló durante décadas. Los pilotos toleran imperfecciones porque son experimentos. Producción exige confiabilidad porque el trabajo real de la gente depende de ello. El cambio de mentalidad es drástico. Un comentarista en Hacker News lo dijo sin rodeos: "Almost all of the Enterprise/Corporate AI offerings are a significant step in cost that needs to bear actual fruit in order to be worthwhile, not to mention the compliance and security requirements most places have in order to get these things approved." Ese proceso de aprobación es donde el entusiasmo choca con la burocracia, y la burocracia suele ganar por desgaste. ## La paradoja del presupuesto Las organizaciones suelen poner su dinero de IA en los lugares equivocados. [El estudio del MIT](https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/) encontró que más de la mitad de los presupuestos de IA generativa se van a herramientas de ventas y marketing, pero el mayor retorno de inversión aparece en la automatización de operaciones internas. Todos quieren las aplicaciones llamativas de cara al cliente. Lo aburrido de la operación es donde vive el valor real. Este desajuste crea un ciclo predecible. Financías el caso de uso emocionante. Resulta ser más difícil de lo esperado porque la IA de cara al cliente necesita ser perfecta y los clientes son impredecibles. Mientras tanto, el equipo de contabilidad sigue conciliando facturas a mano porque nadie asignó presupuesto a ese flujo de trabajo. Johnson & Johnson ejecutó 900 proyectos de IA generativa a lo largo de tres años después de animar a su personal a experimentar con libertad. Descubrieron que [solo el 10-15% de esos casos de uso entregó el 80% del valor](https://www.deeplearning.ai/the-batch/johnson-johnson-reveals-its-revised-ai-strategy/). La empresa ahora está concentrando recursos en proyectos de alto impacto y recortando el resto. Tres años y 900 experimentos para aprender qué apuestas realmente pagan. La mayoría de las empresas no va a hacer 900 experimentos. Harán cinco o diez, elegirán según lo que suene más emocionante en lugar de lo más valioso y se preguntarán por qué los resultados decepcionan. ## La IA en la sombra ya está pasando Mientras tu iniciativa oficial de IA avanza lentamente entre compras y revisión de seguridad, tu gente ya está usando IA. Solo que lo está haciendo de maneras que no puedes ver ni controlar. Los datos son llamativos. [La investigación de Cyberhaven](https://www.cyberhaven.com/blog/shadow-ai-how-employees-are-leading-the-charge-in-ai-adoption-and-putting-company-data-at-risk) encontró que el 73,8% de las cuentas de ChatGPT usadas en el trabajo son cuentas personales sin controles de seguridad empresariales. En el caso de Gemini de Google, es 94,4%. Para Bard, 95,9%. Tu gente no te está esperando. Están pegando datos de clientes en herramientas de IA de consumo para terminar antes. Usan cuentas personales porque la empresa no ha ofrecido alternativas aprobadas. El 27,4% de los datos corporativos que el personal envía a herramientas de IA ya está clasificado como sensible, frente al 10,7% de hace un año. Esto crea una situación extraña: el esfuerzo formal por escalar IA avanza despacio por la revisión de cumplimiento, mientras el uso no controlado crece rápido en la sombra. Para cuando llega tu despliegue oficial, los hábitos ya se formaron alrededor de herramientas no aprobadas. No estás introduciendo IA; estás pidiéndole a la gente que cambie a otra versión. Las organizaciones inteligentes encuentran a estas personas usuarias en la sombra y aprenden de ellas en lugar de castigarlas. ¿Qué problemas están resolviendo? ¿Qué te dice eso sobre dónde la IA realmente ayuda? ## La matemática humana Escalar la IA significa pasar de quienes adoptan temprano con entusiasmo a una mayoría escéptica. Es un desafío distinto. [La investigación de BCG](https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain) encontró que más de tres cuartas partes de líderes y mandos dicen que usan IA generativa varias veces por semana, pero el uso regular entre el personal de primera línea se ha estancado en 51%. El problema no es el acceso. La mayoría de las organizaciones ya entregó herramientas. El problema es la adopción. La gente que más se atasca con la adopción de IA no es quien imaginas. Empleados sénior con mucha experiencia a veces se resisten porque la IA amenaza el valor del conocimiento que tardaron décadas en construir. La persona analista que siempre sabía dónde encontrar los datos ahora ve a un colega más joven obtener respuestas similares con un prompt. Eso descoloca de formas que van mucho más allá de la productividad. Otra resistencia es más simple. La gente está ocupada. Aprender una herramienta nueva requiere tiempo. El beneficio no es obvio. Las consecuencias de equivocarse se sienten altas. Esperar a ver si esta sí se queda suena razonable cuando las últimas tres iniciativas tecnológicas aparecieron y se fueron. Un patrón que funciona es la red interna de promotores. Novartis, Adobe y HSBC han establecido programas en los que empleados voluntarios prueban herramientas nuevas, comparten casos de uso y acompañan a sus pares. El promotor no es TI ni la dirección diciéndole a la gente qué hacer. Es un colega mostrándoles cómo lo usa en su propio trabajo. Esa influencia entre pares resulta importar más que los mandatos de política interna. ## Cuando la IA de verdad da resultados Existen historias de éxito. Lumen Technologies informa que Copilot [le ahorra a su equipo de ventas un promedio de cuatro horas por semana](https://news.microsoft.com/source/features/digital-transformation/the-only-way-how-copilot-is-helping-propel-an-evolution-at-lumen-technologies/), equivalente a 50 millones de dólares al año. Tareas que tomaban cuatro horas ahora toman quince minutos. Lo que hace notable la experiencia de Lumen no es la tecnología. Es que desplegaron Copilot a través de departamentos y funciones de negocio en lugar de mantenerlo encerrado para siempre en el piloto de un solo equipo. La herramienta pasó a ser parte de cómo se hace el trabajo, no un experimento opcional. La salud ofrece otro ejemplo. Como una persona [describió en Hacker News](https://news.ycombinator.com/item?id=46109534): "I'm in the process of deploying several AI solutions in Healthcare. We have a process a nurse usually spends about an hour on, and costs $40-$70 depending on if they are offshore and a few other factors. Our AI can match it at a few dollars often less." Señalaron que, en pruebas, la IA captaba problemas que las enfermeras no veían con frecuencia, mientras que las enfermeras rara vez encontraban problemas que la IA hubiera pasado por alto. El hilo común en las historias de éxito no es una estrategia brillante de IA. Es ejecución persistente en fundamentos aburridos: casos de uso claros atados a resultados medibles, integración con flujos de trabajo existentes, capacitación que de verdad prepara a la gente para usar las herramientas y liderazgo que se mantiene involucrado después del anuncio. ## El problema de integración del que nadie habla La mayoría de las herramientas de IA no funcionan en aislamiento. Funcionan conectándose a tus datos. Eso suena sencillo hasta que recuerdas que tus datos viven en diecisiete sistemas distintos que no se hablan entre sí, la mitad con responsabilidades poco claras y rarezas no documentadas que solo entendía del todo la persona que se fue hace dos años. Las herramientas genéricas de IA como ChatGPT brillan para individuos porque trabajan con lo que sea que pegues. Les cuesta en empresas porque no pueden acceder al contexto. La IA no conoce tu historial de clientes, tu catálogo de productos, tu terminología interna ni tus procesos específicos. Sin ese contexto, las salidas requieren mucha edición. [La investigación del MIT](https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/) señala esta "brecha de aprendizaje" como una razón central por la que los pilotos no escalan. El problema no es la calidad del modelo. Es que las herramientas genéricas no se adaptan a los flujos de trabajo de una organización. Las soluciones de IA compradas a proveedores especializados tienen éxito alrededor del 67% de las veces, mientras que los sistemas construidos internamente tienen éxito solo una tercera parte de ese porcentaje. La ventaja del proveedor viene en parte de haber resuelto antes problemas de integración. ## Desarrollar vs. comprar La decisión de desarrollar o comprar tiene apuestas más altas con IA que con el software típico. Desarrollar te da control y personalización, pero exige capacidades que la mayoría de las organizaciones no tiene. Necesitas gente que entienda las limitaciones de la IA, que pueda construir sistemas confiables y mantenerlos a medida que los modelos evolucionan. La tecnología cambia más rápido que el software tradicional, así que lo que construyas hoy quizá requiera una reelaboración importante en dieciocho meses. Comprar significa un despliegue más rápido, pero menos personalización y dependencia continua del proveedor. Te limitas a lo que la herramienta del proveedor hace bien, y eso puede no encajar con tus flujos de trabajo específicos. Los datos del MIT muestran que comprar funciona más a menudo que desarrollar para organizaciones sin experiencia profunda en IA. Pero comprar crea sus propios problemas cuando los proveedores cambian de rumbo, suben precios o desaparecen. Depender de un solo proveedor para flujos de trabajo críticos introduce un riesgo que antes no existía. Algunas organizaciones intentan enfoques híbridos: compran la capacidad central de IA a proveedores, pero construyen capas de integración a medida. Esto puede capturar beneficios de ambos mundos, pero también combina los desafíos de ambos. Necesitas habilidades de gestión de proveedores y capacidad técnica interna. ## Con lo que realmente lidian los mandos intermedios En la presentación para el comité ejecutivo, la transformación con IA se describe en fases suaves. Evaluar, pilotar, escalar, optimizar. Flechas limpias apuntando a la derecha. Objetivos medibles en cada etapa. La experiencia del mando intermedio es más desordenada. Les piden cumplir los mismos objetivos mientras su equipo aprende herramientas nuevas. El tiempo de capacitación sale del tiempo de productividad. Los errores tempranos crean retrabajo. Algunas personas se adaptan rápido y otras se atascan, generando tensión. Las herramientas ayudan en ciertas tareas, pero no en otras, así que los flujos de trabajo se vuelven un patchwork. Desde arriba les dicen que la adopción de IA es prioritaria. Desde abajo les dicen que las herramientas no son confiables o que la gente no tiene tiempo. Intentan encontrar un punto medio realista mientras las métricas esperan mejoras inmediatas. Los mandos intermedios suelen determinar si la IA realmente echa raíces. Son quienes deciden si se impone el uso de herramientas, cómo se maneja la resistencia y si el personal que se atasca recibe apoyo o presión. El patrocinio ejecutivo importa para asignar recursos, pero el mando intermedio determina la realidad diaria. ## El 95% y el 5% Si el 95% de los pilotos no entrega retornos medibles, ¿qué hace distinto el 5%? No son más listos con IA. Son mejores gestionando el cambio organizacional. El 5% empieza con problemas bien definidos y conecta la IA directamente con resultados medibles: no "mejorar la eficiencia", sino "reducir el tiempo de revisión de contratos de 4 horas a 1 hora". Esa especificidad les permite saber si está funcionando. Ponen la responsabilidad operativa en quienes están más cerca de los flujos de trabajo, no en equipos de innovación que trabajan en paralelo al trabajo real. Quienes hacen el trabajo se convierten en quienes dan forma a cómo la IA ayuda a ese trabajo. Invierten de forma desproporcionada en la parte humana y de procesos. La proporción que aparece una y otra vez en la investigación es algo como 10% algoritmos, 20% infraestructura, 70% personas y procesos. La mayoría de las organizaciones invierte esa relación, gastando mucho en tecnología y asumiendo que la adopción llegará sola. Construyen la gobernanza dentro del plan desde el principio, no como una ocurrencia tardía cuando aparecen problemas. Trazas de auditoría, métricas claras, procesos de revisión definidos. Suena burocrático, pero en realidad es lo que permite escalar la IA, porque es como se convence a las partes escépticas de ampliar el acceso. ## Cómo se ve una adopción sostenida Hay una diferencia entre lanzar IA y establecer IA. Lanzar es el anuncio, las sesiones de capacitación, el pico inicial de uso. Establecida es cuando la gente recurre a herramientas de IA de forma natural, cuando el personal nuevo se capacita en flujos de trabajo asistidos por IA desde el día uno, cuando la pregunta cambia de "¿debería usar IA para esto?" a "¿cuál es la mejor manera de usar IA para esto?" Llegar ahí toma más tiempo de lo que sugiere el plan del proyecto. Primero, necesitas suficientes personas usando herramientas con regularidad para que el uso se vuelva visible y normalizado. Luego, necesitas flujos de trabajo que incorporen IA de manera documentada y repetible, en lugar de experimentación individual. Por último, necesitas que la IA se vuelva parte de las expectativas de desempeño, no como vigilancia sino como capacidad asumida. La mayoría de las organizaciones sigue en la fase de experimentación. [BCG encontró](https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain) que más del 85% del personal permanece en etapas tempranas de adopción de IA, mientras que menos del 10% ha llegado al punto en que la IA está integrada en su trabajo central. El recorrido desde el primer piloto hasta la capacidad organizacional lleva años, no trimestres. ## Preguntas honestas que hacer Antes de planear escalar IA, hazte estas preguntas sin respuestas optimistas: ¿Qué problema estamos resolviendo que antes no podíamos resolver sin IA, y cómo sabremos si lo hemos resuelto? Si no puedes responder esto con precisión, tu esfuerzo de escalado no tiene una dirección clara. ¿Quién se hará cargo de esto cuando el equipo del proyecto se disuelva? Las iniciativas sin propiedad sostenida vuelven a su estado anterior. ¿Qué pasa cuando la IA comete un error que afecta a un cliente? Si no lo sabes, no estás listo para producción. ¿Qué partes de nuestra organización están listas para esto y cuáles no? Empezar donde las condiciones favorecen el éxito es mejor que intentar transformar todo a la vez. ¿Tenemos el apoyo de los mandos intermedios para atravesar los meses incómodos en los que la adopción va lenta y los resultados no están claros? Solo el patrocinio ejecutivo no basta. ¿Qué nos haría detener esta iniciativa, y cómo sabríamos que llegamos a ese punto? Tener claros los criterios de fracaso ayuda a evitar el proyecto zombi que nunca muere oficialmente pero tampoco llega a vivir. ## La perspectiva a largo plazo La adopción organizacional de IA no es un proyecto con fecha de cierre. Es una capacidad que evoluciona. Los modelos mejoran. Lo que no era posible el año pasado se vuelve rutinario este año. Las organizaciones que incorporan mecanismos de aprendizaje en su enfoque pueden capturar mejoras a medida que aparecen. Las organizaciones que trataron la IA como un despliegue único encuentran que sus capacidades envejecen. El entorno regulatorio sigue cambiando. Lo que hoy es aceptable para que la IA maneje datos de clientes quizá no sea aceptable mañana. Construir el cumplimiento desde los cimientos es mejor que tener que adaptarlo cuando cambien las reglas. El panorama competitivo se mueve. Algunas industrias llegarán a un punto en el que la capacidad de IA será algo básico, donde no tenerla significa quedarse atrás en costo o velocidad. Otras industrias se moverán más despacio. Saber en qué lugar está tu industria ayuda a calibrar la urgencia. La gente en tu organización aprende. Quienes al principio eran escépticos a veces se vuelven los usuarios más valiosos de IA porque ponen a prueba las limitaciones. Quienes adoptan temprano a veces se queman por cargar demasiado peso. La historia de las personas evoluciona junto con la historia de la tecnología. Escalar la IA en una organización se parece menos a instalar software y más a construir una cultura. Las culturas toman tiempo. Tienen retrocesos. Resisten iniciativas formales y responden a normas informales. Requieren atención sostenida más que esfuerzo concentrado. Las empresas que lo logren serán, en su mayoría, las que lo trataron como trabajo continuo en lugar de un proyecto de transformación con fecha de finalización. Seguirán aprendiendo, ajustando y encontrando nuevos lugares donde la IA ayuda. Eso es menos emocionante que la visión de una transformación organizacional, pero se parece más a lo que el 5% realmente hace. Lo que separa a los pilotos que escalan de los que no, al final, puede ser la paciencia. Paciencia para atravesar problemas de integración en lugar de declararlos bloqueadores. Paciencia para apoyar a quienes se atascan en lugar de reemplazarlos. Paciencia para medir resultados por trimestres en lugar de semanas. Paciencia para seguir invirtiendo cuando los primeros retornos decepcionan. No la paciencia de esperar pasivamente. La paciencia del esfuerzo sostenido. Ese es un recurso más difícil de asignar que el presupuesto.