La inteligencia artificial (IA) se consolidó como prioridad de negocio, pero la brecha entre inversión y resultados sigue abierta. Un relevamiento global de PwC indicó que el 56% de los CEOs asegura que su empresa todavía no observó mejoras concretas en ingresos ni una reducción de costos asociadas al uso de esta tecnología. En paralelo, las organizaciones que logran escalar iniciativas de IA registran mejoras de rentabilidad de entre 10% y 25%.
En ese contraste, el foco deja de estar en la disponibilidad de herramientas y pasa a la implementación. Para Leonardo Tocci, Data & Applied AI Practice Head en Baufest, el desempeño de los proyectos suele definirse antes de elegir modelos o plataformas. “La mayoría de los problemas que vemos no tienen que ver con el modelo de IA, sino con el punto de partida”, dijo Tocci, al describir iniciativas que se activan por la consigna de “usar IA” sin precisar el problema de negocio ni el impacto esperado.
Ese apuro, asociado a la presión por no quedar fuera de la tendencia, tiende a derivar en proyectos aislados, pruebas piloto que no escalan y herramientas que quedan por fuera de los procesos reales del negocio. En esa línea, McKinsey señaló que casi dos tercios de las empresas todavía se encuentran en etapas experimentales de adopción.
El cambio también se expresa en el origen de la demanda interna. Históricamente, la innovación tecnológica surgía desde las áreas de sistemas, pero ahora los pedidos llegan con mayor frecuencia desde unidades de negocio. “Estamos interactuando con áreas que no eran las habituales para nosotros”, dijo Tocci, y agregó que las solicitudes aparecen desde marketing, legales o finanzas con objetivos de optimización o para liberar tiempo de analistas clave.
La ampliación del interés por la IA, sin coordinación, introduce riesgos operativos. En muchas organizaciones empiezan a proliferar desarrollos paralelos, con distintos niveles de supervisión y sin una arquitectura común, lo que complica el escalado. “La velocidad sin un esquema de gobierno claro termina jugando en contra”, dijo Tocci, al referirse a casos en los que se generan agentes en cinco unidades distintas y el área de IT solo conoce una parte, con consecuencias en seguridad, acceso a datos sensibles y control.
A la fragmentación se suma un obstáculo estructural: avanzar sin resolver cuestiones básicas como la calidad de los datos o el rediseño de procesos internos. Bain & Company advirtió que esa postergación genera una deuda técnica que, con el tiempo, vuelve más complejo y costoso cualquier intento de escalar.
Para los especialistas, la diferencia entre experimentar y capturar valor se vincula con tomar mejores decisiones sobre dónde aplicar IA y dónde no. “La clave muchas veces está en saber dónde no usar IA”, resumió Tocci, al plantear que no todos los problemas requieren este tipo de solución y que forzarla puede ser parte del problema.
