La adopción de inteligencia artificial (IA) dejó de ser un experimento para convertirse en una prioridad de negocio, pero el avance de la inversión no siempre se traduce en resultados que escalen dentro de las organizaciones. En ese contexto, un relevamiento global de PwC ubicó el principal contraste: 56% de los CEOs afirmó que su empresa todavía no vio mejoras concretas en ingresos ni reducción de costos asociadas al uso de IA.
Al mismo tiempo, el mismo relevamiento señaló que las organizaciones que sí logran escalar estas tecnologías registran mejoras de rentabilidad de entre 10% y 25%. La brecha, en este enfoque, no se explica por el acceso a herramientas, sino por la forma de implementación y por las condiciones de base con las que se inicia cada iniciativa.
Leonardo Tocci, Data & Applied AI Practice Head en Baufest, planteó que los problemas suelen aparecer antes de la elección del modelo. “La mayoría de los problemas que vemos no tienen que ver con el modelo de IA, sino con el punto de partida”, dijo Tocci, Data & Applied AI Practice Head en Baufest. En esa línea, el especialista señaló que muchas organizaciones comienzan proyectos por la presión de “usar IA”, sin definir con precisión qué problema quieren resolver o qué impacto esperan generar.
Esa urgencia suele traducirse en proyectos aislados, pruebas piloto que no escalan y herramientas que terminan operando por fuera de los procesos reales del negocio. En paralelo, McKinsey indicó que casi dos tercios de las empresas todavía se encuentran en etapas experimentales de adopción, un dato que refuerza la distancia entre probar soluciones y capturar valor en forma sostenida.
Otro cambio señalado es el origen de la demanda interna. Históricamente, la innovación tecnológica se impulsaba desde las áreas de sistemas, pero el flujo de pedidos de soluciones ahora llega con mayor fuerza desde las unidades de negocio. “Estamos interactuando con áreas que no eran las habituales para nosotros”, dijo Tocci, Data & Applied AI Practice Head en Baufest.
Esa ampliación del interés también introduce riesgos. Sin coordinación, pueden proliferar desarrollos paralelos dentro de una misma organización, con distintos niveles de supervisión y sin una arquitectura común. De acuerdo con el diagnóstico expuesto, esa fragmentación deriva en dificultades para escalar y puede abrir problemas de seguridad, acceso a datos sensibles y falta de control cuando los desarrollos empiezan a operar e interactuar con sistemas reales.
A la falta de integración se suma un componente estructural: avanzar con IA 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 soluciones.
