La IA en las empresas está fallando más de lo que crees (y no es por falta de presupuesto)

Alejandro Raffaele, Director Senior de Ventas Enterprise para Latinoamérica de Red Hat

Todos hemos escuchado que la inteligencia artificial va a revolucionar todo, que las empresas están invirtiendo millones en proyectos de IA y que básicamente estamos a un paso de vivir en el futuro. La realidad es bastante menos emocionante: la mayoría de estos proyectos fracasan antes de siquiera arrancar de verdad.

El 95% de los proyectos no sale del laboratorio

Aquí va un número que debería preocupar a más de un CEO: según el MIT, el 95% de los proyectos piloto de IA generativa en empresas nunca logran salir de la fase experimental. Y eso no es todo. McKinsey reporta que aunque el 80% de las compañías ya adoptó tecnologías de IA de última generación, ese mismo porcentaje no vio mejoras reales en su operación diaria.

Traducción: gastan dinero, contratan consultores, hacen pruebas... y al final todo queda en nada.

El problema no es la tecnología

La brecha entre lo que promete la IA y lo que realmente entrega tiene poco que ver con limitaciones técnicas. El verdadero obstáculo es organizacional. Las empresas enfrentan desde datos heterogéneos que nadie se ha molestado en ordenar, hasta escasez de talento que realmente sepa qué hacer con estas herramientas. Súmale las famosas "alucinaciones" de los modelos de IA, esos momentos en que la tecnología te da información completamente falsa pero con una confianza impresionante.

Cada organización tiene sus propios problemas y necesita soluciones específicas, no algo genérico que sirva para todos. Por eso la tendencia para 2026 apunta a modelos de IA más pequeños, diseñados para resolver casos de uso concretos y medibles.

Primero lo primero: automatizar y limpiar

Antes de pensar en implementar el siguiente ChatGPT corporativo, las empresas deberían enfocarse en automatizar procesos básicos. Esto también sirve para entrenar al equipo y prepararlo para proyectos más ambiciosos.

El siguiente paso es la normalización de datos: revisar, limpiar y optimizar su calidad. Solo después de esto tiene sentido definir casos de uso prioritarios y establecer indicadores claros de éxito.

Las aplicaciones que sí están funcionando

Hay algunos usos de IA que están ganando tracción en el mundo real. Los agentes conversacionales con reconocimiento de voz están mejorando la atención al cliente. Las plataformas de capacitación de personal optimizan el flujo de información dentro de las organizaciones. Y los sistemas de detección de fraude en operaciones financieras están volviéndose cada vez más sofisticados.

También está la gestión predictiva de proyectos basada en el análisis de iniciativas previas, que básicamente aprende de errores pasados para no repetirlos.

2026: el año de los agentes de IA

Los llamados "Agentic AI" van a tener un rol protagónico durante el próximo año. Estos sistemas pueden ejecutar procesos complejos con comprensión contextual, lo que representa un salto importante respecto a la automatización tradicional. Gartner proyecta que hacia finales de 2026, el 40% de las aplicaciones empresariales integrarán agentes de IA especializados por tarea, en contraste con menos del 5% en 2025.

Pero ojo: estos agentes solo funcionan bien con datos rigurosamente gestionados y en cumplimiento de marcos regulatorios. Sin datos en orden, no hay magia que valga.

La propuesta de Red Hat

Para apoyar estas innovaciones, Red Hat propone soluciones como Ansible para automatización inteligente, y OpenShift, una plataforma abierta y flexible que permite a las compañías definir sus aceleradores de software según cada caso específico.

Trabajar sobre plataformas abiertas, estándar e híbridas que combinen modelos on-premise y en la nube aumenta significativamente las posibilidades de éxito en los desarrollos de IA empresariales.