Hay un lugar donde los proyectos de inteligencia artificial de las empresas suelen detenerse: el purgatorio de los pilotos. La prueba se aprueba, la demostración impresiona, la dirección aplaude, y nada de eso llega a la operación. Meses después, nadie sabe decir qué cambió en los resultados.
La cifra más citada al respecto salió del MIT. El informe The GenAI Divide: State of AI in Business 2025, publicado por el proyecto NANDA en julio de 2025, revisó más de 300 iniciativas de IA divulgadas públicamente, entrevistó a representantes de 52 organizaciones y encuestó a 153 líderes senior. Su conclusión: pese a los 30.000 a 40.000 millones de dólares invertidos por las empresas en IA generativa, el 95% de las organizaciones no obtiene ningún retorno. Solo el 5% de los pilotos integrados extrae valor relevante.
El informe es tajante en un punto que le importa a quien decide: esa división no se debe a la calidad del modelo ni a la regulación. La determina el enfoque.
El hallazgo se sostiene en el mercado más amplio. Una encuesta de S&P Global Market Intelligence con más de mil empresas de Norteamérica y Europa, difundida en marzo de 2025, encontró que el 42% descartó la mayoría de sus iniciativas de IA ese año, frente al 17% del año anterior. La organización promedio abandonó el 46% de sus pruebas de concepto antes de que llegaran a producción.
Para una empresa de América Latina el mensaje es directo: el riesgo no es quedarse fuera de la IA. Es gastar tiempo, presupuesto y credibilidad en pruebas que nunca se convierten en capacidad de la empresa.
El piloto no muere por culpa del modelo
El informe del MIT muestra dónde se rompe la cuenta. Las herramientas de chat de uso general tienen amplia adopción: más del 80% de las organizaciones ya exploró o pilotó algo como ChatGPT o Copilot, y cerca del 40% declara algún tipo de implantación. Pero esos usos elevan la productividad de personas aisladas, no el resultado del negocio.
Cuando la empresa intenta el paso siguiente, el embudo se estrecha de golpe: el 60% de las organizaciones evaluó sistemas corporativos, solo el 20% llegó a la etapa de piloto y apenas el 5% llegó a producción. Las causas señaladas son siempre las mismas tres: flujos frágiles, falta de contexto y desalineación con la operación del día a día.
Traducido: el piloto muere porque la IA no sabe dónde está. No conoce cómo funciona la casa, qué documentos valen, dónde ocurre el trabajo ni quién está pidiendo qué. Un asistente brillante y desinformado sigue siendo un asistente desinformado.
Tres desconexiones que matan un piloto
1. El conocimiento correcto no está ahí
En la demostración alguien adjunta dos archivos y la respuesta sale perfecta. En la operación, la pregunta depende de una política revisada el mes pasado, un procedimiento que cambió y una tabla que solo un área conoce. El contenido existe, pero disperso y mezclado con versiones antiguas que nadie retiró.
Sin un criterio sobre qué puede convertirse en conocimiento oficial, la IA responde con lo que encuentre. La entrada del conocimiento tiene que tratarse como un proceso y no como una carga de archivos: el documento crítico pasa por revisión y aprobación, con responsable definido, antes de orientar cualquier respuesta.
2. Los procesos y los sistemas quedan afuera
Un piloto que solo conversa entrega texto. Un proyecto que mueve los números tiene que llegar al lugar donde termina la tarea: el ticket que se abre, el pedido que se actualiza, la planilla que alimenta el cierre. Mientras la IA viva separada de la operación, cada ganancia depende de que alguien copie y pegue, y esa persona se cansa en la tercera semana.
3. Nadie sabe quién está preguntando
La pregunta "¿esa persona podía ver esto?" no tiene respuesta en una herramienta que desconoce la estructura de la empresa. Sin respuesta, el proyecto se frena por decisión de seguridad, correctamente. Muchos pilotos terminaron así: no por fallar, sino por no poder decir quién vio qué.
El piloto que funcionó también necesita hacia dónde ir
Existe una segunda muerte, menos comentada e igual de cara. Alguien del equipo descubre un uso realmente bueno: preparar la propuesta, revisar un contrato, resumir el informe semanal. Funciona. Y se queda en el historial personal de esa persona. Cuando cambia de área, el aprendizaje se va con ella.
La productividad individual no se acumula sola. Se convierte en capacidad de la empresa solo cuando lo que funcionó puede reutilizarlo quien tiene derecho a usarlo: el agente, el prompt o el flujo sale del uso individual y pasa a tener un alcance definido por personas, grupos y roles. Es una de las ideas centrales del diseño de Skyller.
Reutilizar no es abrir todo para todos: la memoria personal sigue siendo personal, y los documentos y las integraciones mantienen sus propios alcances y credenciales.
Lo que tiene que existir en la práctica
La diferencia entre una prueba y una operación no está en el modelo elegido, sino en un entorno que reúne conocimiento, procesos y sistemas con reglas claras sobre quién accede a qué. Eso exige mecanismos que un piloto suelto no tiene:
- Conocimiento con responsable y vigencia. El documento crítico pasa por revisión y aprobación antes de orientar respuestas y agentes, y la respuesta indica en qué se basó.
- Identidad corporativa de verdad. La persona entra con el usuario de la red y la baja en el directorio de la empresa se refleja en el acceso.
- Acceso función por función. En una integración con decenas de funciones, liberar las dos que el área necesita sin entregar las demás.
- Aprobación según el riesgo. Las acciones sensibles se detienen y piden confirmación humana antes de ejecutarse.
- Rastro de auditoría. Crear un agente, aprobar un documento, cambiar un permiso: lo que ocurrió queda reconstruible.
- Reutilización con alcance definido. Lo que funcionó para una persona se vuelve capacidad del equipo, sin abrir lo que debe seguir cerrado.
Así fue diseñada Skyller: conocimiento aprobado, identidad corporativa, permiso por función, aprobación según el riesgo y registro de lo que ocurrió, en un mismo entorno.
La gobernanza no es el freno, es lo que permite acelerar
Los datos del mercado apuntan al mismo lugar. Deloitte, en su investigación State of AI in the Enterprise con 3.235 líderes de negocio y de tecnología en 24 países, encontró apenas un 21% de organizaciones con modelos maduros de gobernanza para agentes de IA, mientras la adopción de esos agentes avanza muy por delante de los controles.
El retorno sigue la misma curva. BCG, en el estudio The Widening AI Value Gap, publicado el 30 de septiembre de 2025 con 1.250 ejecutivos de nueve sectores, clasificó al 60% de las empresas como rezagadas, con ganancias mínimas de ingresos y de costos, y solo al 5% como capaces de generar valor a escala. Otro 35% está escalando y empezando a ver resultados.
Leídos juntos, el cuadro es incómodo y útil: quien no tiene control no escala, y quien no escala no captura valor.
Una ruta para salir del piloto
Cruzar esa línea no exige un programa de transformación. Exige cambiar la pregunta. En vez de "¿qué herramienta de IA vamos a probar?", pregunte "¿qué trabajo nuestro pasará a hacerse de otra manera?".
- Elija un proceso real, no una demostración. Uno con volumen, responsable y un número asociado: tiempo de respuesta, retrabajo, plazo de cierre. Si nadie sabe decir qué número debería moverse, todavía no es un proyecto.
- Defina quién accede a qué antes de encender cualquier cosa. Qué documentos valen, quién puede consultarlos, qué acciones exigen aprobación humana y quién responde por ellas.
- Mida donde vive el dolor. Compare el mismo indicador antes y después, con el mismo criterio. El elogio del usuario es una señal; no es un resultado.
- Convierta lo que funcionó en capacidad del equipo. Un buen uso individual debe volverse un agente, un prompt o un flujo reutilizable, con permisos definidos; de lo contrario repetirá el piloto en la próxima área.
- Solo entonces repita. Un proceso por vez, con el mismo estándar de conocimiento, permiso, aprobación y registro.
Tres preguntas para llevar a la próxima reunión sobre IA:
- ¿Qué proceso de nuestra operación quedará distinto de forma medible, y qué número lo demuestra?
- Si alguien pregunta hoy quién vio qué información y quién aprobó qué acción, ¿tenemos la respuesta?
- ¿Lo que nuestra mejor persona descubrió con IA el trimestre pasado ya está disponible para quienes tienen derecho a usarlo?
