En agosto de 2025, el MIT publicó un retrato incómodo de la adopción de IA en las empresas: solo el 5% de los proyectos piloto de IA generativa llega a generar un impacto financiero medible. La investigación, del Media Lab del MIT junto con el proyecto NANDA, se basa en entrevistas con líderes de negocio, una encuesta más amplia a empleados y el análisis de cientos de proyectos reales de IA en empresas — no es una encuesta de expectativas, sino una mirada a lo que realmente pasó después de firmar el contrato.
El motivo que señala el informe no es la calidad de los modelos de IA usados. Es la distancia entre lo que se presupuestó y lo que el proyecto realmente exigió después de salir del piloto. Y esa distancia sigue un patrón: el precio de la licencia es el número más fácil de calcular — y la parte más pequeña del costo total.
Para quien aprueba el presupuesto de tecnología, esa diferencia separa un proyecto que funciona de uno que termina sumándose a la pila de pilotos olvidados: la pregunta correcta nunca fue "cuánto cuesta la herramienta", sino "cuánto cuesta ponerla a funcionar dentro de la empresa, y mantenerla funcionando".
Los costos que nadie presupuestó
Una encuesta de la IDC, encargada por DataRobot y publicada en diciembre de 2025, midió el tamaño real de esa distancia. Participaron 318 líderes de tecnología de empresas con más de mil empleados en Estados Unidos, Reino Unido e Irlanda. Entre las empresas que usan IA generativa, el 96% pagó más de lo planeado. Entre las que usan agentes de IA, la cifra es del 92%. Y el 71% admitió tener poco o ningún control sobre el origen de esos costos extra.
La misma investigación señala por dónde se escapa el dinero: consumo mayor al previsto, corrección de respuestas equivocadas generadas por la IA, y el tiempo del equipo de tecnología dedicado a conectar entre sí herramientas distintas que deberían funcionar juntas. En las empresas con mayor uso de IA, casi la mitad del tiempo del equipo de TI se va en ese mantenimiento — no en lo que la empresa realmente quería automatizar.
Otro estudio, de la consultora de gestión de tecnología Flexera, mostró el otro lado del mismo problema: solo el 31% de las empresas dice tener visibilidad real de cuánto gasta en IA, y apenas el 36% ve con claridad todo el gasto de tecnología de la empresa. Sin ese número, presupuestar el próximo proyecto se vuelve una apuesta a ciegas — y el 59% de las empresas reportó que el desperdicio en IA creció en el último año.
El patrón en ambos estudios es el mismo: la licencia tiene un precio cerrado desde el primer día. El resto del costo — preparar el contenido que la IA va a usar, conectarla con los sistemas que ya existen, corregir lo que sale mal y seguir cuánto consume cada área — solo aparece después de que el proyecto ya está en marcha. Y es justamente ese resto el que decide si el proyecto sobrevive a su segundo año.
Más licencias no resuelven la cuenta
La reacción más común ante un presupuesto de IA que se desbordó es comprar más: más licencias, un plan superior, un contrato más grande con el mismo proveedor. Es la solución equivocada para el problema equivocado — según la investigación del MIT, más de la mitad del presupuesto de IA de las empresas hoy va a herramientas de ventas y marketing, justo donde el retorno medido fue menor. El mayor retorno apareció en tareas de apoyo: reemplazar servicios tercerizados, reducir el gasto en agencias externas, automatizar tareas repetitivas del día a día.
El mismo estudio encontró una diferencia que vale la pena citar: comprar una solución especializada de un proveedor tuvo una tasa de éxito de alrededor del 67%, casi el triple que los proyectos construidos internamente desde cero. No es el monto gastado lo que separa el éxito del fracaso — es hacia dónde va ese monto, y cuánta reconstrucción evita que un proveedor especializado ya resolvió.
Cambiar de plan tampoco resuelve el problema de visibilidad. Si nadie sabe qué área está consumiendo qué, un contrato más grande solo produce un número más grande a fin de mes, sin responder la pregunta que realmente importa para quien aprueba el presupuesto: por qué creció el gasto, y dónde recortar sin trabar a quien depende de la herramienta.
El 71% de las empresas admite tener poco o ningún control sobre el origen de sus costos extra de IA.
Lo que tiene que existir en la práctica
Ambos estudios apuntan en la misma dirección: el problema no es el monto gastado, es la falta de estructura alrededor de ese gasto. Un entorno de IA bien diseñado resuelve esto con algunos mecanismos concretos, no con un contrato más caro.
Costo transparente por conversación, no una suscripción fija sin uso. Cada interacción tiene un costo visible, y la empresa paga por lo que realmente se usa — no por un número fijo de licencias, buena parte de ellas ociosas.
Presupuesto en créditos compartidos por el equipo, con consumo visible por área. En vez de una licencia por persona, un saldo común que cualquier área puede consumir, con el gasto de cada una monitoreado en tiempo real — la misma visibilidad que hoy el 31% de las empresas dice no tener.
Enrutamiento automático hacia el modelo de IA más económico para cada tarea. Una pregunta rutinaria no necesita el modelo más caro disponible; reservar el modelo más robusto para lo que realmente exige complejidad es lo que evita el consumo desperdiciado que Flexera midió creciendo año tras año.
Conocimiento y conexiones reutilizados, no reconstruidos en cada proyecto nuevo. Conectar la IA con un sistema que otra área ya usa no debería significar rehacer esa integración desde cero — ahí vive buena parte del costo de poner en marcha una herramienta nueva.
Aprobación humana antes de un gasto o una acción sensible, con un registro auditable. Cada decisión relevante queda registrada y trazable, lo que reduce el tipo de corrección tardía y costosa que aparece cuando nadie revisó antes.
Así fue diseñada Skyller: crédito de uso compartido por el equipo, con consumo visible por área, y enrutamiento automático hacia el modelo más económico en cada tarea rutinaria.
Dónde vuelve a aparecer el presupuesto
La ganancia más inmediata de un presupuesto así es la previsibilidad: quien aprueba el gasto sabe, mes a mes, cuánto está consumiendo realmente cada área — y puede actuar antes de que el número se vuelva una sorpresa al cierre del trimestre, la misma sorpresa que llevó al 49% de las empresas a atrasar o reducir proyectos de IA, según datos de KPMG citados por Flexera.
Hay una segunda ganancia, menos comentada: reutilizar lo que ya fue integrado y aprobado cuesta mucho menos que reconstruirlo. Una conexión con un sistema interno, un flujo de aprobación ya configurado, un conjunto de conocimiento ya organizado — todo eso, hecho una vez por un área, queda disponible para la siguiente, en vez de convertirse en un proyecto nuevo con su propio costo de integración incluido.
El resultado es un presupuesto que crece en proporción al uso real, no al tamaño del próximo contrato. En una plataforma como Skyller, ese consumo aparece por área, mes a mes, para quien decide dónde invertir a continuación.
Las preguntas que faltan en el presupuesto
Antes de aprobar el próximo proyecto de IA, vale la pena llevar estas preguntas a quien firma el presupuesto:
- ¿Cuánto va a costar preparar y mantener el conocimiento que la IA va a usar? Documentos, políticas y procesos internos rara vez están listos para esto — organizarlos y mantenerlos actualizados es trabajo continuo, no una etapa única.
- ¿Quién va a conectar esta IA con los sistemas que la empresa ya usa, y cuánto tiempo toma? Una propuesta que no menciona ese plazo generalmente está subestimando todo el proyecto.
- El costo crece con el uso: ¿alguien está siguiendo ese consumo mes a mes, por área? Sin esa visibilidad, el presupuesto solo aparece terminado, a fin de mes, sin explicación.
- Si el piloto no avanza al resto de la empresa, ¿cuánto se gastó ya y qué queda después? Un piloto aislado, sin plan de reutilización, tiende a convertirse en gasto perdido — no en aprendizaje.
