El fracaso de las empresas al integrar la IA
Para escuchar este artículo en la versión bachata, pulsar aquí:
En el segundo semestre de 2025, un informe del MIT llamado «State of AI in Business 2025»— se ha viralizado gracias a su titular: respecto a la adaptación a la IA, el esfuerzo que hace el 95 % las empresas no muestra ningún rendimiento. La frase es contundente. La parte útil es más discreta: se trata de un problema de enfoque, no de herramientas. Hemos analizado el informe y varios artículos relacionados con este, y hemos añadido conclusiones propias basadas en nuestra experiencia con clientes. El patrón se repite: los proyectos piloto prosperan; la producción se estanca.
Dr. Ricardo Campos
Dr. Samuel West
Visuals: Karen Vinueza
Music: Miguel Ortigosa (cestlarumba)
2025
Esta conclusión es ciertamente llamativa, pero queremos profundizar más. Por eso nos hemos tomado el tiempo de analizar el informe detenidamente y extraer lo que consideramos clave.
Cientos de medios de comunicación se hicieron eco de esta publicación, destacándola de esta manera (algunos ejemplos):
"El 95 % de las organizaciones no obtienen ningún beneficio del uso de herramientas de IA, según un estudio del MIT." - NDTV
“IA: el 95 % de las empresas que la utilizan no han aumentado sus beneficios." - Computer Today
"Un estudio del MIT acaba con el entusiasmo por la IA: el 95 % de los proyectos de IA generativa fracasan, lo que provoca inquietud por una posible burbuja tecnológica.." - The Economic Times
"El MIT descubre que el 95 % de los proyectos piloto de IA empresarial no logran aumentar los ingresos" - Tech.co
Para nosotros (los investigadores que formamos parte de neurona), es mucho más importante descubrir la razón de estos fracasos. Según el informe, se debe a un problema de enfoque. Estamos totalmente de acuerdo.
Para abordar esta información, hemos analizado este y otros artículos (sin utilizar ninguna IA) y hemos aplicado nuestra propia experiencia como investigadores y consultores. Nuestra comprensión como especialistas y nuestros conocimientos pueden ser útiles para comprender mejor cómo abordar este tipo de retos.
Algo que hemos estado observando desde hace algún tiempo es que cada vez resulta más difícil trabajar con un profesional (que trabaja detrás de un ordenador) que no utilice ChatGPT o Gemini para casi todo. Esta interacción, cuando se traslada al entorno profesional, a veces acaba en frustración; otras veces, da lugar a una cantidad de trabajo imposible de realizar, lo que genera más estrés e inquietud. Por lo tanto, inicialmente, las tasas de adopción de la IA son muy altas, pero la limitación surge cuando nos damos cuenta de lo complicado que es pasar de este uso más popular a algo más avanzado. Esto es algo que conocemos bien, ya que nos dedicamos a ayudar a las empresas a recorrer este camino.
El reto de ir más allá de ChatGPT
Una vez superada esta implementación de herramientas personales, los profesionales se enfrentan al siguiente nivel: incorporarlas a sus flujos de trabajo, a los de otros departamentos y a los de los clientes y proveedores involucrados en ellos.
Esta integración es complicada, o al menos no tan intuitiva como instalar una aplicación y utilizarla. Solo los sectores tecnológicos y de las comunicaciones parecen estar aprovechando realmente estas herramientas. Otros, sin embargo, siguen estando en el lado equivocado de la transformación empresarial; la mayoría de las empresas ponen en marcha actividades piloto muy activas, pero estas carecen de continuidad.
Esta brecha entre la fase piloto y la de producción es el punto clave del informe que se analiza aquí. Trabajar con una aplicación como ChatGPT o Gemini es satisfactorio porque es una herramienta fácil de probar (y muy asequible), pero pronto nos damos cuenta de que no es especialmente útil, ya que tiene una memoria muy limitada y poca capacidad de personalización.
Es entonces cuando empezamos a ponernos nerviosos. Además, si trabajamos mucho con estas aplicaciones tan sencillas nos damos cuenta de que, en el mejor de los casos, fallan mucho; en el peor, no detectamos que nos están dando información incorrecta, lo que pone en grave peligro nuestro proyecto. No olvidemos que ChatGPT, por ejemplo, siempre acaba olvidando el contexto (no aprende y no puede evolucionar por sí mismo).
El “workslop”
En este contexto, definimos workslop como contenido generado por IA que parece ser un trabajo fluido, pero que en realidad carece de sustancia o contenido real para avanzar en una tarea. Tal y como se afirma en el artículo de Harvard el «workslop» generado por IA está destruyendo la productividad, en lugar de descargar la memoria en la máquina, el workslop hace que la máquina externalice el trabajo a un compañero en el proceso, lo que genera una saturación cada vez mayor de contenido de bajo valor. Según el artículo, las empresas afirman que el 40 % de los compañeros reconocen haber recibido workslop en el último mes.
Esto conduce a una pérdida de productividad (con un coste estimado de aproximadamente 186 dólares estadounidenses por empleado al mes) y a una pérdida de confianza (etiquetando a los compañeros que envían este trabajo chapucero como personas menos creativas, capaces y fiables).
¿Es posible que la IA esté imitando el hábito de evitar el trabajo?
Es muy probable, y por eso es importante que estas herramientas no se utilicen en todo momento. Deben abordarse con intención y propósito. Por eso nos preocupa demostrar que la IA no es un atajo, sino otra parte del proceso.
¿Hay alguna solución para todo esto?
Como dice el informe, estos problemas se deben más a una estrategia incorrecta que a un problema con las aplicaciones o modelos de IA. Esto es algo que en neurona llevamos defendiendo desde hace mucho tiempo: antes de integrar una herramienta (sea IA o no), tenemos que analizar cuidadosamente cómo funcionará el proceso de implementación y cómo afectará a las personas involucradas en él. Los flujos de trabajo son muy importantes y delicados, y existe una falta de inversión en el aprendizaje contextual (cualquier agencia, entidad o departamento debe centrarse en esto, o pronto perderá competitividad). No debemos prestar tanta atención a los puntos de referencia, sino a los resultados empresariales reales (concluye el MIT).
Existe un temor generalizado sobre cómo la IA reducirá drásticamente el tamaño de las plantillas de las empresas. La realidad es que parece que lo que ocurrirá es que el gasto en procesos externalizados se reducirá hasta en un 50 %. En neurona, como proveedores externos, somos conscientes de ello y por eso nunca dejamos de aprender y comprender cómo integrar todo en nuestro trabajo diario. A veces también hay que saber decir no a ciertas implementaciones, pero sabiendo por qué y hasta cuándo.
Tenemos claro nuestro valor: que los miembros del proceso puedan desarrollarse internamente. Como afirma el informe: se recomienda trabajar con proveedores que ofrezcan sistemas personalizados. Hace casi cinco años, comenzamos a entrenar nuestros propios modelos de IA (visual y textual) en neurona, utilizando algoritmos que se inventaron hace décadas, por lo que todo esto no es tan nuevo como parece, ni tan inalcanzable.
¿Dónde está la clave de esta evolución?
En la automatización. Esto resulta aterrador y emocionante al mismo tiempo. Esta automatización no debería limitarse a los procesos de ventas y marketing (que actualmente representan el 50 % de los presupuestos de inversión en IA). El obstáculo reside en la curva de comprensión y aprendizaje. Si queremos que la tecnología sea «ergonómica» (si se me permite la expresión) en nuestros procesos, ¿tenemos que empezar a estudiar algo nuevo desde cero? ¿En algo que cambia tan rápidamente? ¿Cuál es el valor real de nuestro esfuerzo? ¿Y la utilidad? Sí, tenemos que estudiar, pero con la ayuda de profesionales que puedan guiarnos hacia un proceso más manejable y eficaz. Esto es lo que el informe del MIT denomina la conversión del proyecto piloto en un sistema integrado para nuestro flujo de trabajo. Estos proyectos piloto (lo que nosotros llamamos laboratorios emergentes) deben desarrollarse en colaboración con los clientes y los proveedores externos, y no consisten únicamente en invertir en un programa.
Las herramientas no aprenden, ni se integran ni se adaptan a nuestros procesos. Esto es algo que debemos aprender a hacer por nuestra cuenta y coordinar. En lugar de buscar usos generales, debemos centrarnos en adaptarnos a estos flujos de trabajo (horizontales y verticales). El equipo del MIT que llevó a cabo este estudio descubrió que las empresas prefieren esperar a que sus proveedores se actualicen y se adapten a la IA antes de arriesgarse por su cuenta con nuevas aplicaciones y startups. Esto es totalmente comprensible, pero al mismo tiempo delicado, ya que significa perder una ventaja competitiva significativa que será bastante difícil de recuperar más adelante.
Optimización de tareas y eliminación de flujos de trabajo.
Hemos establecido que la clave para superar este estancamiento de los proyectos piloto reside en el conocimiento y la personalización: optimizar los flujos de trabajo y convertir el uso de la IA en un sistema integrado. Sin embargo, si solo nos centramos en acelerar los procesos existentes, corremos el riesgo de optimizar un modelo operativo obsoleto.
En su libro «Reshuffle», el analista Sangeet Paul Choudary sostiene que el verdadero poder de la IA reside en coordinar sistemas completos, no solo en automatizar tareas individuales. El cambio estratégico no consiste en preguntarse ¿qué tareas puede optimizar la IA?, sino más bien ¿qué flujos de trabajo deberían dejar de existir?.
Los líderes en el ámbito de la IA están rediseñando sus sistemas operativos para lograr una coordinación total del sistema. Este es el caso de Figma, que se posicionó frente a sus competidores al permitir el control de todo el flujo de trabajo (ideación, creación de prototipos y publicación) en una única plataforma.
Este enfoque refuerza la urgencia de nuestra advertencia: la ventaja competitiva la tiene quien controla todo el flujo de trabajo. Esperar a que los proveedores de procesos tomen sus decisiones nos hará perder la ventaja ya mencionada. La estrategia ganadora consiste en invertir en conocimientos internos para rediseñar el sistema y aspirar a una coordinación total.
Descentralización
Hace años, este mismo departamento del MIT publicó un artículo titulado Una perspectiva sobre la descentralización de la IA, en el que abogaba por una IA descentralizada más original, segura y exclusiva. Una IA que no permita que unas pocas organizaciones sean propietarias de los modelos de IA, sus interfaces y los datos que los componen. Esta propuesta es bastante compleja y puede que incluso poco realista, pero está claro que la tendencia se mueve hacia una web agencial en la que los agentes automáticos toman decisiones de ejecución según nuestras instrucciones. Deben conocer nuestras preferencias y las de nuestros clientes, además de establecer mecanismos de verificación e incentivos y hacer que todo sea más intuitivo. Y sin tener que depender de dos o tres grandes proveedores muy generalistas.
En resumen, este análisis nos deja con un titular muy importante:
Es necesario invertir en conocimiento. La ventaja competitiva del uso de la IA se basa principalmente en la personalización y optimización de los flujos de trabajo.
Es mucho menos atractivo para los medios de comunicación, pero creemos que así es. La clave está en personalizar las herramientas existentes e integrarlas en nuestra vida profesional cotidiana. Ah, y no se dejen llevar por demostraciones llamativas que acaban generando dudas, creando inquietudes y creando entornos basados en el miedo.
Bonus
Cada vez que trabajamos en un artículo, nos gusta compartir cómo hemos utilizado determinadas herramientas. Por eso, en este Bonus, te mostramos nuestro flujo de trabajo utilizando aplicaciones específicas, y cuándo estas han tenido más o menos éxito.
Cuando queremos producir un resumen más fiable del contenido, ponemos diferentes LLM (modelos de lenguaje) en competencia entre sí. En lugar de utilizar aplicaciones como ChatGPT o Gemini, utilizamos sus modelos (a los que se puede acceder por la puerta trasera a través de la API) y los conectamos a un flujo de trabajo N8N o a plataformas de análisis comparativo de modelos de lenguaje.
Los resultados son menos específicos, no hay algoritmos que fuercen determinados resultados y podemos ver de primera mano la diferencia en los resultados entre un modelo y otro. Incluso es recomendable utilizar modelos más antiguos para trabajar con reglas menos definidas y más abiertas (obviamente, sabiendo que podemos obtener información más «cruda» o sesgada).
Podemos utilizar la IA para resumir noticias o artículos, pero debemos tener cuidado porque las aplicaciones generan resultados basados en sus reglas e intereses, y esto es algo que debemos tener en cuenta y controlar. Por ejemplo, cuando le preguntamos al navegador Brave sobre el estudio que analizamos en este artículo, encontramos una respuesta basada en fuentes distintas al informe inicial. En lugar de mencionar al MIT como fuente, se refiere a los medios de comunicación que han transcrito la noticia basándose en esta información.
Esto es peligroso porque estamos aceptando contenidos como verdaderos sin saber realmente quién los analiza o procesa. Debemos exigir fuentes fiables.
No olvides que es imprescindible que analices y leas el artículo por tu cuenta, y que utilices estas herramientas solo para reforzar tus decisiones o buscar ayuda a la hora de crear estructuras o análisis.
Generate a soft, calm bachata. Female lead vocal (mezzo), intimate tone. Sing the lyrics exactly as provided—no extra words, no ad-libs, no scatting.
Style & mix: 92–96 BPM, 4/4, key A minor. Nylon guitar + requinto motifs, bass, güira, light bongó, warm pads. Close vocal, gentle plate reverb, light tape grain.
Song structure:
Intro (4 bars)
Verse 1
Chorus (repeat 2×)
Verse 2
Verse 3
Chorus (repeat 2×)
Bridge (spoken–sung, soft)
Chorus (repeat 2×)
Outro (4 bars instrumental fade)
Performance rules: Keep phrasing natural; if lines are long, hold notes or rest—do not change words.
En el caso de la canción de bachata, el proceso ha sido algo más complejo. Aquí hemos trabajado en la letra con herramientas LLM, que posteriormente hemos revisado manualmente, tratando de encontrar una rima más adecuada. Hemos utilizado una indicación detallada:
Cuando se trata de generar elementos visuales, solemos trabajar con modelos visuales personalizados. Estos modelos se crean mediante ejercicios de entrenamiento específicos, compuestos por conjuntos de datos visuales que se ajustan a nuestra identidad. Posteriormente, para crear los recursos, hemos utilizado aplicaciones como Touch Designer, Comfyui, Stable Diffusion Forge y Runway. Hemos tomado los gráficos originales del informe del MIT analizado en este artículo para crear elementos inspirados en nuestra cultura visual y nuestro mensaje. Los gráficos de datos son muy geométricos y muy útiles para crear elementos y patrones.