Un informe reciente de Gartner encendió una señal de alerta en el mundo corporativo: cerca del 50% de las iniciativas de inteligencia artificial generativa no logran pasar de la etapa experimental. Lo que comenzó como una carrera frenética por adoptar IA hoy atraviesa una fase de ajuste, donde las promesas chocan con límites operativos, financieros y culturales.
Durante el auge inicial, empresas de todos los sectores invirtieron millones en pilotos y pruebas de concepto con la expectativa de transformar su productividad. Sin embargo, ese entusiasmo comenzó a desinflarse cuando los resultados concretos no acompañaron la magnitud de las inversiones. Los directorios, que antes aprobaban presupuestos con rapidez, ahora exigen retornos claros y medibles.
El principal problema no fue la tecnología en sí, sino la forma en que se implementó. Muchas compañías avanzaron sin una estrategia definida, confiando en que la IA resolvería por sí sola ineficiencias estructurales. En la práctica, se encontraron con sistemas costosos de mantener, respuestas poco confiables y una integración deficiente en los procesos cotidianos.
Uno de los puntos críticos señalados por Gartner es la calidad de los datos. Sin información ordenada, limpia y bien gobernada, los modelos pierden efectividad y generan resultados inconsistentes. A esto se suma el costo operativo: cada interacción con estos sistemas implica un gasto que, escalado a miles de usuarios, puede volverse difícil de sostener.
También pesó la falta de adopción interna. En muchas organizaciones, los empleados no recibieron la capacitación necesaria ni encontraron incentivos claros para incorporar estas herramientas en su trabajo diario. A esto se agregan preocupaciones legales y éticas, desde la privacidad de los datos hasta los errores —o “alucinaciones”— que pueden comprometer decisiones críticas.
El caso de Amazon ilustra esta brecha entre expectativa y realidad. Según reportes periodísticos, algunos desarrolladores señalaron que herramientas internas de IA generaban código defectuoso que demandaba más tiempo de corrección que de producción. Lejos de acelerar procesos, en ciertos casos los ralentizó.
Además, la implementación de métricas para monitorear el uso de IA dentro de la compañía generó tensiones internas. La presión por adoptar estas herramientas, incluso cuando no eran necesarias, terminó afectando la dinámica de trabajo y alimentando la percepción de que los empleados estaban siendo entrenados para un eventual reemplazo.
El escenario actual marca un punto de inflexión. La etapa de experimentación masiva quedó atrás y comienza una fase más selectiva, donde solo sobrevivirán los proyectos que demuestren valor real. Las empresas que avanzan con éxito son aquellas que priorizan la calidad de sus datos, ajustan expectativas y entienden la IA como un complemento —no un sustituto— del talento humano.
La “purga” en curso no implica el fin de la inteligencia artificial en el ámbito corporativo, sino su maduración. El desafío ya no es adoptar la tecnología más rápido que la competencia, sino integrarla de manera eficiente, sostenible y alineada con objetivos concretos de negocio.
Fuente: Clarin/Redacción TE.
