Por qué la IA necesita vías de inversión inteligentes para garantizar un impacto sostenible

• Muchas inversiones en IA fracasan por un valor empresarial poco claro, una mala planificación y la falta de seguimiento del ROI.

• Esto pone de manifiesto la necesidad de decisiones de financiación más inteligentes y estructuradas.

• Una estrategia de inversión basada en carteras, guiada por métricas claras y la preparación para la adopción, garantiza resultados de IA escalables y de alto impacto.

Se prevé que la IA genere 7 billones de dólares en valor solo mediante la IA generativa, y se espera que impulse la productividad laboral de EE. UU. en 0,5-0,9 % anuales hasta 2030. Combinada con otras tecnologías de automatización, la IA generativa podría impulsar el crecimiento de la productividad hasta un 3-4 % anual. Los experimentos realizados en 18 tareas basadas en el conocimiento muestran que estas ganancias se deben al aumento de la velocidad en un 25 % y de la calidad en un 40 %. Esto tiene el potencial de transformar sectores y acelerar el desarrollo sostenible.

Sin embargo, en 2025, se prevé que el 30 % de los proyectos empresariales de IA generativa se estanquen, debido a la baja calidad de los datos, unos controles de riesgo inadecuados, el aumento de los costes o un valor empresarial poco claro; conclusiones que también recoge Deloitte. una investigación de RAND pone de relieve que más del 80 % de los proyectos de IA fracasan, y Goldman Sachs cuestiona si los aproximadamente 1 billón de dólares estimados en gasto de capital en IA en los próximos años llegarán a generar alguna rentabilidad significativa. Y el consejero delegado de Microsoft, Satya Nadella, advirtió recientemente de que podría haber un exceso de inversión en infraestructura de IA, lo que hace necesario que empecemos a medir el impacto real de la IA. Esto se debe a que la IA no es una solución milagrosa; sin las estructuras adecuadas, las empresas gastarán mucho, solo para dar de baja esas inversiones cuando los proyectos fracasen. La época de la experimentación sin rumbo y del gasto en IA ha terminado.

De la preparación a los resultados: cómo impulsar la experimentación con IA hacia la rentabilidad

La cuestión ya no es si invertir en IA, sino cómo tomar decisiones estratégicas sobre la financiación de los proyectos adecuados, y saber cuándo desinvertir en aquellos que no ofrecen resultados. A medida que las empresas avanzan en la adopción de la IA, surgen dos enfoques clave:

El primero es el enfoque de crear preparación para la IA en toda la organización. La adopción exitosa de la IA requiere algo más que tecnología: exige una base de datos accesibles, una gobernanza transparente, herramientas adecuadas y una plantilla con las competencias necesarias en IA. Mediante la inversión en formación de los empleados, el establecimiento de las estructuras adecuadas y la garantía de acceso a los datos y las herramientas de IA, las empresas pueden aprovechar el conocimiento interno y la cercanía a las operaciones diarias para impulsar la innovación en IA desde dentro. Este enfoque crea un terreno fértil en todas las funciones y se apoya en que los empleados jueguen y experimenten con la IA, descubriendo dónde están sus usos más prometedores y dejando amplio margen para el descubrimiento.

El segundo enfoque es una estrategia de IA basada en casos de uso, que se centra en identificar e implementar aplicaciones de IA de alto valor que incidan directamente en el rendimiento empresarial. Este enfoque tiende a centrarse de forma más acotada en fricciones bien definidas y existentes en la organización, como la necesidad de reducir costes o de reforzar la ventaja competitiva. Parte de la idea de que no todo el mundo necesita una licencia de uso, del mismo modo que no todo el mundo necesita derechos de acceso a los datos en una organización. Permite un mayor control y un ritmo de gasto más medido.

Pero ambos enfoques tienen ventajas e inconvenientes. El primero crea la máxima opcionalidad para la aparición de los casos de uso más fructíferos, pero es la vía menos definida en un inicio. El segundo es menos arriesgado, si se implementa bien, pero también supone un mayor efecto de dependencia en una fase temprana, cuando la IA sigue siendo más una herramienta de uso general y menos especializada. En cualquiera de los dos casos, sin embargo, es imperativo que las organizaciones evalúen el beneficio frente al esfuerzo invertido. Tener mentalidad experimental no es excusa para no supervisar los experimentos. A la inversa, los experimentos centrados no garantizan la eficacia, y mucho menos la escalabilidad en toda una organización, ya que el enfoque puede aumentar los requisitos y ralentizar la productividad. Esta es la razón por la que creemos que vemos las estadísticas mencionadas anteriormente, porque demasiadas funciones y demasiadas organizaciones no emplean un diseño suficientemente reflexivo en ninguno de los dos enfoques. Decir «aún es pronto, así que tengan paciencia» parece una salida fácil, pero no es una que los directores financieros o los accionistas vayan a aceptar, dados los gastos asociados.

Medir el impacto de la IA: el Marco de RoI de la IA

Una de las mayores carencias de los modelos de inversión en IA es la falta de una forma estructurada de medir si los proyectos de IA ofrecen el impacto esperado o si señalan la necesidad de una desinversión temprana. Sin un marco de evaluación claro, las empresas corren el riesgo de destinar recursos a iniciativas que no logran escalar ni generar rentabilidades significativas. El Marco de RoI de la IA responde a este desafío ofreciendo un enfoque estructurado y basado en métricas para hacer seguimiento de los proyectos de IA desde la exploración inicial hasta la adopción a nivel de función, de unidad de negocio o de toda la empresa.

Este marco evalúa las iniciativas de IA en dos dimensiones críticas: la viabilidad técnica —es decir, el grado de madurez de la solución de IA y si puede implementarse a escala— y la preparación para la adopción, que evalúa si la empresa está capacitada para integrar y poner en funcionamiento la IA de forma eficaz. Al definir puntos de transición claros, las empresas pueden determinar cuándo los proyectos están listos para avanzar hacia su despliegue completo o si corren el riesgo de estancarse.

En su núcleo, el marco sitúa los proyectos de IA a lo largo de tres etapas clave: su estado actual, un objetivo realista a corto plazo (3-6 meses) y un estado ideal en un plazo de 6-12 meses. Esta progresión estructurada ayuda a las empresas a cuantificar el impacto esperado de las inversiones en IA y a centrarse en las iniciativas que ofrecen un ROI medible. El tamaño de la «burbuja» de cada etapa representa los beneficios previstos, ya sea una comercialización más rápida, una diferenciación estratégica o unas capacidades técnicas más profundas. Se trata de un elemento importante que requiere hipótesis iniciales, pero también una adaptación y una iteración frecuentes. Los conocimientos generados por los experimentos pueden implicar que el planteamiento de los beneficios deba ser evolutivo, en lugar de fijo y normativo desde el primer día. Un panel de métricas e indicadores clave de rendimiento bajo observación puede necesitar estar compuesto por distintos indicadores, desde los menos cuantificables, como el aprendizaje, la satisfacción o el estímulo de la creatividad, hasta los altamente cuantificables, como la generación de clientes potenciales en marketing, la reducción de la pérdida de clientes, el ahorro de tiempo, la eficacia de los procesos, etc.

A menudo se requiere cierta deliberación entre las personas que dirigen los experimentos y sus responsables financieros para definir cómo las métricas de impacto directo se trasladan a los ingresos totales o a los costes netos, es decir, a la rentabilidad. Sin embargo, trazar ese recorrido es, no obstante, imprescindible, sobre todo con miras a justificar el aumento del gasto en cómputo y del tiempo de los empleados sobre las cargas de trabajo existentes.

Estos son algunos ejemplos de cómo trasladar las métricas de impacto inmediato a los resultados de ingresos y de beneficio neto:

1. Mayor productividad de los empleados

↑ Ingresos: mayor producción

↓ Costes: menos horas de trabajo

2. Mayor satisfacción del cliente

↑ Ingresos: retención y recomendaciones

↓ Costes: menos necesidad de soporte

3. Automatización técnica mejorada

↑ Ingresos: entrega más rápida

↓ Costes: racionalización de procesos

4. Mejor generación de clientes potenciales

↑ Ingresos: más clientes potenciales

↓ Costes: marketing eficiente

5. Adquisición de clientes simplificada

↑ Ingresos: mayores tasas de conversión

↓ Costes: menores costes de adquisición

Cuando se aplica en los entornos de pruebas de IA (AI Sandboxes), este marco garantiza que la experimentación con IA no sea un fin en sí misma, sino una vía sistemática hacia la ejecución. Permite a las organizaciones probar, perfeccionar y acelerar la adopción de la IA, manteniendo las inversiones alineadas con el valor empresarial. Al aprovechar este enfoque estructurado, las empresas pueden convertir la IA de un centro de costes experimental en un impulsor escalable y de alto impacto de la ventaja competitiva.

Un enfoque de cartera para la IA: ninguna apuesta única

Las inversiones en IA, al igual que las carteras financieras o de capital riesgo, requieren diversificación para equilibrar las ganancias de eficiencia a corto plazo con la transformación a largo plazo. Apostar por una sola iniciativa es arriesgado: algunos proyectos generarán valor, mientras que otros pueden estancarse. Un enfoque de cartera distribuye la inversión entre iniciativas de IA básicas, adyacentes y transformadoras, lo que permite a las empresas captar valor al tiempo que gestionan la incertidumbre.

El éxito depende no solo de en qué invertir, sino también de cómo gestionar la IA a lo largo del tiempo. Un enfoque de cartera estructurado garantiza que las inversiones en IA se distribuyan entre distintos horizontes temporales. A corto plazo, la IA mejora o optimiza las operaciones existentes, aumentando la eficiencia y reduciendo los costes. A medio plazo, permite nuevos modelos de negocio y diferenciación, mientras que las inversiones a largo plazo se centran en innovaciones transformadoras de IA que crean nuevas oportunidades de mercado, especialmente a medida que la IA agéntica, los gemelos digitales, la IA física y otras tecnologías se combinan y permiten la creación de nuevos tipos de productos o servicios, como, por ejemplo, en ciudades inteligentes, gestión inteligente de la cadena de suministro, atención sanitaria automatizada en el hogar o la economía espacial.

Con el paso del tiempo, el riesgo aumenta debido a la incertidumbre del mercado y la tecnológica. Por ello, las empresas deben reequilibrar continuamente sus carteras de IA: redoblando la apuesta por los proyectos de alto impacto, cambiando de rumbo cuando sea necesario y desinvirtiendo en las iniciativas de bajo rendimiento. Para garantizar que estas inversiones generen un impacto medible, el Marco de RoI de la IA proporciona una forma estructurada de evaluar la viabilidad, la preparación para la adopción y el potencial de ROI. Al definir puntos de transición claros, ayuda a las empresas a escalar los proyectos exitosos, perfeccionar los que están en curso y abandonar las iniciativas fallidas de forma temprana, evitando el desperdicio de recursos.

En lugar de comprometer grandes sumas por adelantado, las empresas pueden empezar poco a poco, ajustar en función de los resultados y escalar lo que funciona. Este enfoque estructurado y basado en datos garantiza que la IA vaya más allá de la experimentación para convertirse en un impulsor sostenido de la ventaja competitiva.

Abogamos por un enfoque de diseño deliberado que deje margen para el descubrimiento, pero no excusas para malgastar el dinero de los accionistas, el tiempo de los empleados o la costosa potencia de cómputo, con el consumo energético correspondiente. La IA no es la culpable del despilfarro. El culpable es la falta de planificación de las vías.