La escena se repite. Una empresa contrata licencias de alguna herramienta de inteligencia artificial, hace una demo que sale bien, arma una capacitación, y seis meses después nadie sabe decir qué cambió. Las licencias siguen pagándose. El proceso quedó igual.
No es un problema de la empresa. Es el resultado más frecuente que hay.
El dato
En 2025, la iniciativa NANDA del MIT publicó The GenAI Divide: State of AI in Business, un relevamiento hecho con 52 entrevistas a ejecutivos, 153 encuestas y la revisión de más de 300 implementaciones. El titular fue duro: sobre una inversión empresarial estimada en USD 30.000 a 40.000 millones, alrededor del 95% de las iniciativas no muestra retorno medible.
El desglose es más útil que el titular:
- 80% de las empresas probó IA generativa, pero solo el 5% de las herramientas hechas a medida llega a producción.
- Más del 50% de los presupuestos se destina a funciones visibles —ventas y marketing—, cuando los ahorros más claros aparecen en el back office.
- Más del 90% de los empleados usa modelos de lenguaje por su cuenta para trabajar, por fuera de las iniciativas de la empresa.
Es un reporte de industria, no un paper con revisión de pares, y la cifra del 95% fue discutida públicamente desde que salió: depende de cómo se define "retorno medible", y una iniciativa de seis meses sin impacto en el P&L no es necesariamente una iniciativa fracasada. Lo tomo por la composición interna de los números, que es consistente y coincide con lo que se ve, no por el titular.
Lo que ese 90% está diciendo
De los tres datos, el que más me interesa es el último, y casi nunca se comenta.
Si nueve de cada diez empleados ya usan estas herramientas por su cuenta —con su cuenta personal, sin que nadie se lo pida, muchas veces sin decirlo— entonces el problema no es de adopción. La gente ya adoptó. Lo que falló es el programa formal de la empresa.
Eso invierte el diagnóstico habitual. La conversación suele ser "cómo hacemos para que la gente use IA". La pregunta real es por qué lo que la gente ya usa por su cuenta no funciona cuando la empresa lo compra y lo instala. La respuesta que da el reporte es que la herramienta comprada casi nunca entra al flujo de trabajo que venía a cambiar: se suma al costado, como una pestaña más.
Dónde va la plata y dónde está el retorno
Este es el hallazgo más accionable, y el más incómodo para quien firma el presupuesto.
Más de la mitad del gasto va a ventas y marketing. Es entendible: son las áreas visibles, las que se muestran en una reunión de directorio, las que producen un caso lindo para contar. Pero el ahorro medible aparece en el otro lado: procesamiento de documentos, atención al cliente, tareas administrativas repetitivas. El back office, que no luce.
Hay una razón estructural para eso. En marketing, el resultado de la IA es difícil de aislar: hay estacionalidad, precio, competencia, mil variables. En el back office el resultado es una resta. Se contaban las horas antes, se cuentan después. Se medían los días de un circuito administrativo, se vuelven a medir. Eso se puede llevar a un número, y lo que se puede llevar a un número se puede defender.
Qué hace distinto al 5%
Según el reporte, las organizaciones que sí obtienen retorno hacen tres cosas de otra manera: compran en vez de construir, dejan la decisión en los jefes de línea en vez de un laboratorio central, y eligen herramientas que se integran al proceso en lugar de quedar al costado.
Las tres apuntan al mismo lugar. No se trata de qué modelo se usa. Se trata de si el trabajo cambió de forma o no.
Cómo se decide esto con números
Para una PyME, todo esto se traduce en algo bastante concreto y anterior a cualquier compra:
- Elegir un proceso, no un área. No "IA para administración", sino "la conciliación de cuentas corrientes" o "la carga de remitos". Un proceso que alguien pueda nombrar y cronometrar.
- Medirlo antes. Cuántas horas por semana, cuántos días de ciclo, cuántos errores por cada cien. Si no existe el número de partida, no va a haber forma de saber si sirvió, y la discusión va a terminar en opiniones.
- Fijar el umbral antes de comprar. Cuánto tiene que bajar ese número para que la licencia se pague. Es una cuenta de dos líneas y casi nadie la hace.
- Empezar por lo aburrido. El proceso más repetitivo y menos glamoroso de la empresa es, estadísticamente, donde está el retorno.
- Preguntar quién ya lo está usando. Es gratis, tarda una reunión, y probablemente ya haya alguien adentro que resolvió una parte por su cuenta.
Lo que no diría
No diría que la IA no sirve: el 5% que extrae valor está en el mismo estudio. Tampoco que haya que esperar a que madure.
Lo que sí evitaría es el orden inverso —comprar la herramienta y después buscarle un problema—, que es exactamente el camino que describe el 95%. Y desconfiaría de cualquier proyecto que no pueda decir, antes de arrancar, qué número tiene que moverse.
El estudio mira empresas grandes. No encontré datos equivalentes para PyMEs de la región, y sospecho que el resultado sería distinto en las dos direcciones: menos plata en juego, pero también menos capas entre la decisión y el proceso, que es justo lo que el reporte identifica como la ventaja del 5%. Es una hipótesis, no un dato.
La pregunta
Antes de la próxima licencia: ¿qué número de esta empresa tiene que moverse, y quién lo está midiendo hoy?
Si no hay respuesta, el problema no es la herramienta.