Cuando salió el dato, varios colegas me escribieron preocupados. El Foro Económico Mundial publicó en enero de 2026 un artículo donde recoge algo que ya se venía diciendo: hasta el 95% de los pilotos de inteligencia artificial fracasan en llegar a producción. El número circuló rápido, con tono de mala noticia, como si confirmara que la IA era humo.
A mí me pasó lo contrario. Leí ese 95% y me quedé tranquila. No porque me alegre que algo fracase, sino porque ese número confirma exactamente lo que veo todas las semanas en las reuniones con PyMEs uruguayas: la mayoría todavía no tiene que pensar en IA. Tiene que ordenar sus datos primero.
Quiero explicar por qué, porque la conversación sobre IA en las empresas medianas está girando hacia el lado equivocado. Y porque esta paradoja del 95% tiene una lectura útil para ti si estás sintiendo la presión de “implementar IA este año”.
La cifra que asustó a muchos y a mí me ordenó la cabeza
El artículo del Foro Económico Mundial, titulado sobre el momento del mid-market para la IA, recoge esa cifra de hasta 95% de pilotos que no llegan a producción. Es un dato fuerte y conviene leerlo bien: no dice que la IA no funcione. Dice que la enorme mayoría de los intentos se quedan en el camino, sin pasar de la prueba al uso real.
Cuando uno mira por qué se quedan en el camino, la respuesta casi nunca es la tecnología. Los modelos funcionan. Lo que falla está más abajo, en los cimientos. Y ahí es donde esta nota se pone interesante para una PyME.
El 95% no se explica por la tecnología
Voy a ser directa con lo que veo. Cuando un piloto de IA fracasa en una empresa mediana, la causa de fondo suele ser que los datos sobre los que tenía que trabajar estaban desordenados, dispersos o directamente no existían en forma utilizable.
Una IA que tiene que responder sobre tus ventas necesita que tus ventas estén en un lugar consultable, con criterios consistentes. Una IA que tiene que ayudar con tu inventario necesita que el inventario esté digitalizado y actualizado. Si esa base no está, el piloto arranca con entusiasmo, da resultados raros en las primeras pruebas, pierde la confianza del equipo y muere. No por la IA. Por lo que tenía debajo.
Los datos de la industria acompañan esta lectura. McKinsey reporta que solo alrededor del 20% de las organizaciones logra un liderazgo real de medición con analítica de IA. La mayoría se queda corta justamente en la parte de confianza y adopción, que es la parte humana y de datos, no la del modelo. Y BARC, en su Trend Monitor 2026, pone a la IA explicable como la prioridad número uno de las organizaciones orientadas a datos: lo que la gente pide es IA en la que se pueda confiar y que se pueda entender, no más cantidad de IA.
Hay más números en la misma dirección. RAND encontró que más del 80% de los proyectos de IA empresarial, tomados de forma general, no terminan llegando a buen puerto. Conviene aclarar que ese dato de RAND mide IA empresarial en sentido amplio, no un tipo específico. Y Gartner proyecta que cerca del 40% de los proyectos de IA agéntica van a ser cancelados para 2027. Cada fuente mide algo distinto, pero todas cuentan la misma historia de fondo: el cuello de botella vive antes del modelo.
Las tres condiciones que tienen que existir antes de evaluar IA
Cuando una empresa me pregunta si está lista para un proyecto de IA, no le hablo del modelo. Le hago tres preguntas sobre sus cimientos. Si las tres no tienen respuesta clara, mi recomendación honesta es esperar y ordenar primero.
Uno: tus datos tienen que ser accesibles
No alcanza con que los datos existan. Tienen que poder extraerse y consultarse. Si la información clave vive en la cabeza de una persona, en planillas dispersas o en papel, ninguna IA la va a poder usar. Este es el filtro que más empresas no pasan.
Dos: tiene que haber una decisión concreta que la IA mejore
La IA no es un fin. Es una herramienta para una decisión. Antes de evaluarla, conviene poder completar la frase “quiero usar IA para decidir mejor sobre ___”. Si esa frase no se completa con algo específico, el piloto no tiene norte y se va a perder.
Tres: tiene que haber un dueño del proceso
Alguien del negocio, no de IT, que se apropie del resultado y lo use para trabajar distinto. Sin ese dueño, hasta el mejor piloto queda como una curiosidad técnica que nadie incorpora a su día.
Estas tres condiciones son, en el fondo, lo que llamamos BI aterrizado a tu operación: datos accesibles, una decisión concreta y un dueño que los use. Es la base sobre la que después, si tiene sentido, se apoya la IA.
Qué le digo al directorio que pide “implementar IA este año”
Esta conversación se repite. El directorio leyó sobre IA, sintió que se está quedando atrás, y bajó la orden de “implementar IA este año”. El gerente de operaciones queda en el medio, con la presión de mostrar algo.
Lo que le sugiero a ese gerente es reformular la orden sin desobedecerla. La meta no debería ser “tener IA”. Debería ser “estar listos para usar IA con resultado real cuando la apliquemos”. Y ese estar listos se construye ordenando los datos, definiendo qué decisiones se quieren mejorar y nombrando dueños. Es un trabajo que da resultados por sí solo, porque ordenar los datos ya mejora la operación, y al mismo tiempo deja a la empresa en condiciones de adoptar IA sin entrar al 95% que fracasa.
Dicho de otro modo: el año de la IA, para la mayoría de las PyMEs, es el año de ordenar los datos. No es un paso menor ni un premio consuelo. Es lo que separa a las empresas que el año que viene van a poder usar IA en serio de las que van a tener un piloto muerto y la sensación de que la IA no era para ellas.
El costo real de hacerlo en el orden equivocado
Hacerlo al revés tiene un costo concreto, y no es solo la plata del piloto fallido. Es la quemada de confianza. Cuando un equipo ve fracasar un proyecto de IA, queda escéptico para el siguiente, aunque el siguiente esté bien planteado. La empresa pierde meses, pierde presupuesto y, lo más caro, pierde las ganas de intentarlo de vuelta.
Lo veo seguido: empresas que llegan después de un primer intento fallido de IA, convencidas de que el problema era el proveedor o la herramienta, cuando el problema era que nunca tuvieron la base de datos para sostenerlo. Empezar por los cimientos cuesta menos, da resultados antes y no quema la confianza del equipo. Sin proyectos eternos, sin pilotos que mueren a los tres meses.
FAQ: lo que se pregunta una PyME presionada por la IA
¿Entonces la IA no sirve para PyMEs?
Sí sirve, y mucho, cuando la base está. Lo que digo es que para la mayoría de las PyMEs hoy el paso anterior, ordenar los datos, está pendiente. Hecho ese paso, la IA se vuelve una opción real y no una apuesta.
¿Cómo sé si mis datos están listos?
Con un diagnóstico honesto de las tres condiciones: si tus datos son accesibles, si hay una decisión concreta para mejorar y si hay un dueño del proceso. Si las tres dan que sí, vale la pena evaluar IA. Si alguna da que no, conviene ordenar primero.
¿Ordenar los datos no es también un proyecto largo?
No tiene por qué serlo. Un primer ordenamiento enfocado en las decisiones que más importan se hace en semanas, no en meses, y ya mejora la operación por sí mismo, aunque nunca llegues a la IA.
¿No me voy a quedar atrás mientras ordeno?
Quedarse atrás es tener un piloto de IA muerto y un equipo escéptico. Llegar con los datos ordenados es llegar en condiciones de adoptar IA cuando convenga, sin entrar a la estadística del 95%.
Próximo paso
Si estás sintiendo la presión de implementar IA y no estás seguro de si tu empresa está lista, el paso más útil no es contratar un piloto. Es revisar tus cimientos: si tus datos son accesibles, qué decisión quieres mejorar y quién sería el dueño.
Podemos hacerte un diagnóstico inicial sin costo de 30 minutos para revisar en cuál de las tres condiciones estás parado y qué te falta para estar listo, con un plan operativo en 48 horas. Sin proyectos eternos, sin venderte IA antes de que tus datos la puedan sostener.
