Las empresas no dejan de anunciar estrategias de IA ambiciosas, y solo un puñado se convierte en algo duradero. Las cifras son difíciles de ignorar. Un estudio de MIT Sloan y BCG de 2025 reveló que solo 1 de cada 20 iniciativas de IA genera un valor de negocio significativo. RAND lo expresa de forma más contundente: más del 80 % de los proyectos de IA nunca llegan a producción o no aportan el impacto que prometían. De media, las organizaciones pierden alrededor de 7,2 millones de dólares por proyecto fracasado una vez que se contabilizan el coste de oportunidad, el retraso y la disrupción.
Entonces, ¿qué es lo que realmente sale mal? Según nuestra experiencia, a lo largo de más de 100 proyectos de IA, el problema de fondo casi nunca es el modelo. Es que las empresas tratan la IA igual que tratan el software convencional: algo que se planifica una vez, se construye una vez y se entrega. La IA no funciona así. Se alimenta de datos, arrastra incertidumbre y tiene que estar integrada en cómo el negocio toma decisiones de verdad. Cuando fracasa, fracasa porque nadie desde dentro la hace suya. Ese es un problema de personas, y este artículo trata sobre las personas que lo resuelven.
¿Por qué la IA no es una entrega y punto?
El software tradicional es una herramienta de productividad: acelera un flujo de trabajo que ya existe. La IA es distinta, porque no se limita a ejecutar decisiones, sino que las moldea.
Un modelo de cribado no se limita a clasificar candidatos más rápido. Decide qué perfiles reciben atención y qué atributos se convierten en indicadores indirectos de “calidad”, y con el tiempo eso redefine a quién se contrata. Un modelo de precios hace algo más que estimar la elasticidad de la demanda. Redefine el riesgo y el margen aceptables, y cambia con cuánta agresividad la empresa pone a prueba los límites de sus precios. En ambos casos el sistema no solo escala una decisión, sino que la estandariza y la vuelve repetible en toda la organización.
Por eso un modelo lanzado por encima de la valla es peligroso, no solo decepcionante. Todo sistema de IA codifica supuestos sobre las prioridades, sobre qué significa el éxito, sobre qué compensaciones son aceptables. Esos supuestos se establecen pronto y, a menudo, de forma implícita. Una vez que el sistema está en marcha, los equipos optimizan lo que mide, los cuadros de mando reflejan lo que rastrea, los incentivos se alinean con lo que premia. Si nadie dentro de la organización comprende y asume esos supuestos, acabas escalando una lógica que nunca elegiste conscientemente.
Las cinco formas en que las iniciativas de IA se rompen de verdad
Hemos encontrado los mismos puntos de fallo una y otra vez, y ninguno de ellos tiene que ver realmente con el algoritmo:
- Ningún objetivo de negocio claro. Los equipos parten de “necesitamos IA” en lugar de un problema concreto ligado a los ingresos, el coste o el riesgo. Sin un resultado medible, incluso un proyecto técnicamente impecable parece un fracaso.
- Cimientos de datos débiles. Un sistema es tan bueno como los datos que lo sustentan. Unos datos fragmentados, inconsistentes o inaccesibles anulan hasta el mejor de los modelos.
- Sin integración en los procesos. Un modelo que funciona aislado no informa nada. La IA tiene que nutrir decisiones reales, no solo poblar un cuadro de mando.
- Vacíos de responsabilidad. Tratada como un añadido externo, nadie desde dentro responde por su rendimiento, su iteración o su deriva.
- Resistencia al cambio y deriva. La IA exige nuevas formas de trabajar y, a diferencia del software tradicional, se degrada con el tiempo. Sin monitorización, reentrenamiento y personas que se impliquen, el rendimiento cae en silencio.
Cada uno de estos puntos se cierra con las personas adecuadas metidas dentro del trabajo, no con un modelo mejor enviado desde fuera.
¿Es el debate de outsourcing frente a consultoría de IA el debate equivocado?
“Consultoría de IA” y “AI outsourcing” se usan indistintamente, y ambos enfoques pierden de vista lo esencial. El outsourcing es transaccional: delegas una tarea definida, construyes un modelo, entregas un cuadro de mando, mides el éxito contra unas especificaciones. La consultoría es sistémica: empieza antes de que exista ningún modelo y se pregunta si la solución debería existir siquiera. Uno produce un componente. La otra da forma a una capacidad.
Pero esto es lo que hemos aprendido dirigiendo estos proyectos: la capacidad no se transfiere en una presentación ni en un conjunto de recomendaciones, y no la construye un proveedor que se marcha. La construyen las personas que se quedan. La verdadera brecha no está entre las empresas que hacen consultoría y las que hacen outsourcing. Está entre las organizaciones que tienen a las personas de IA y datos adecuadas integradas en sus equipos y las organizaciones que siguen alquilando un modelo con la esperanza de que cuaje.
Lo que realmente ofrecemos: un equipo que se convierte en tu capacidad de IA
En RITS no te vendemos una solución de IA terminada ni diseñamos algo aislado para lanzarlo por encima del muro. Te damos un equipo dedicado de ingenieros senior de IA y de datos que se integran en tu equipo y en tu proceso, y que se quedan el tiempo suficiente para que la capacidad pase a ser tuya.
Ese equipo lo lidera un Technical Data & AI Architect especializado en arquitecturas LLM y RAG y en flujos de datos automatizados, la persona que tiende un puente entre el conocimiento organizativo fragmentado y la toma de decisiones basada en datos y en tiempo real. En torno a ese rol incorporamos ingenieros LLM/RAG, ingenieros MLOps e ingenieros de datos, dimensionados según el problema. Es, deliberadamente, un equipo pequeño y senior. En nuestros proyectos, un equipo compacto potenciado por herramientas de IA supera de forma consistente a uno grande: menos personas, más resultados, entregas más rápidas, porque la seniority y una buena orquestación pueden más que el número de personas.
Lo que ese equipo hace dentro de tu organización es lo contrario de una entrega y punto. Se sitúan cerca de cómo operas de verdad, aprenden dónde se crea valor y dónde se atascan las decisiones, y construyen los cimientos de datos, la integración, la monitorización y el gobierno que hacen que un sistema de IA sea fiable bajo restricciones del mundo real: incentivos en competencia, calidad de datos desigual, presión regulatoria, prioridades cambiantes. Conectan el comportamiento del modelo con los resultados económicos y lo mantienen conectado a medida que las cosas cambian. Y como trabajan junto a tu gente en lugar de en su lugar, tu organización desarrolla su propia madurez en la toma de decisiones aumentada por máquinas en vez de seguir dependiendo de nosotros.
Con experiencia en más de 100 proyectos de IA en múltiples sectores, hemos comprobado que la IA solo aporta valor cuando la visión de negocio, la ejecución técnica y una auténtica apropiación interna van de la mano. Esa combinación no llega en un entregable. Llega en forma de equipo.
¿Por dónde deberías empezar con la IA?
Si la IA se te ha estancado, no empieces por un modelo y no empieces por la tecnología. Empieza por un problema de negocio claramente definido: dónde estamos perdiendo dinero, qué decisiones son lentas, inconsistentes o de alto riesgo, qué procesos tienen el mayor peso financiero. Luego mide el éxito en términos de negocio, crecimiento de los ingresos, reducción de costes, reducción de riesgo, no en precisión del modelo. El error más habitual que vemos es partir de “necesitamos IA” en lugar de “necesitamos mejorar X en un Y %”.
Y después pon a las personas adecuadas al frente, personas que se queden. Un equipo dedicado de ingenieros de IA y de datos integrado en tu organización no es la opción más cara una vez que cuentas las iniciativas fallidas que evita y la capacidad interna que deja tras de sí. Es la que de verdad se sostiene.
Pon un equipo dedicado de ingenieros de IA y de datos, potenciado por IA, dentro de tu organización → /services/team-augmentation