Por qué el 87% de los proyectos de IA nunca llegan a producción

En 2024, la RAND Corporation publicó un informe contundente: Más del 80 por ciento de todos los proyectos de IA fracasan. Eso es el doble de la ya alarmante tasa de fracaso de proyectos de TI sin IA. Gartner va más allá: el 87 por ciento de los proyectos de data science nunca alcanzan la fase de producción.

Deja que ese número cale. De diez proyectos de IA iniciados hoy, menos de dos llegarán alguna vez a usuarios reales. El resto muere como prueba de concepto, como prototipo, como diapositiva en un informe trimestral.

Las cinco razones reales

El estudio de RAND entrevistó a 65 profesionales experimentados en IA — no teóricos, sino personas que llevan años construyendo y desplegando modelos. Lo que encontraron solo sorprende a quienes nunca han visto un proyecto de IA empresarial desde dentro:

1. Resolver el problema equivocado

El 84 por ciento de los encuestados lo identificó como la causa principal. La dirección dice: «Construid IA.» Pero qué exactamente debe optimizarse, para qué métrica, en qué flujo de trabajo — eso queda vago. Los equipos construyen modelos brillantes para problemas que nadie tiene.

2. Datos — el problema central no resuelto

30 de 50 entrevistados nombraron la mala calidad de datos como razón primaria. No datos faltantes — malos. Inconsistentes, incompletos, no representativos. Los modelos funcionan en el laboratorio pero no en la realidad, porque la realidad es sucia.

“«El 80 por ciento de la IA es el trabajo sucio de la ingeniería de datos. Necesitas buena gente haciendo el trabajo sucio — de lo contrario, sus errores envenenan los algoritmos.»”

3. Enfoque en tecnología en vez del problema

Los equipos persiguen el último framework en lugar de resolver el problema real. Los data scientists experimentan con arquitecturas transformer cuando un random forest bastaría. El incentivo individual (mejorar el currículum) entra en conflicto con el éxito del proyecto.

4. Sin infraestructura para producción

Un modelo en un notebook no es un producto. Sin pipeline de MLOps, sin monitorización, sin estrategia de despliegue, incluso el mejor modelo sigue siendo un experimento. Los ingenieros de datos son vistos como «los fontaneros de la data science» — y dotados de personal en consecuencia.

5. Problemas demasiado difíciles

A veces el problema simplemente no es (aún) resoluble. No toda tarea es adecuada para IA. Automatizar juicios humanos subjetivos, visión por computador en entornos no estructurados, predicciones con demasiadas variables — la IA no es una varita mágica.

Qué hacen diferente los que tienen éxito

El 13 por ciento que llega a producción comparte algo: Empiezan con el problema, no con la tecnología. Invierten en calidad de datos antes de entrenar un solo modelo. Tienen equipos de infraestructura tan respetados como los constructores de modelos.

Entonces llegó la IA generativa

Gartner pronostica: el 30 por ciento de todos los proyectos de IA generativa serán abandonados después de la prueba de concepto para finales de 2025. Las razones: mala calidad de datos, costes descontrolados, valor de negocio poco claro. La historia se repite — solo que más rápido.

Al mismo tiempo, según McKinsey, el 72 por ciento de todas las empresas usan IA en al menos una función — pero solo el 14 por ciento están realmente preparadas según Cisco. La brecha entre ambición y realidad crece.

Qué significa esto para tu empresa

Si quieres introducir IA, no empieces con la pregunta «¿Qué modelo?» Empieza con: ¿Qué problema nos está costando dinero hoy? ¿Tenemos los datos con la calidad necesaria? ¿Quién lo desplegará y mantendrá? Si falta alguna de estas respuestas — ese es el primer paso, no el modelo.

El 87 por ciento no es una ley de la naturaleza. Es el resultado de errores evitables. El más común: pensar en la solución demasiado pronto, antes de entender el problema.

Fuentes: RAND Corporation RRA2680-1 (2024), Gartner (2023/2024), McKinsey State of AI (2024), Cisco AI Readiness Index (2023)