Una mirada más cercana a las etapas de adopción de IA que sustentan el éxito de la IA empresarial

Todas las empresas atraviesan las mismas etapas de adopción de IA, ya sea que las planifiquen o no. El camino va desde el uso disperso de herramientas hasta los primeros pilotos, luego a la producción en vivo y, finalmente, a sistemas compartidos de los que depende todo el negocio. Cada paso ocurre de forma gradual, por lo que las compañías suelen alcanzar una nueva etapa mucho antes de que alguien la reconozca.

Lo que diferencia a una empresa de otra es cuán avanzado está en ese camino, y la brecha en el mercado es amplia. La encuesta global 2025 de McKinsey encontró que el 88 % de las organizaciones ya utilizan IA en al menos una función empresarial, mientras que alrededor de un tercio ha comenzado a escalarla y el 7 % afirma que la IA está totalmente escalada. Eso significa que casi todas las empresas han empezado a implementar IA, pero muy pocas han tenido éxito con ella.

En los últimos años he trabajado con equipos de liderazgo en casi todos los puntos de este camino, y un patrón se ha mantenido constante. La etapa en la que se encuentra una empresa revela más sobre lo que su programa de IA entregará que el modelo que eligió o el proveedor con el que firmó. Cada una de las etapas de adopción de IA requiere un tipo diferente de cambio dentro de la organización, y ese cambio es el que predice el resultado. Así que repasemos cada una, junto con el punto donde las compañías suelen atascarse al pasar a la siguiente.

Las cinco etapas de adopción de IA y las decisiones que impulsan a una empresa hacia adelante

En las empresas con las que trabajamos, estas cinco etapas aparecen casi siempre en el mismo orden. Por lo general, comienza con unas pocas personas que usan herramientas de IA de forma independiente, y la alta dirección a menudo no se da cuenta hasta mucho después. Algunas compañías nunca superan esa fase. Las que lo hacen continúan y, eventualmente, llegan a un punto en que el negocio mismo se construye alrededor de lo que la tecnología puede hacer. Lo importante es entender que cada etapa exige algo distinto de la organización. La decisión que llevó a una empresa a superar su fase piloto suele ser la misma que la frena un año después, y ahí es donde muchos programas de IA se desmoronan silenciosamente.

1. Uso disperso sin propietario

La primera etapa suele parecer nada más que curiosidad. En este punto, los empleados utilizan herramientas de IA sin una política central, el área de compras no tiene visibilidad alguna y nadie mide lo que ese trabajo produce. Existe información valiosa dentro de ese desorden, porque la curiosidad en los bordes de la empresa revela dónde realmente se genera la fricción, y esa señal casi nunca llega a la alta dirección mediante un canal formal.

El error que cometen los líderes aquí es formalizar demasiado pronto, lo que convierte la experimentación genuina en un ejercicio de gobernanza mucho antes de que alguien haya determinado qué es realmente necesario gobernar.

Qué decidir en esta etapa: el instinto correcto es observar lo que ocurre en lugar de intentar controlarlo, por lo que se debe establecer una política ligera de uso que cubra el manejo de datos y dejar el resto en pausa por el momento. Lo que se busca es la repetición, porque cuando la misma solución alternativa aparece en tres equipos diferentes sin coordinación, se tiene un caso de uso que merece financiación adecuada.

2. Pilotos financiados con criterios de éxito débiles

El piloto llega con un presupuesto, un propietario asignado y una demostración ante el consejo, y luego el trabajo termina silenciosamente allí. La investigación de la iniciativa NANDA del MIT descubrió que la gran mayoría de los pilotos de IA generativa en empresas no generan un impacto medible en pérdidas y ganancias.

Tres factores explican casi todo ello: primero, los criterios de éxito se basan en la precisión del modelo en lugar de en una métrica que realmente importe al negocio; segundo, no existe una canalización de datos real detrás de la demostración; tercero, una vez finalizado el lanzamiento, nadie se queda con la responsabilidad del resultado. Lo que dificulta identificar esta etapa desde dentro es que parece progreso: las demos mejoran, los proveedores compiten por la siguiente fase y los comités continúan reuniéndose, pero nada se traduce en una cifra que finanzas pueda cuantificar.

La recomendación aquí: no apruebes un piloto sin una métrica de negocio adjunta y sin un responsable que siga rindiendo cuentas de esa métrica dentro de un año; elimina aquellos en los que nadie pueda nombrar ambos. Cuatro pilotos gestionados con esa disciplina te llevarán más lejos que doce que todos admiran.

3. Integración en producción

De todas las etapas de adopción de IA, esta es la que pone fin al mayor número de programas. Empleados y clientes dependen ahora del sistema a diario, y aparecen requisitos que ningún piloto había tenido que cumplir, como monitoreo y rutas de escalamiento humano, control de versiones de prompts y modelos, respuesta a incidentes y trazabilidad de datos que resista una auditoría. El NIST AI Risk Management Framework documenta esos controles en detalle, y vale la pena leerlo antes de fijar una fecha de lanzamiento.

El problema más difícil aquí no es técnico sino organizativo, ya que esta etapa premia la disciplina de ingeniería sobre la experimentación, y un equipo que ha funcionado como un grupo de investigación tendrá dificultades mientras la dirección busca una explicación tecnológica. También cambian la economía. Los costos de los pilotos son puntuales y fáciles de aprobar, mientras que la producción genera una línea operativa permanente, y las empresas que nunca la presupuestaron tienden a interpretar la primera solicitud de renovación como evidencia de que la inversión falló.

Qué debe cambiar antes del lanzamiento: trasladar la propiedad antes del lanzamiento en lugar de después, asignar la entrega a personas que ya hayan gestionado producción y financiar el costo operativo durante tres años desde el inicio. Luego, designar a la persona que recibirá la alerta cuando un modelo se degrade, pues ese único nombre es lo que diferencia un sistema operativo de una demo.

4. Capacidad compartida y reutilización

En este punto, la IA se convierte en infraestructura que varias unidades de negocio utilizan. Un equipo de plataforma mantiene los componentes reutilizables, una forma estándar de evaluarlos y una ruta de despliegue, de modo que el costo de cada nuevo caso de uso disminuye porque nadie vuelve a construir la base desde cero cada vez.

La señal más clara de que una empresa ha alcanzado esta etapa no tiene nada que ver con la tecnología. La autoridad presupuestaria pasa del equipo de innovación a los propietarios de las líneas de negocio, y cuando el jefe de una división financia el trabajo de IA desde un presupuesto operativo y registra el retorno en sus propios indicadores, la organización ha cruzado realmente el umbral. Hemos observado que este cambio aporta más a la calidad de los casos de uso que cualquier decisión técnica tomada en el mismo año.

Dónde debe ubicarse el dinero: financiar al equipo de plataforma como infraestructura en lugar de tratarlo como un proyecto, y medirlo en función de la reutilización más que del número de implementaciones. Luego, trasladar el presupuesto de IA del área de innovación a las divisiones, porque en el momento en que un propietario de negocio paga por ello, los casos de uso se vuelven más precisos sin necesidad de intervención.

5. IA dentro del modelo operativo

Las empresas en esta etapa diseñan productos, procesos y decisiones alrededor de la capacidad de IA desde el principio, y nada se adapta después. Las nuevas ofertas asumen que la capacidad ya está disponible, los roles cambian para reflejar lo que los sistemas gestionan y los ciclos de planificación se acortan porque una idea puede probarse con datos reales en cuestión de días.

Muy pocas organizaciones llegan realmente a este punto, y el número que afirma estar allí es considerablemente mayor que el de los que realmente califican. La prueba es lo suficientemente simple como para realizarse en una sola reunión: preguntar qué dejaría de hacer la empresa si los modelos desaparecieran mañana. Una respuesta sincera resulta incómoda de expresar en voz alta, porque menciona ingresos en lugar de comodidad. Cada vez que hemos planteado esa pregunta a un equipo de liderazgo, la respuesta honesta los ubicó una o dos etapas por debajo de lo que el plan estratégico afirmaba.

La cuestión a nivel de consejo: tratar la capacidad de IA como un activo estratégico y aplicar el mismo escrutinio que a cualquier otro. Revisar la concentración de proveedores, la dependencia de modelos y la propiedad de los datos a nivel de consejo, luego preguntar cómo sería el plan de contingencia para cada proceso que ya no funciona sin un modelo, y financiar esa contingencia antes de que alguien la necesite.

Qué ocurre cuando una empresa omite una etapa: ejemplo real

Hemos visto bastantes empresas, y la secuencia es casi siempre la misma: cuando un piloto funciona bien, al consejo le gusta, todos quieren mostrar avances, y la compañía pasa de la demo a un despliegue completo sin detenerse en la integración de producción. Nadie quiere dedicar un trimestre al monitoreo y la propiedad cuando la demo ya funciona, así que la omiten. Uno de nuestros clientes hizo exactamente eso y le costó más de lo que esperaba.

Qué salió mal

El cliente era una empresa de servicios que gestionaba una carga de trabajo de soporte, y el modelo manejaba las respuestas de primera línea que antes atendía su equipo. Se puso en producción en toda la operación basándose en un piloto que había funcionado bien, y durante cuatro meses nada parecía incorrecto. Cuando intervenimos y revisamos lo que realmente estaba funcionando, no había monitoreo del modelo, por lo que nada les avisaba si las respuestas comenzaban a fallar. No existía una ruta de escalamiento para los casos que una persona debería haber revisado. El equipo que lo construyó pasó al siguiente proyecto y no dejó a nadie como responsable, y como el piloto había sido un costo puntual, nadie había asignado un presupuesto operativo a algo que ahora se ejecutaba a diario.

Qué les costó

Las respuestas comenzaron a fallar, y cualquiera que estuviera vigilando lo habría detectado a tiempo, pero nadie lo estaba, de modo que un cliente lo notó primero. Corregir el modelo resultó ser la parte fácil y tomó alrededor de dos semanas. Recuperar la confianza de las personas que dependían de ese output ocupó el resto del trimestre, y la alta dirección pasó la mayor parte de ese mismo trimestre discutiendo si la inversión en IA había sido un error, cuando el error fue la forma en que la lanzaron.

Qué aprender de ello

El monitoreo y la propiedad parecen gastos generales hasta que se carece de ellos, y omitirlos hace que el lanzamiento parezca más barato de lo que es. El costo no desaparece, simplemente se manifiesta más tarde como pérdida de confianza en lugar de una cifra en el presupuesto.

Cómo identificar la etapa actual de adopción de IA de su empresa

Cuatro preguntas sitúan a una empresa en este camino más rápido que cualquier evaluación formal. Formúlenlas con sus líderes operativos y respondan cada una con evidencia.

• ¿Puede nombrar la métrica de negocio que mueve cada modelo implementado?
• ¿Quién recibe la alerta cuando uno de ellos se degrada?
• ¿Cuánto tiempo lleva un nuevo caso de uso desde la solicitud hasta la producción?
• ¿Cuánto de su trabajo de IA reutiliza lo que ya ha construido?

Respuestas claras confirman la etapa que ha alcanzado la empresa. Las respuestas inciertas apuntan directamente a la capa que vale la pena financiar a continuación, lo que las hace igualmente valiosas.

Las empresas que se adelantan rara vez son las que tienen los mejores modelos, sino aquellas que evalúan su posición con honestidad e invierten en lo que las lleva a la siguiente etapa. Eso es más difícil de lo que parece, porque cada equipo informa sobre su propio progreso y nadie quiere ser quien diga que su parte está rezagada. Los líderes que lo hacen bien hacen las preguntas directamente y contrastan las respuestas con lo que realmente está en funcionamiento.

Cada organización ya pertenece a una de estas etapas, haya o no alguien que la haya nombrado. La ventaja corresponde a los equipos de liderazgo que saben cuál es y que financian el siguiente paso de manera deliberada.