Por qué fracasa el 95% de los pilotos de IA — y cómo evitarlo

• Las empresas se obsesionan con el ROI a corto plazo al adoptar IA, dañando por sí mismas el entorno necesario para acumular valor a largo plazo y elevando la probabilidad de fracaso
• Según MIT, McKinsey, Upwork y HBR, se acumulan la falta de resultados, el burnout del personal y la confusión estratégica, generando un círculo vicioso que termina en fuga de usuarios pioneros y colapso de la confianza
• En casos de campo se observa que, tras los resultados iniciales, subir los precios y las metas de desempeño seca el margen para innovar y provoca demoras en la toma de decisiones y estancamiento en la expansión del producto, en un fenómeno de stag hunt
• La clave de la solución es tocar los puntos de apalancamiento de Donella Meadows en la dirección correcta: no más control ni extracción, sino autoridad distribuida, reinversión y espacio de adaptación
• Como muestran los casos de SharkNinja, Johnson Hana y Shopify, cuando se cambia a un sistema operativo basado en la confianza, la innovación acumulativa surge como un subproducto natural del ROI

---

Planteamiento del problema y contexto

• Según una investigación reciente del MIT, el 95% de los proyectos corporativos de adopción de IA fracasa. Esta cifra es considerada no exagerada
  • En una encuesta de McKinsey, más del 80% de los ejecutivos respondió que la IA generativa no había producido cambios visibles en los ingresos de la empresa
  • Un estudio de Upwork reveló que los empleados con mayor uso de IA tenían más intención de renunciar, no entendían la estrategia de IA de la empresa, y el 88% había experimentado burnout
• La causa de fondo de este fenómeno es que las empresas, por la presión de recuperar rápido la inversión en IA, están sacrificando los efectos de largo plazo
  • Es decir, al inicio aparecen efectos positivos como mejoras de eficiencia y automatización del trabajo, pero cuando llega la exigencia gerencial de demostrar ROI en el corto plazo, el proyecto se detiene o termina fracasando
• Desde 2023, lideré proyectos de transformación con IA en una consultora mediana
  • Hubo un enfoque sistemático: ejecución de pilotos, rediseño de flujos de trabajo y estrategias de gestión del cambio
  • Como resultado, se lograron más de 40,000 horas de productividad laboral y también hubo alta satisfacción de los clientes
  • Pero cuando la empresa empezó a exigir retorno inmediato de la inversión, el avance del proyecto se estancó

• Implicaciones

  • En el punto en que se detiene una transformación con IA aparecen patrones y señales de alerta consistentes, y si se observan bien, es posible llevar el cambio hacia el largo plazo
  • A partir de esa experiencia, se propone una receta de señales tempranas y cambio sostenible

Por qué el “éxito” detona el “fracaso”

• La consultora de 300 personas donde trabajaba el autor obtuvo resultados sólidos en la adopción inicial de IA y ganó impulso
  • Se introdujo una herramienta para automatizar el análisis de llamadas de investigación, que generaba automáticamente transcripciones, resúmenes e informes para clientes, funcionando casi como un empleado junior
  • Gracias a eso, el equipo pudo concentrarse en rediseñar flujos de trabajo clave y extraer insights accionables, logrando mejor calidad de resultados y satisfacción del cliente
• Se pensó que ese éxito demostraría el potencial de la IA y aceleraría su adopción en toda la empresa, pero en realidad hubo estancamiento en los resultados
  • No es un problema de una sola empresa, sino un ejemplo de las fuerzas estructurales que enfrentan la mayoría de las compañías establecidas que intentan adaptarse a la IA

• Efectos secundarios de cosechar ROI a corto plazo

  • La empresa impulsó subidas en las tarifas a clientes y reducción de horas invertidas con base en las mejoras de eficiencia
  • Parecía una estrategia de monetización inmediata para recuperar rápido el ROI, pero al mismo tiempo elevó las metas de desempeño
  • Como resultado, todo el personal pasó a enfocarse en cumplir con los números, y desapareció el margen de maniobra (slack) para innovar

• Estancamiento dentro de la organización

  • La presión por las metas de corto plazo aumentó la fricción interna y provocó criterios de decisión más duros y retrasos en las aprobaciones
  • Como consecuencia, un proyecto clave de expansión de producto basado en IA quedó retrasado casi un año por la sobrecarga y la presión sobre el equipo

• La teoría del Stag Hunt

  • Esto funciona igual que una situación de stag hunt (caza del ciervo) en teoría de juegos
    • Ciervo (stag): un gran resultado compartido que solo puede obtenerse mediante cooperación de largo plazo
    • Liebre (hare): cosechar ROI inmediato o logros individuales pequeños
  • Cuando la empresa cosecha el ROI demasiado pronto, envía la señal de dejar de cooperar para perseguir la liebre, lo que provoca un colapso de la confianza colectiva

• El dilema del pionero de la innovación

  • Aunque pioneros internos desarrollen nuevos flujos de trabajo, automatizaciones y herramientas, la mayoría de las empresas no logra convertir eso en cambio estructural y solo lo usa para endurecer las metas de desempeño
  • Los innovadores son evaluados bajo las reglas del sistema anterior y, por la falta de recompensas y ascensos, sus oportunidades se van cerrando
  • Al final, solo les queda como opción racional abandonar la innovación o renunciar

Teoría del apalancamiento

• A partir de esa experiencia previa, el autor empezó a buscar formas de prevenir el fracaso de la transformación con IA
  • En ese proceso, tomó como referencia el pensamiento sistémico de Donella Meadows y su ensayo emblemático "Leverage Points" (1997)
• La idea clave de Meadows: para generar cambio sostenido, hay que encontrar el punto adecuado de intervención
  • Las intervenciones superficiales producen poco efecto pese a gran esfuerzo, mientras que una palanca invisible puede generar grandes cambios con una intervención pequeña
  • Pero en los sistemas nuevos, la intuición humana suele apuntar en la dirección equivocada, de modo que incluso al encontrar una palanca poderosa se comete el error de empujarla al revés
• Sin embargo, las empresas están gastando demasiados recursos en soluciones e implementaciones superficiales
  • Incluso cuando intentan una intervención profunda, aplican fuerza en la dirección equivocada: más control, extracción temprana de ROI y aceleración de la velocidad
  • Lo que realmente se necesita es más autonomía, reinversión y creación de espacio para adaptarse
• Las empresas verdaderamente líderes construyen sistemas sanos y adaptables de creación de valor, haciendo que el ROI sea un subproducto natural
• Los tres casos siguientes muestran ejemplos de uso correcto de puntos de alto apalancamiento para lograr resultados sostenibles con IA

• SharkNinja — confianza en la toma de decisiones distribuida

  • Antes, criticar un mal plan implicaba ser marcado como alguien con falta de espíritu de equipo
  • El fabricante de electrodomésticos SharkNinja vio a su CEO Mark Barrocas darle la vuelta frontalmente a esa cultura
    • Otorgó a los empleados la responsabilidad y la autoridad de señalar errores en los planes, reforzando un sistema distribuido de toma de decisiones capaz de corregir rápido las malas decisiones
    • Declaró: “Antes me comportaba como un tonto, pero ahora decidí actuar de forma ‘no tonta’”, redefiniendo el fracaso como dato para corregir
  • Ese sistema operativo elevó la agilidad, la confianza y la colaboración, logrando como resultado un aumento de 105% en la utilidad neta trimestral y un precio de acción récord

• Johnson Hana — de horas facturables a valor para el cliente

  • El despacho legal no tradicional Johnson Hana, con base en Dublín, Irlanda, adoptó tarifas fijas y por proyecto en lugar de cobro por hora
    • Cambió el objetivo de “maximizar horas” a “maximizar talento y valor para el cliente”
  • La IA está integrada en todo el proceso de trabajo y, mediante la automatización de revisión documental, permite que los abogados se concentren en negociación creativa, resolución de problemas complejos y criterio profesional
  • Este modelo hace que los abogados sean “más felices y mejores”, mientras que los clientes obtienen resultados más rápidos y mejores
  • En julio de 2025, la plataforma legal de IA Eudia adquirió Johnson Hana por 50 millones de dólares, eligiendo una empresa que ya había construido un sistema operativo basado en la confianza y el stag hunt

• Shopify — usar IA como métrica de desempeño

  • En organizaciones con poca confianza, para los empleados es racional ocultar el uso de IA o evitar aprenderla
  • Pero Shopify, por instrucción de su CEO Tobi Lütke, rediseñó el uso de IA como regla central de la organización
    • En nuevas contrataciones, no se puede aumentar personal sin “demostrar que la IA no lo puede hacer”
    • La habilidad con IA se incluye como elemento central de la evaluación de desempeño
  • Como resultado, la opción racional de los empleados cambió hacia dominar y usar la IA abiertamente
    • La organización se reorganizó alrededor de capacidades de creatividad, estrategia e innovación que la IA difícilmente puede reemplazar
  • Shopify construyó un sistema que obliga el stag hunt, y Lütke explicó que la meta es “lograr 100 veces más trabajo con IA para resolver desafíos que los humanos antes no podían afrontar”

Qué significa una transformación real

• Como indica el diagnóstico de Meadows, para lograr ROI sostenible con IA no basta con adoptar herramientas: se requiere cambiar el sistema operativo mismo
• Durante el siglo pasado, la mayoría de las empresas ha operado como una red eléctrica centralizada
  • Objetivo: control de arriba hacia abajo, predicción lineal y máxima eficiencia con escalabilidad
  • Pero la IA no solo suministra un combustible más eficiente a ese sistema, sino que es una forma completamente nueva de energía
• La fuerza de la IA surge de la experimentación y la innovación de empleados y equipos → una energía distribuida que se genera en el borde (edge) de la organización
  • Las empresas líderes reconocen esto y declaran obsoleta la red anterior, o redefinen cómo medir el valor, o diseñan incentivos para que todos los empleados sean productores netamente positivos (net-positive producers)
  • Eso se materializa en los casos de SharkNinja, Johnson Hana y Shopify
• Según encuestas, el 95% de los empleados reconoce el potencial de la IA, pero su mayor preocupación es la desconfianza de que “la organización no compartirá los beneficios”
  • Por ello, los empleados pasan a una fuerza laboral en la sombra (shadow workforce), ocultando el uso de IA y persiguiendo solo resultados de corto plazo, en una situación de ‘cazar liebres’
  • La falta de confianza bloquea la innovación colaborativa
• El nuevo sistema operativo parte de una confianza profunda: “aunque no podamos predecir ni controlar, reconoceremos y recompensaremos el valor creado”
  • Las empresas que construyen esa confianza a nivel del modelo operativo no obtienen solo eficiencia temporal, sino innovación acumulativa (compounding innovation) imposible de copiar para sus competidores
  • El ROI sostenible no nace de lo que la IA puede hacer, sino de lo que pueden lograr personas que creen en una meta común y cooperan