Hay una pregunta que conviene hacer en el comité antes de aprobar el próximo piloto de inteligencia artificial: si esto funciona, ¿qué vamos a decidir distinto, y quién lo va a decidir?
Casi nunca está escrita. El piloto llega con la herramienta, el proveedor, el caso de uso y una fecha para la demostración. Lo que no llega es la decisión que debería cambiar si sale bien.
Y ahí está el problema. Un piloto sin esa decisión puede salir perfecto y no mover nada del negocio.
Mi lectura es esta: un piloto de IA vale por la decisión que cambia, y esa decisión hay que escribirla antes de empezar. Si no cambia una decisión, un proceso o la experiencia del cliente, no lo llamo transformación. Es una demostración.
Muchas empresas ya usan IA. Pocas pueden mostrar qué cambió
McKinsey publicó en agosto su encuesta anual sobre IA, con 1.719 participantes de 97 países, respondida entre mayo y junio de este año. Casi nueve de cada diez dicen que su organización usa IA con regularidad en al menos una función. El 37 % reporta alguna contribución positiva al EBIT. Y apenas el 6 % queda en el grupo que McKinsey llama de alto desempeño: empresas que le atribuyen a la IA al menos el 5 % de su EBIT.
Gartner había anticipado algo parecido en julio de 2024. Su predicción era que al menos el 30 % de los proyectos de IA generativa se abandonarían después de la prueba de concepto antes de terminar 2025. Las razones: datos de mala calidad, controles de riesgo insuficientes, costos crecientes o un valor de negocio poco claro.
Hay que leer estos datos con cuidado. La encuesta recoge lo que reportan los encuestados, y lo de Gartner era una predicción, no una medición. Pero las dos fuentes apuntan al mismo lugar: usar IA se volvió fácil y convertirla en resultado no.
El modelo mejora. La decisión no se mueve
Pensemos en un ejemplo sin nombres. Una cadena de comercio aprueba un piloto para pronosticar la demanda con IA. El piloto se mide por la precisión del pronóstico, y la precisión mejora. La demostración ante el comité sale muy bien.
Pero la orden de compra la sigue aprobando el mismo comité, una vez al mes, con la misma regla de inventario de seguridad. El pronóstico es mejor y la decisión de cuánto comprar, cuándo y quién la toma no cambió. Los agotados y el inventario quieto siguen igual. El piloto fue un éxito y el negocio no se enteró.
Ese es el mecanismo. El piloto se mide con la vara de la tecnología (precisión, velocidad, adopción de la herramienta) y no con la del negocio (margen, inventario, tiempo de respuesta al cliente, costo de atender). Como nadie escribió qué decisión debía moverse, nadie la movió. Y como el piloto «funcionó», se extiende, o se aprueba otro. Así se llega a lo que se ve en tantas empresas: muchos pilotos y ninguna decisión sobre el negocio.
La encuesta de McKinsey trae un dato que va en la misma dirección. Casi tres cuartas partes de las empresas de alto desempeño dicen que rediseñaron de fondo sus flujos de trabajo por la IA. En el resto, solo una de cada cuatro. Es una correlación en una encuesta, no una prueba de causa. Pero dice algo útil: el valor aparece cuando cambia el trabajo, no cuando llega la herramienta.
Lo que yo dejaría escrito antes de aprobarlo
No hace falta un caso de negocio de cuarenta páginas. Hace falta una página con tres respuestas:
¿Qué decisión cambia si esto funciona, y quién la toma? En el ejemplo, la orden de compra podría pasar de mensual a semanal y aprobarla el responsable de la categoría, no el comité. Si nadie puede escribir esa frase, el piloto todavía no tiene dueño en el negocio.
¿Con qué medida de valor se va a juzgar? No con la precisión del modelo, sino con lo que le importa al negocio: inventario, agotados, margen, tiempo de respuesta, costo de atender.
¿Qué resultado obliga a escalar, rediseñar o parar, y en qué fecha? Sin esa regla, el piloto no termina nunca: se vuelve un gasto recurrente con nombre de innovación.
Con esa página, el comité deja de aprobar una herramienta y empieza a aprobar una hipótesis de negocio. Y la siguiente conversación ya no es si la demostración salió bien, sino si la decisión cambió.
La objeción que hay que tomar en serio
En una conversación en LinkedIn alguien me planteó una objeción razonable: no frenemos al negocio esperando datos perfectos, porque hay ganancias rápidas con lo que ya sabemos.
Tiene razón en una parte. Esto no pide datos perfectos ni meses de análisis. Pide escribir una decisión, y eso cuesta una tarde.
También hay pilotos que no buscan cambiar una decisión todavía: sirven para aprender si una capacidad funciona con nuestros datos y nuestros sistemas. Son legítimos. Lo que pido es llamarlos así: pilotos de aprendizaje, con presupuesto de aprendizaje y fecha de cierre, y no presentarlos en la junta como transformación. Y hay casos donde comprar la capacidad primero es lo correcto: cuando el cuello de botella es técnico y el proceso ya está bien diseñado. Pero eso hay que poder mostrarlo, no suponerlo.
¿Qué tendría que pasar para que esta tesis estuviera equivocada? Que un piloto sin decisión escrita terminara cambiando el modelo de negocio por sí solo. Puede pasar. Pero si uno mira con cuidado, casi siempre hubo alguien que, después, tomó la decisión que nadie había escrito. La pregunta es si queremos depender de esa suerte.
Qué debería quedar decidido
Antes del próximo piloto, la junta debería poder leer en una página qué decisión cambia, cómo se va a medir y qué lo hace parar.
Sin esa página no estamos experimentando. Estamos comprando demostraciones.
Digitalizar no es transformar. Transformar es cambiar cómo compite el negocio, y un piloto de IA solo aporta a eso cuando cambia una decisión.
P. D. Si revisás hoy los pilotos abiertos en tu empresa, ¿cuántos tienen escrita la decisión que cambiaría si funcionan?
Para seguir leyendo
Digitalizar no es transformar. Transformar es cambiar cómo compite el negocio: la idea que ordena esta columna.
La utilidad de hoy puede ser la razón por la que llegués tarde: la otra mitad de la decisión, dónde se pone el capital.
Fuentes: McKinsey, The state of AI in 2026 (25-ago-2026; encuesta del 4-may al 8-jun-2026, 1.719 participantes en 97 países). Gartner, comunicado del 29-jul-2024 (predicción).