Guía · Adopción de IA
Casi todas las empresas ya están usando inteligencia artificial. Casi ninguna está viendo resultados de verdad en su negocio. Esta guía es para que tú, dueño o director, entiendas por qué pasa eso, en qué etapa estás, y qué tienes que hacer distinto para quedar del lado que sí gana. Sin tecnicismos, con datos y con fuentes.
En esta guía
Empecemos por el dato que casi nadie te dice en una junta de ventas. Un estudio del MIT publicado en 2025 analizó cómo le está yendo a las empresas con la IA generativa, y el resultado fue brutal: alrededor del 95% de los pilotos no logran ningún impacto medible en las utilidades. Solo cerca del 5% genera una aceleración real de ingresos. El resto se queda a medias.
Y no es un solo estudio. El Boston Consulting Group encontró que el 74% de las empresas no ha logrado mostrar valor tangible de sus inversiones en IA. Gartner predijo que al menos el 30% de los proyectos de IA generativa se abandonarían tras la prueba de concepto. Y según S&P Global, la proporción de empresas que abandona la mayoría de sus iniciativas de IA saltó del 17% en 2024 al 42% en 2025. Hasta el estudio de IBM a 2,000 directores generales lo confirma: solo el 25% de las iniciativas de IA entregó el retorno esperado, y solo el 16% se escaló a toda la empresa.
Si esto te suena a tu propia experiencia, o al miedo que tienes antes de invertir, estás en buena compañía. La pregunta importante no es si la IA sirve. Sirve. La pregunta es por qué tanta gente invierte y no obtiene nada. Y la respuesta cambia por completo cómo deberías abordarla.
Aquí está el corazón del asunto, y es la idea que ordena toda esta guía. Cuando un proyecto de IA fracasa, el problema casi nunca es el modelo. El mismo ChatGPT, el mismo Claude, la misma tecnología está disponible para el que gana y para el que pierde. Lo que cambia es todo lo demás.
El BCG lo puso en números que vale la pena tatuarse: el éxito de una transformación con IA depende 10 por ciento de los algoritmos, 20 por ciento de los datos y la tecnología, y 70 por ciento de las personas y los procesos (la regla 10 / 20 / 70 de BCG). Léelo otra vez: siete de cada diez partes del problema son humanas y de proceso, no técnicas.
La IA no falla en la tecnología. Falla en la adopción.
El estudio del MIT lo dice sin rodeos: las herramientas no fallan por modelos deficientes, sino porque no se integran al trabajo real, no aprenden del contexto y no cambian cómo opera la gente. McKinsey lo confirma desde el otro lado: las empresas que sí capturan valor son tres veces más propensas a haber rediseñado sus flujos de trabajo de fondo, en lugar de solo atornillarle IA al proceso viejo, y tres veces más propensas a tener al director general empujando el tema en serio.
La RAND Corporation estudió por qué fracasan estos proyectos y encontró cinco causas raíz, y ninguna es "el modelo no era lo bastante bueno": entender mal el problema, datos insuficientes, perseguir la tecnología de moda en lugar de resolver el problema, infraestructura de datos inadecuada, y aplicar IA a cosas que no puede hacer. Su conclusión, casi palabra por palabra: los proyectos exitosos están enfocados con láser en el problema a resolver, no en la tecnología.
Antes de decidir qué hacer, ubícate. El MIT estudió a más de 700 empresas y las ordenó en cuatro etapas de madurez, y lo valioso es que midió el desempeño financiero de cada una (MIT Sloan):
El dato que importa: el 62% de las empresas sigue atascado en las dos primeras etapas, donde el desempeño está por debajo del promedio, y solo el 7% llega a la última. El salto difícil, el que casi nadie logra, es pasar del piloto a industrializar. Ese es el muro de la adopción. Y no se cruza comprando un modelo mejor, se cruza rediseñando el trabajo y logrando que la gente de verdad lo use.
Esta es la parte práctica. Así es como nosotros, en Teckel, llevamos a una empresa de la idea al resultado, y por qué este orden protege contra ese 95% de fracaso: porque ataca exactamente lo que falla, no lo que ya funciona. Lo organizamos en cuatro pasos.
Eliges un caso de negocio acotado, de alto dolor y donde ya existan los datos, y cuantificas el costo de no resolverlo: cuántas horas se van, cuánto cuesta cada error o demora, cuánto margen se pierde. No persigas la tecnología de moda ni lances diez pilotos sueltos al mismo tiempo. Ese "purgatorio de pilotos" es una de las formas más comunes de fracasar.
Verificas si de verdad se puede. ¿Existen los datos? ¿Con qué calidad? ¿Qué hay que conectar? No es un detalle menor: Gartner reporta que el 63% de las organizaciones no tiene las prácticas de datos correctas para IA, y que los datos no listos son una de las principales razones por las que se abandonan proyectos. Los datos se arreglan en paralelo al piloto, no después.
Aquí está el secreto que separa a los que ganan: rediseñas el flujo de trabajo completo, no le pegas IA al proceso viejo. Defines la métrica de negocio antes de construir, y planeas desde ya cómo va a adoptarlo el equipo. Recuerda el dato de McKinsey: rediseñar el flujo es el factor con mayor correlación con impacto en utilidades, y casi nadie lo hace.
Pones a operar el flujo rediseñado, mides con indicadores que veas desde el primer día, y escalas con un responsable claro y campeones internos. La IA va dentro de las herramientas que tu equipo ya usa, no en una plataforma aparte. Y un detalle nada menor: cuando existe una solución especializada, comprarla funciona el 67% de las veces, contra una de cada tres del desarrollo interno. No reinventes lo que ya existe.
La regla mental para un dueño: empieza estrecho, cuantifica el dolor en dinero, rediseña el trabajo y mide. El método no es burocracia, es lo que evita que tu inversión caiga en ese 95%.
Mucha gente escucha "gobernanza de IA" y se imagina abogados, comités y burocracia de multinacional. Para una empresa mediana no regulada eso es exactamente lo que no necesitas. Pero ignorar el tema sí te puede costar caro, y conviene que conozcas los casos reales antes de que te pasen a ti.
Tres ejemplos que un director reconoce: en 2023, empleados de Samsung pegaron código propietario y notas de una reunión interna en ChatGPT, y la empresa prohibió de golpe la IA generativa tras la fuga. En 2024, un tribunal declaró a Air Canada responsable por lo que su chatbot le dijo a un cliente: la empresa responde por lo que dice su IA, punto. Y Amazon tuvo que descartar una IA de reclutamiento que discriminaba a mujeres, porque aprendió el sesgo de su propio historial de contrataciones.
Gobernanza proporcional al riesgo. Para una empresa de operación establecida, esto basta para empezar:
Si quieres un marco de referencia para crecer, el NIST AI Risk Management Framework es gratuito, no se certifica y se ha vuelto el estándar de facto. La certificación ISO/IEC 42001 es una decisión de negocio para ganar contratos grandes, no un requisito para empezar.
Lo que de verdad te aplica hoy en México es la nueva Ley Federal de Protección de Datos, publicada el 20 de marzo de 2025, que sustituyó a la anterior y desapareció al INAI. Lo más relevante para la IA: la ley ya obliga a avisar cuando usas decisiones automatizadas que afectan a una persona, a explicar su lógica, y a ofrecer revisión humana cuando la decisión es desfavorable. La regulación europea (el RGPD y el Reglamento de IA de la UE) solo te alcanza si tocas Europa: si vendes a clientes en la Unión, o si el resultado de tu sistema se usa allá. La regla simple: la ubicación del cliente, del dato o del resultado en la UE activa la norma europea, sin importar dónde esté tu empresa.
El error más común al medir IA es confundir acceso con adopción, y adopción con resultado. Comprar licencias no es usarlas, y usar una herramienta no es que el trabajo haya cambiado. Para no engañarte, mide en dos tiempos.
Indicadores que ves desde el día uno (te avisan si vas bien): qué porcentaje del equipo de verdad la usa cada semana, qué tan seguido, y sobre todo qué porcentaje de las tareas que se podrían hacer con IA se están haciendo con IA. Indicadores que confirman semanas después: horas ahorradas, reducción de tiempos de ciclo, menos errores, impacto en el margen.
Que conste que el retorno es real cuando se hace bien. Un estudio riguroso de Stanford y el MIT encontró que un asistente de IA aumentó la productividad de agentes de servicio 14%, y hasta 34% en los menos experimentados. Pero hay un matiz que importa: en un experimento con 758 consultores del BCG, la IA mejoró el trabajo dentro de su zona de competencia, y lo empeoró un 19% fuera de ella. Esa es justamente la razón de elegir el caso de uso con cuidado: la IA es muy buena en lo correcto y peligrosa en lo equivocado.
Si te quedas con una sola idea: la IA no es un proyecto de tecnología, es un proyecto de negocio y de personas. El que lo entiende empieza estrecho, cuantifica el dolor, rediseña el trabajo y mide. El que no, compra herramientas y se pregunta por qué no pasa nada.
No por la tecnología, sino por la adopción. El éxito depende 10 por ciento de los algoritmos, 20 por ciento de los datos y la tecnología, y 70 por ciento de las personas y los procesos. La causa real es un problema mal definido, datos no listos, procesos que no se rediseñan y equipos que no adoptan la herramienta.
Por un caso de negocio acotado, de alto dolor y alto valor, donde ya existan los datos, cuantificando el costo de no resolverlo. No por la tecnología de moda ni por muchos pilotos a la vez.
Gobernanza proporcional al riesgo: una política de uso escrita, un inventario de herramientas, un responsable claro, supervisión humana en decisiones que afectan a personas, revisión de proveedores y capacitación. No necesitas certificación ni un comité de ética para empezar.
Solo si tocas Europa. Si vendes solo en México o LATAM, te rige tu ley local: la nueva Ley Federal de Protección de Datos de marzo de 2025, que ya incluye reglas sobre decisiones automatizadas con IA.