Esteban Solís
AI First Chief Officer, Novacomp
Harold Alfaro
Managing Director, Novacomp
Introducción
En los procesos de adopción de inteligencia artificial que hemos acompañado en la región durante los últimos años, un patrón se repite con más frecuencia que cualquier otro. El proyecto arranca con expectativas altas y termina estancado por cómo la organización gestionó el cambio a su alrededor, más que por el modelo elegido.
Un estudio de la iniciativa NANDA del MIT confirma esta observación desde otro ángulo. El 95% de los pilotos de inteligencia artificial generativa en empresas no llega a producción con resultados cuantificables. La causa identificada no fue la calidad del modelo ni la infraestructura disponible.
“El 95% de los pilotos de inteligencia artificial generativa en empresas no llega a producción con resultados cuantificables.”
Esta brecha entre inversión y resultado no responde a un problema de capacidad técnica. Responde a cómo se prepara, comunica y sostiene la adopción dentro de los equipos que deben usar la tecnología todos los días.
Los pilotos de inteligencia artificial no fallan por la tecnología
En los diagnósticos que hacemos junto a equipos de tecnología antes de escalar una iniciativa de IA, encontramos casi siempre los mismos tres obstáculos. Integración deficiente entre sistemas, prioridades desalineadas entre áreas y datos dispersos sin una estructura que los conecte. Son las mismas barreras que documenta el informe del MIT, retomado por Healthcare IT News, al compararlas con lo que ya enfrentaron el CRM y los sistemas clínicos electrónicos en su momento. Ninguno de esos obstáculos depende del modelo de IA elegido.
Cuando una empresa mide el éxito de un proyecto de IA únicamente por la sofisticación del modelo, deja fuera la variable que más pesa. Si los equipos que deberían usar la herramienta la integran a su flujo de trabajo diario o la abandonan después de la primera semana, ahí se decide si el proyecto entrega valor o se archiva.
Qué revela la resistencia al cambio dentro de las organizaciones
La resistencia al cambio casi nunca aparece como rechazo abierto en los proyectos que acompañamos.
Aparece como falta de tiempo asignado para aprender la herramienta, ambigüedad sobre quién es responsable de sus resultados, o incentivos que siguen premiando el trabajo hecho de la forma anterior. Ese tipo de resistencia es más difícil de detectar que una objeción directa, y suele pasar desapercibida hasta que el proyecto pierde presupuesto. En el fondo, refleja una cultura organizacional que todavía no está alineada con la forma de trabajar que exige la IA.
Dos encuestas recientes confirman este patrón desde el dato duro. McKinsey encontró en su encuesta State of AI que las empresas con mejor desempeño en IA tienen tres veces más probabilidad de contar con líderes senior que demuestran compromiso visible con la iniciativa, más allá de aprobar el presupuesto. Gartner, por su parte, reportó que el 72% de los CIOs consultados se encuentra en punto de equilibrio o perdiendo dinero en sus inversiones de IA.
El rol del liderazgo en la adopción de inteligencia artificial
En los procesos que funcionan, el patrón de liderazgo es consistente. Los mandatos impuestos desde tecnología rara vez generan adopción sostenida. Los casos que avanzan nacen de líderes de negocio que prueban la herramienta primero, ajustan su propio flujo de trabajo alrededor de ella y después la defienden frente a sus equipos, con resultados que pueden mostrar. Los investigadores del MIT documentaron el mismo comportamiento al estudiar qué distingue a los proyectos de IA que logran escalar.
Esta diferencia cambia el rol que debe cumplir un líder de tecnología en un proceso de adopción de IA. Su función deja de ser exclusivamente técnica y pasa a incluir la construcción de patrocinio ejecutivo entre pares de negocio, algo que rara vez está en la descripción del cargo pero que termina definiendo si el proyecto sobrevive al primer año.
Cómo preparar a la organización para escalar inteligencia artificial
Instalar herramientas de IA sobre procesos que no cambian produce poco impacto, algo que confirmamos en cada evaluación de madurez que hacemos antes de diseñar un roadmap de adopción. McKinsey llega a la misma conclusión con datos. Las empresas de mejor desempeño tienen tres veces más probabilidad de haber rediseñado a fondo los flujos de trabajo individuales antes de escalar, en lugar de limitarse a capacitar a su gente en el uso de una herramienta nueva.
Gartner llega a una conclusión relacionada desde otro ángulo, a la que llama AI readiness. La preparación humana para trabajar con IA requiere desarrollar pensamiento crítico, comunicación y criterio para evaluar cuándo confiar en un resultado generado por un modelo y cuándo cuestionarlo, más allá del entrenamiento técnico en la herramienta. Ese proceso se conoce en la industria como reskilling, y son competencias distintas a las que cubre hoy la mayoría de los programas de capacitación en IA, algo que coincide con lo que vemos en los diagnósticos de madurez que realizamos con nuestros clientes.
De la estrategia a la ejecución
Llegado este punto, la pregunta que enfrentan los equipos de tecnología deja de ser qué modelo de IA usar y pasa a ser cómo estructurar una hoja de ruta que considere tanto la disponibilidad tecnológica como la capacidad de adopción del negocio.
Con 28 años de experiencia como firma multilatina de consultoría en tecnología, en Novacomp acompañamos a organizaciones en esta etapa a través de AI Expert Advisory, con foco en priorización de casos de uso, gobierno de datos, gobierno de AI y definición de roadmap. Ese acompañamiento se centra en diseñar la secuencia de decisiones, patrocinios internos y rediseño de procesos que determinan si un modelo de IA sigue en uso doce meses después de su piloto inicial.
Conclusión
El patrón se repite en cada proceso de adopción de IA que analizamos, y los tres estudios citados lo confirman desde ángulos distintos. La tecnología rara vez explica por qué un proyecto de IA no llega a producción. Lo que explica esa diferencia es la transformación cultural y la gestión del cambio organizacional que la sostienen, entendidas como patrocinio de liderazgo, rediseño de procesos y desarrollo de capacidades distintas en los equipos.
Para una organización que evalúa su próxima inversión en IA, la pregunta que vale la pena hacerse antes de elegir un modelo o una plataforma es distinta. ¿Quién dentro del negocio va a usar esto todos los días y qué necesita cambiar en su flujo de trabajo para que lo haga?
Si su organización está evaluando su próxima fase de adopción de IA, conversemos sobre cómo estructurar la hoja de ruta antes de invertir en la siguiente herramienta. Agende una sesión de diagnóstico con el equipo de AI Expert Advisory de Novacomp para revisar el estado de preparación de su organización.
