Por qué la mayoría de los proyectos de adopción de IA empiezan en la capa equivocada

Respuesta directa

La mayoría de los proyectos de adopción de IA fracasan porque empiezan en la capa de herramientas en lugar de en la capa de coordinación: un equipo compra un modelo, un copiloto o un agente y lo apunta a un flujo de trabajo que nadie ha rediseñado realmente. McKinsey encontró que el rediseño del flujo de trabajo es el predictor más fuerte del impacto en el EBIT del uso de IA, y el laboratorio NANDA del MIT encontró que el 95% de los pilotos empresariales de IA generativa no producen retorno medible. El modelo rara vez fue la razón.

Puntos clave

• El rediseño del flujo de trabajo, no la selección del modelo, es el predictor más fuerte del impacto empresarial de la IA. McKinsey encontró que solo el 21% de los adoptantes había rediseñado fundamentalmente un flujo de trabajo, y ese grupo capta la mayoría de las ganancias medidas.
• El estudio NANDA de 2025 del MIT sobre IA generativa empresarial encontró que el 95% de los pilotos no entregan un retorno medible en resultados, y rastreó la brecha hasta el aprendizaje organizativo y la integración en el flujo de trabajo, no la calidad del modelo.
• La “capa equivocada” es la capa de herramientas: el modelo, el chatbot o el agente de un solo paso. La capa correcta es la capa de coordinación: quién le entrega a quién, en qué orden, y dónde tiene que detenerse el proceso para que intervenga un humano.
• Añadir un agente a un traspaso roto suele hacer el traspaso más rápido, no correcto. La velocidad no arregla un paso que nunca debió existir.
• Decidir qué se queda humano viene antes de decidir qué se automatiza, no después.

Qué significa realmente “la capa equivocada”

Todo flujo de trabajo tiene al menos tres capas apiladas una sobre otra. Hay una capa de estrategia: lo que el negocio intenta lograr. Hay una capa de coordinación: la secuencia real de traspasos, aprobaciones y decisiones que hace que el trabajo se mueva de una persona a la siguiente. Y hay una capa de herramientas: el software, la hoja de cálculo, la bandeja de entrada o el modelo que ejecuta cada paso.

La mayoría de los proyectos de adopción de IA empiezan en la parte inferior de esa pila. Alguien elige una herramienta —un chatbot para tickets de soporte, un copiloto para redactar correos, un agente que lee facturas— y la instala en un punto de un proceso existente. El proceso en sí, la capa de coordinación, nunca se toca. Nadie pregunta por qué la factura pasa por cuatro bandejas de entrada antes de aprobarse, o por qué un ticket de soporte necesita tres firmas separadas antes de que salga un reembolso. La IA simplemente hace uno de esos pasos más rápido.

Esa es la capa equivocada. No es porque la herramienta sea mala, sino porque se le pidió a la herramienta que acelerara una ruta que nunca se diseñó a propósito. La mayoría de esas rutas son lo que yo llamaría flujos de trabajo de 1995: datos que se mueven entre correo, PDFs y hojas de cálculo porque eso es lo que había disponible hace treinta años, no porque alguien decidiera que esa era la forma correcta de mover un siniestro, una orden de compra o una reserva a través de una organización. Coloca IA encima de eso y obtienes una versión más rápida de una ruta que nadie diseñaría hoy.

Qué muestran realmente los números de McKinsey y MIT

Dos investigaciones independientes convergieron en el mismo hallazgo desde ángulos distintos en 2025, y el patrón vale la pena exponerlo con claridad en lugar de resumirlo.

Lee esas cuatro filas juntas y la historia no es “la IA no funciona”. La adopción es casi universal: el 88% de las organizaciones ya la usan en algún sitio. La brecha está entre adopción y transformación: solo el 6% ve un impacto financiero a nivel de empresa lo bastante grande como para importar, y el grupo que lo consigue se superpone abrumadoramente con ese 21% que rediseñó un flujo de trabajo en lugar de atornillar una herramienta a uno existente.

Los investigadores de MIT NANDA, tras revisar más de 300 despliegues públicos de IA y entrevistar a docenas de líderes empresariales, lo expresaron directamente: la barrera principal para escalar no era la infraestructura, la regulación o el talento. Era el aprendizaje: sistemas y equipos que nunca adaptaron el proceso que rodeaba a la herramienta una vez que esta estaba activa. Eso es un fallo de la capa de coordinación disfrazado de problema tecnológico.

Lo que esto no es

Vale la pena nombrar lo que los datos no respaldan, porque las conclusiones fáciles son las equivocadas.

No es principalmente un problema de preparación de datos, aunque los datos malos son reales y dificultan todo. Datos limpios que fluyen hacia la capa equivocada siguen produciendo una versión más rápida del proceso equivocado.

No es un problema de calidad del modelo. Los modelos de frontera usados en los pilotos de 2025 y 2026 eran, según cualquier medida razonable, lo bastante capaces para las tareas que las empresas les asignaban. La tasa de fracaso no siguió el ritmo de los lanzamientos de modelos.

No es principalmente un problema de formación o gestión del cambio en el sentido corporativo habitual, del tipo que se arregla con un deck de onboarding y un canal de Slack. Formar a la gente para usar una herramienta nueva dentro de un proceso sin cambiar solo los hace más rápidos en el mismo traspaso roto.

Es un problema de capas. Los equipos trataron la IA como una versión más rápida de un paso existente en lugar de una razón para preguntarse si ese paso debería existir en su forma actual.

¿Dónde debería empezar realmente la adopción de IA?

Empieza mapeando la capa de coordinación antes de seleccionar una herramienta. Eso significa escribir, honestamente, cuál es la ruta actual: quién toca primero el documento o el ticket, qué dispara el siguiente traspaso, quién tiene que aprobarlo, dónde se queda parado cuando nadie lo está mirando, y qué pasa cuando algo sale mal.

Después, para cada traspaso de ese mapa, hazte una pregunta: ¿este paso existe por una restricción real —responsabilidad legal, un acto con licencia, un requisito regulatorio, una relación de confianza con un cliente— o porque así es simplemente como el trabajo siempre se ha movido entre dos personas? He escrito sobre este ejercicio para el procesamiento de facturas y para siniestros de seguros, y el patrón se repite: la mayoría de los pasos de un flujo de trabajo de 1995 existen por infraestructura ausente en su momento, no porque el paso sea hoy indispensable.

Solo una vez que ese mapa existe tiene sentido decidir dónde la IA ejecuta un paso directamente y dónde un humano tiene que seguir siendo el punto de control. Elegir la herramienta primero invierte el orden, y la inversión es exactamente lo que describen los números de McKinsey y MIT cuando dicen que el rediseño del flujo de trabajo es la variable que predice el impacto y su ausencia es la variable que predice el fracaso. El traspaso en sí suele ser lo que merece la pena interrogar antes de que nadie abra una hoja de comparación de proveedores.

Qué se queda humano al rediseñar la capa de coordinación

Rediseñar la capa de coordinación no significa automatizar cada paso en ella. Algunos pasos se quedan humanos a propósito, y nombrarlos explícitamente es parte del rediseño, no un añadido de última hora tras el lanzamiento.

Las decisiones de responsabilidad legal se quedan humanas: el momento en que alguien es responsable si la decisión sale mal. Los actos con licencia se quedan humanos, porque una credencial o una firma cargan un peso legal que un modelo no puede sostener. Las acciones irreversibles de cara al cliente, como un reembolso que no se puede revertir o un contrato ya enviado, se quedan humanas hasta que el sistema tenga suficiente historial para ganarse la confianza en ese paso específico, no en general. Y las decisiones que dependen de contexto fuera de los datos que el sistema puede ver —una relación de cliente de largo recorrido, una excepción puntual— se quedan humanas porque esa es precisamente el tipo de situación que un rediseño de la capa de coordinación debería enrutar hacia una persona, no rodearla.

He escrito con más detalle sobre dónde pertenece realmente ese punto de control humano, y la versión corta es: el punto de control pertenece a la capa de coordinación, colocado deliberadamente, no donde la herramienta se detuvo por casualidad.

Resumen

La razón por la que la mayoría de los proyectos de adopción de IA no aparecen en los números no es el modelo. Es que el modelo se instaló en la capa de herramientas mientras la capa de coordinación —la secuencia real de traspasos con la que funciona un negocio— se quedó exactamente como estaba en 1995. La investigación de McKinsey vincula directamente el rediseño del flujo de trabajo con el impacto en el EBIT; la investigación de MIT NANDA vincula directamente su ausencia con pilotos que nunca escalan. La adopción empieza en el lugar correcto cuando la capa de coordinación se mapea y se rediseña primero, y la herramienta se elige después.