El contenido de este blog se basa en los hallazgos preliminares de la investigación de implementación de IA del Proyecto NANDA (Networked Agents And Decentralized Architecture) del MIT, presentados en el informe «STATE OF AI IN BUSINESS 2025». Este informe, elaborado por Aditya Challapally, Chris Pease, Ramesh Raskar y Pradyumna Chari en julio de 2025, se fundamenta en una metodología rigurosa que incluye la revisión sistemática de más de 300 iniciativas de IA divulgadas públicamente, entrevistas estructuradas a representantes de 52 organizaciones, y encuestas a 153 líderes sénior.
En el panorama empresarial de 2025, la Inteligencia Artificial Generativa (GenAI) se ha posicionado como el motor de la próxima revolución. Los líderes han respondido con una inversión masiva, destinando entre $30 y $40 mil millones de dólares a iniciativas de GenAI. Sin embargo, los autores del informe descubrieron un resultado sorprendente y desolador: el 95% de las organizaciones no está obteniendo ningún retorno de esta inversión.
Este resultado se encuentra tan drásticamente dividido entre compradores y constructores que los investigadores lo han denominado la División GenAI (GenAI Divide). Solo un pequeño 5% de los pilotos de IA integrados está extrayendo millones en valor, mientras que la vasta mayoría permanece estancada sin un impacto medible en las pérdidas y ganancias (P&L). El informe subraya que esta división no parece ser impulsada por la calidad de los modelos o la regulación, sino que está determinada por el enfoque metodológico. El problema es fundamental: la barrera principal para escalar no es la infraestructura, la regulación o el talento, sino el aprendizaje, ya que la mayoría de los sistemas GenAI no retienen retroalimentación, no se adaptan al contexto ni mejoran con el tiempo.
El Fracaso Silencioso de la IA Empresarial
La División GenAI es evidente en las tasas de adopción versus las tasas de implementación. Por un lado, herramientas de propósito general como ChatGPT y Copilot tienen una alta tasa de adopción: más del 80% de las organizaciones las han explorado o piloteado, y cerca del 40% reporta su despliegue. Sin embargo, estas herramientas solo logran mejorar la productividad individual, sin generar un impacto significativo en el rendimiento del P&L.
Por otro lado, los sistemas de IA de grado empresarial (personalizados o vendidos por proveedores) están siendo «rechazados silenciosamente». El 60% de las organizaciones evaluó estas herramientas, pero solo el 20% avanzó a la etapa piloto y apenas un 5% alcanzó la etapa de producción con éxito. La mayoría de estos sistemas fracasan debido a la fragilidad de los flujos de trabajo, la falta de aprendizaje contextual y el desajuste con las operaciones diarias. Esta tasa de fracaso del 95% para las soluciones de IA empresariales es la manifestación más clara de la División GenAI, lo que se conoce como el Abismo del Piloto a la Producción.
Según las entrevistas, el problema se resume en que las empresas que están en el lado equivocado siguen invirtiendo en herramientas estáticas que no se pueden adaptar a sus flujos de trabajo. Un COO de manufactura de mercado medio resumió este sentimiento: «La publicidad en LinkedIn dice que todo ha cambiado, pero en nuestras operaciones, nada fundamental ha cambiado».
Cuatro Patrones que Definen la División GenAI
A partir del análisis de las implementaciones públicas y las entrevistas, surgieron cuatro patrones que definen por qué el 95% se queda atrás:
1. Disrupción Limitada
La División GenAI se manifiesta claramente a nivel de industria. Pese a la alta visibilidad de GenAI, solo dos sectores muestran signos claros de disrupción estructural: Tecnología (con nuevos competidores ganando terreno y cambios en los flujos de trabajo) y Medios y Telecomunicaciones (con el auge del contenido nativo de IA y la dinámica publicitaria cambiante). Siete de nueve sectores principales, incluyendo Servicios Profesionales, Salud, y Finanzas, muestran poca o ninguna transformación estructural, a pesar de la actividad piloto. Este abismo entre la inversión y la disrupción demuestra la División GenAI a escala.
2. Paradoja Empresarial
Las grandes empresas (firmas con más de $100 millones en ingresos) lideran en el volumen de pilotos y dedican más personal a iniciativas de IA. Sin embargo, estas corporaciones reportan las tasas más bajas de conversión de piloto a escala, tardando nueve meses o más en implementar completamente una solución. En marcado contraste, las empresas de mercado medio se mueven más rápido y más decisivamente, con los de mejor desempeño reportando un promedio de 90 días desde el piloto hasta la implementación total.
3. Sesgo de Inversión
Los presupuestos de GenAI muestran una concentración extrema en Ventas y Marketing, acaparando aproximadamente el 70% de la asignación presupuestaria hipotética según los ejecutivos encuestados. Este sesgo existe porque los resultados en estas funciones son más fáciles de medir (ej. volumen de demostraciones o tiempo de respuesta de correos electrónicos) y se alinean directamente con los KPI a nivel de junta directiva.
Sin embargo, este sesgo perpetúa la División GenAI. El informe sugiere que el ROI más dramático se encuentra en las funciones de back-office (oficina administrativa), como Finanzas y Adquisiciones. La automatización en estas áreas ofrece ahorros cuantificables al eliminar contratos de BPO ($2 a $10 millones anuales) y al reducir el gasto en agencias externas (30% menos en costos creativos y de contenido).
4. Ventaja de la Implementación
Las asociaciones externas con proveedores de IA ven el doble de tasa de éxito de implementación que los desarrollos internos. Específicamente, las asociaciones estratégicas con herramientas externas personalizadas alcanzan un 66% de despliegue exitoso, mientras que los desarrollos internos solo alcanzan el 33%. Esta diferencia en la tasa de éxito (del doble) es un indicador clave de que el enfoque de comprar y asociarse supera al de construir internamente.
La Brecha de Aprendizaje: El Verdadero Obstáculo para la Escala
El factor principal que mantiene a las organizaciones en el lado equivocado de la División GenAI es el aprendizaje. La mayoría de los sistemas GenAI no retienen retroalimentación, no se adaptan al contexto ni mejoran con el tiempo.
El núcleo de la División GenAI se revela en las preferencias de los usuarios: si bien aprecian la flexibilidad de los LLM de consumo como ChatGPT para tareas simples (el 70% prefiere IA para el borrador de correos electrónicos y análisis básicos), abandonan su uso para el trabajo de alto riesgo debido a su falta de memoria persistente.
• Una abogada corporativa entrevistada ejemplificó esta dinámica: aunque su empresa invirtió en una herramienta especializada de análisis de contratos, ella recurría a ChatGPT para el trabajo de redacción porque podía «guiar la conversación e iterar» para obtener mejores resultados.
• Sin embargo, esta misma abogada traza una línea clara en los contratos sensibles: el sistema «no retiene el conocimiento de las preferencias del cliente ni aprende de las ediciones anteriores. Repite los mismos errores».
Esta retroalimentación confirma que la división no es la inteligencia, sino la memoria, la adaptabilidad y la capacidad de aprendizaje. Para el trabajo complejo o a largo plazo, el 90% de los usuarios prefiere un colega humano antes que a la IA. Esta brecha es estructural, ya que la GenAI carece de la capacidad de evolucionar en el contexto empresarial.
La Economía de la Sombra AI: Una Ventana a lo que Funciona
A pesar de las bajas tasas de implementación oficial, la IA ya está transformando el trabajo a través de la «Economía de la Sombra AI». La escala es notable: solo el 40% de las empresas compró una suscripción oficial de LLM, sin embargo, los trabajadores de más del 90% de las empresas encuestadas reportaron el uso regular de herramientas personales para tareas laborales.
Esta economía oculta demuestra que los individuos logran cruzar la División GenAI cuando tienen acceso a herramientas flexibles y receptivas. Este uso no oficial crea un ciclo de retroalimentación: los empleados saben cómo se siente una «buena IA» y se vuelven menos tolerantes con las herramientas empresariales que son estáticas. Las organizaciones que están a la vanguardia están comenzando a aprender de este uso en la sombra antes de adquirir alternativas empresariales.
El Camino Hacia la Web Agéntica y el Cierre de la Ventana
La solución para la División GenAI se encuentra en la clase de sistemas que aprenden, recuerdan y se adaptan: los Agentes de IA. Estos sistemas incrustan memoria persistente y aprendizaje iterativo por diseño.
La siguiente evolución va más allá de un agente individual: es la Web Agéntica. Esta es una infraestructura de protocolos (como el Protocolo de Contexto del Modelo (MCP) de Anthropic, el Agente a Agente (A2A) de Google/Linux Foundation, y NANDA) que permite que los sistemas autónomos se descubran, coordinen y negocien acciones entre sí. Esta nueva web descentralizará la acción, reemplazando las aplicaciones monolíticas con capas de coordinación dinámica.
El informe advierte que la ventana para que las organizaciones crucen la División GenAI se está cerrando rápidamente. El consenso de los líderes de adquisiciones es que las empresas bloquearán sus relaciones con proveedores de IA capaces de aprender en el próximo horizonte de 18 meses.
Las organizaciones que inviertan en sistemas de IA que aprendan de sus datos, flujos de trabajo y retroalimentación están creando costos de cambio que se acumulan mensualmente. La próxima ola de éxito no será para el modelo más llamativo, sino para el sistema que aprenda, recuerde y se adapte y/o para aquellos sistemas que estén construidos a medida para un proceso específico. Cruzar la División GenAI exige elecciones fundamentalmente diferentes sobre tecnología, alianzas y diseño organizaciona
