Proyectos de IA que fracasan: cómo rescatarlos o cancelarlos

El 95% de los pilotos de IA no genera impacto medible. Aprenda a detectar señales de alerta, corregir el rumbo o decidir cuándo cerrar una iniciativa.

En marzo de 2023, la empresa de automatización Zapier declaró internamente una alerta roja para acelerar la experimentación con inteligencia artificial. Los equipos construyeron prototipos de un día para otro y reconfiguraron flujos de trabajo a ritmo acelerado. La energía era palpable. Sin embargo, casi ninguno de esos proyectos de IA llegó a producción.

Así lo documenta Andrada Fiscutean en How to rescue failing AI initiatives, un artículo publicado recientemente por CIO.com: los modelos funcionaban en entornos controlados, pero colapsaban al integrarse con las herramientas reales de la compañía, sus fuentes de datos, sus procesos de aprobación y los flujos de trabajo humanos preexistentes.

Brandon Sammut, director de personas y transformación con IA de Zapier, lo resume con precisión en ese mismo reportaje: “La parte difícil de la IA no es la IA en sí. Es la orquestación a su alrededor”.

Esta brecha entre la demostración y la producción es solo una de las razones por las que los proyectos de IA se desvían. La fragmentación de datos, la gobernanza débil y la desconexión entre la dirección y los equipos operativos suelen agravar el problema. Y los números lo confirman: según el informe State of AI in Business 2025 del MIT, citado por CIO.com, aproximadamente el 95% de los pilotos de IA generativa no produce impacto empresarial medible.

La adopción de la IA es más compleja de lo que muchas estimaciones sugieren, y los ejecutivos del c-level deben reconocer cuándo una iniciativa se está desviando y, sobre todo, si vale la pena corregirla. “La IA no puede sostenerse solo con optimismo”, advierte Scott Likens, director global de ingeniería de IA en PwC. “Necesita resultados observables y repetibles vinculados al valor del negocio”.

Las señales de alerta que nadie quiere ver

Los indicios de dificultades en un proyecto de IA suelen aparecer temprano, aunque no siempre resultan evidentes. Uno de los más frecuentes, según el análisis de CIO.com, es la postergación sistemática de la fecha de puesta en producción. Sammut describe la cadena de demoras individuales —aparentemente razonables— que, en conjunto, configuran un patrón revelador de un proyecto estancado.

Otra señal crítica, es la brecha perceptual entre líderes y ejecutores. Los directivos creen tener visibilidad sobre el avance del proyecto, mientras los ingenieros y operadores lidian con fricciones cotidianas que nunca llegan a las reuniones ejecutivas.

En otros casos, el problema tiene origen en la falta de prioridad real por parte de la dirección. Eli Vovsha, gerente de ciencia de datos en la firma de ciberseguridad Fortra, lo vivió en carne propia: alrededor de 2022, él y un colega intentaron convertir un prototipo de hackathon en un sistema de producción basado en aprendizaje por refuerzo. Entregaron una prueba de concepto, pero el proyecto fue abandonado porque el liderazgo nunca lo trató como una prioridad genuina.

“Como gerente de proyecto, sería muy cuidadoso en garantizar que la iniciativa esté alineada con los roadmaps de los product managers y que haya un mecanismo para asegurar el apoyo de ingeniería”, reflexiona Vovsha en sus declaraciones a CIO.com.

El ingeniero de software australiano Sean Goedecke, que analiza la dinámica de las grandes empresas tecnológicas en su sitio personal, señala otra señal más sutil: la ausencia de retroalimentación positiva de los usuarios. “Los productos de IA más exitosos conectan inmediatamente con los usuarios. Los que fracasan suelen existir porque alguien quería hacer algo con IA, no porque resolvieran un problema real”.

Cómo rescatar una iniciativa en crisis

Recuperar un proyecto de IA exige un cambio de perspectiva antes que cualquier medida técnica. Según Likens, cuyas reflexiones CIO.com recoge en detalle, el primer paso es dejar de medir el rendimiento del modelo y empezar a medir el rendimiento del flujo de trabajo completo. La pregunta correcta no es si el modelo es preciso, sino si el resultado empresarial está mejorando.

Sammut describe el proceso que Zapier adoptó: en lugar de evaluar el modelo de manera aislada, analizaron el flujo completo para identificar dónde había traspasos manuales, dónde los equipos copiaban resultados de un sistema a otro y dónde el proceso se rompía entre lo que la IA producía y lo que los equipos necesitaban para actuar.

A partir de ahí, asignaron responsabilidades claras de producción, integraron la planificación de sistemas desde etapas tempranas, incorporaron la gobernanza desde el inicio —en lugar de dejar que las revisiones de cumplimiento aparecieran tarde como obstáculos imprevistos— y estandarizaron herramientas para que todos los equipos trabajaran en las mismas plataformas.

Sammut propone además un marco de tres pilares para evaluar cualquier iniciativa de IA: toda implementación debe generar mejoras medibles en eficiencia, calidad y experiencia del empleado. “La eficiencia sola genera temor al desplazamiento laboral. La calidad sola no justifica la inversión. Y si las personas odian el nuevo proceso, no va a prosperar”.

Cuándo es mejor cerrar el proyecto

Mantener viva una iniciativa mucho después de que sus perspectivas se han agotado es un error habitual. Sammut lo describe en el artículo de CIO.com como la trampa del costo hundido: los equipos siguen invirtiendo tiempo y recursos simplemente porque ya han comprometido mucho, y nadie quiere reconocer que algo no funciona. “Es mejor redirigir esa energía hacia una oportunidad de mayor impacto que seguir invirtiendo en algo que no va a mover la aguja”, sostiene.

Goedecke agrega una perspectiva especialmente relevante en el contexto actual, también recogida por Fiscutean: dado que el panorama tecnológico cambia con tal velocidad que proyectos antes imposibles se vuelven viables cada mes, una iniciativa de doce meses de antigüedad debería revisarse ya por esa sola razón.

La recomendación de Sammut, tal como aparece en How to rescue failing AI initiatives, es directa: si un piloto lleva más de dos ciclos “casi listo para producción” sin que un obstáculo específico se haya resuelto, es momento de tener una conversación directa sobre si rediseñar o cancelar. Y cerrar un proyecto no equivale a desperdiciar lo construido: en muchos casos, reasignar al equipo a otra iniciativa acelera más el aprendizaje que perseverar en una que ya no tiene futuro.

“La velocidad de aprendizaje importa más que cualquier iniciativa individual. Si cerrar una libera a tu equipo para aprender más rápido en otra mejor, eso no es un fracaso. Es buen liderazgo”, concluye Sammut.