Escalar la IA no es comprar más herramientas

En las empresas ocurre con frecuencia. Alguien descubre una nueva herramienta de inteligencia artificial, prepara una demostración extraordinaria y, al terminar, todos queremos comenzar a utilizarla. La presentación fue convincente, las posibilidades parecen enormes y la sensación de urgencia aparece casi de inmediato.

Muchas veces salimos de la demostración entusiasmados con la solución, pero todavía sin saber qué problema debería resolver. La herramienta parece creada para una necesidad que aún no tenemos. Entonces buscamos dónde aplicarla y corremos el riesgo de convertir la tecnología en el punto de partida de una decisión que debería haber comenzado por el negocio.

El entusiasmo no es necesariamente equivocado. La curiosidad abre caminos. Pero entre descubrir una posibilidad y convertirla en prioridad existe un espacio que las empresas no siempre respetan. Parar y pensar es necesario más veces de lo que imaginamos.

Mucha actividad no siempre significa avance

Un estudio de Gartner publicado en septiembre de 2026 encontró que solo el 22 % de las organizaciones consultadas había conseguido escalar la inteligencia artificial en varias unidades de negocio o adoptar un enfoque realmente orientado por IA. Al mismo tiempo, el 85 % de los líderes funcionales planeaba aumentar la inversión durante el año.

La distancia entre esos dos números merece atención.

Las organizaciones con mejores resultados tratan las iniciativas de IA como un portafolio, acompañan su desempeño, reasignan recursos y detienen proyectos que no cumplen lo esperado. Según Gartner, reportaron retornos positivos en el 81 % de sus iniciativas.

El dinero está avanzando más rápido que la capacidad de convertirlo en valor.

Después del piloto comienza el verdadero trabajo

En un artículo anterior, defendí que la adopción de IA debería comenzar por un problema de negocio, no por una herramienta. Un piloto permite probar esa relación en una escala limitada: una decisión específica, un proceso conocido, un conjunto de datos y un resultado esperado.

Pero un piloto exitoso todavía no representa una capacidad empresarial.

Escalar exige comprobar si la solución continúa funcionando con más usuarios, unidades, países y excepciones. Los datos pueden cambiar de significado, las integraciones se vuelven críticas y los costos deben continuar justificando los beneficios. Aquello que en el piloto se resolvía con atención especial o trabajo manual deja de ser sostenible.

Por eso, escalar no es simplemente ampliar lo que funcionó. Es comprobar si aquello que funcionó puede convertirse en una forma estable de operar.

De una colección de proyectos a un portafolio de decisiones

Cuando cada área adopta IA de manera aislada, la empresa puede terminar con herramientas que resuelven problemas parecidos, contratos superpuestos y resultados difíciles de comparar. Cada iniciativa parece razonable por separado, pero el conjunto puede no responder a las prioridades reales del negocio.

Gestionar la IA como portafolio cambia esa lógica. Obliga a comparar iniciativas y decidir dónde colocar atención, presupuesto, datos y talento. Distinguir lo interesante de lo realmente valioso exige responder algunas preguntas comunes:

• ¿Qué problema estamos intentando resolver?
• ¿Qué resultado debería mejorar y cómo mediremos el valor?
• ¿Qué datos y conocimientos humanos necesita?
• ¿Qué riesgos aparecerán al aumentar la escala?
• ¿Qué justificaría ampliar, ajustar o detener el proyecto?

Sin estas respuestas, el portafolio crece por acumulación. Con ellas, puede crecer por elección.

Medir el resultado completo

Muchas iniciativas de inteligencia artificial comienzan con una promesa de eficiencia. Pero tiempo ahorrado no siempre se convierte automáticamente en valor. Si una herramienta permite preparar un análisis más rápido, la empresa todavía necesita comprender qué ocurre con ese tiempo: si mejora la revisión de excepciones, la calidad de la decisión o la capacidad de atención, o si solamente aumenta el volumen producido.

El valor también puede aparecer como mayor previsibilidad, menos retrabajo, reducción de errores o una respuesta más rápida al cliente. Los efectos no deseados importan: una solución puede reducir minutos y aumentar correcciones, acelerar una etapa y transferir trabajo hacia otra área, o producir más respuestas con menor calidad.

Escalar exige medir el resultado completo, no solamente la parte del proceso donde actúa la herramienta.

Detener también forma parte de escalar

Existe una dificultad humana en abandonar una iniciativa de IA. Después de invertir tiempo, presupuesto y reputación, detener un proyecto puede parecer una admisión de fracaso.

No todo experimento necesita convertirse en producto ni toda herramienta debe permanecer porque fue contratada. Un caso de uso tampoco merece ampliarse solamente porque funciona técnicamente.

Si todos los pilotos terminan convirtiéndose en proyectos permanentes, probablemente la empresa no está seleccionando. Está acumulando. Detener una iniciativa puede significar que el problema dejó de ser prioritario, que los datos no son suficientes, que el costo supera el beneficio o que otra solución produce más valor. Ese aprendizaje debe alimentar las decisiones siguientes.

Escalar la IA no significa hacer crecer todo. Significa identificar qué merece crecer.

La tecnología escala, pero los errores también

Cuanto mayor es el alcance de una solución, mayores son las consecuencias de sus errores. Una recomendación equivocada utilizada por pocas personas puede corregirse rápidamente. Incorporada a varios procesos, unidades o países, puede multiplicar sus efectos antes de que alguien perciba el problema. Además, una implementación deficiente puede aumentar la velocidad con la que la organización produce nuevos errores.

Datos fuera de contexto generan clasificaciones equivocadas. Una regla incompleta crea excepciones que antes no existían. Una recomendación incorrecta puede provocar decisiones posteriores que regresan al sistema como si fueran resultados válidos. Cuanto más rápido funciona el proceso, más rápidamente se acumulan esas distorsiones.

Implementar mal no solo conserva el error. Aumenta la velocidad con la que producimos errores nuevos.

En “Automatizar el error: cuando la IA hace más eficiente lo que nunca debió existir”, reflexioné sobre el riesgo de aplicar inteligencia artificial sobre datos deficientes, reglas obsoletas o procesos mal diseñados. Al escalar, una solución mal diseñada deja de afectar una tarea y comienza a influir en una red de decisiones.

Escalar también exige claridad sobre quién interpreta el resultado, quién puede cuestionarlo, quién acompaña sus efectos y quién tiene autoridad para detener el proceso.

La IA amplía nuestra capacidad de analizar y actuar. La inteligencia humana aporta contexto, ponderación, propósito y responsabilidad. No se trata de colocar a una persona al final del proceso para aprobar lo que la tecnología ya decidió, sino de mantener el criterio humano presente desde la elección del problema hasta la observación de las consecuencias.

Elegir antes de ampliar

Antes de aprobar una nueva iniciativa, tal vez la pregunta no debería ser “¿qué más podemos hacer con IA?”, sino “¿qué capacidad del negocio necesitamos construir o mejorar?”.

La primera pregunta produce posibilidades casi infinitas. La segunda obliga a elegir.

Elegir significa reconocer que no todos los problemas tienen la misma importancia, que no todas las soluciones necesitan IA y que ninguna herramienta compensa un proceso mal diseñado, datos poco confiables o responsabilidades confusas.

Las inversiones en IA seguirán creciendo. La cuestión es si traerán más herramientas o mejores capacidades.

Fuente: Gartner, “Only 22% of Organizations Have Successfully Scaled AI Across Multiple Business Units”, 1 de septiembre de 2026. Encuesta realizada entre enero y abril de 2026 con 1.303 participantes de organizaciones con ingresos anuales de al menos US$ 50 millones.