Por qué el 80% de los proyectos de IA no da resultado

Un metaanálisis de RAND Corporation sobre 65 proyectos empresariales de inteligencia artificial encontró que el 80,3% no llegó a dar el valor de negocio que se esperaba de ellos. Casi un tercio se abandona antes de llegar a producción. Gartner confirmó números en la misma línea en abril de 2026, específicamente en infraestructura de IA. Si tu empresa ya vivió una versión de esto (un piloto que murió después de la demo, un chatbot que el equipo dejó de usar al segundo mes), la desconfianza con la que llegás a evaluar el próximo proveedor tiene una base real detrás.

Por qué la mayoría de los proyectos de IA no llega a producción

RAND identificó tres patrones que explican casi todos los fracasos de su muestra, y ninguno es un problema de tecnología. El 33,8% de los proyectos se abandona antes de entrar en producción. El 28,4% llega a producción pero no da el beneficio esperado. El 18,1% funciona pero no amortiza lo que costó. Según la cobertura de industria sobre este estudio (difundido a fines de 2025 y retomado por Gartner en abril de 2026), las tres causas de fondo son mala calidad de datos, falta de una estructura de decisión clara sobre quién aprueba qué, y un alcance del proyecto que se corre con el tiempo hasta que nadie se acuerda del problema original.

Qué cambia cuando el proyecto es un agente conversacional, no una plataforma entera

Un agente de IA para ventas o soporte tiene una ventaja frente a esos tres patrones: el alcance es chico por definición, así que la deriva de alcance pesa menos. El riesgo se concentra en el primer patrón, la calidad de los datos, y ahí toma una forma bien concreta: al agente lo entrenaron con una base genérica (FAQs públicas, flujos armados por el proveedor) en lugar de con las instrucciones reales que sigue hoy la persona que mejor atiende a tus clientes o cierra tus ventas. El modelo no es el problema. El problema es que nunca vio cómo trabaja tu equipo.

La objeción real detrás de "ya probamos un chatbot y no funcionó"

En una conversación de venta, esta frase aparece seguido, y casi nunca significa lo que dice literalmente. El prospecto no dejó de creer en la IA. Dejó de creer en que un proveedor pueda entender su negocio lo suficiente como para que valga la pena intentarlo otra vez. El bot anterior contestaba con libretos genéricos, escalaba todo lo que no fuera una pregunta de manual, o se rompía apenas alguien preguntaba algo fuera del guion. La objeción de fondo es sobre personalización, no sobre si la tecnología funciona. Tratarla como una objeción técnica (mostrar un demo más pulido) no la resuelve. Tratarla como lo que es (miedo a pagar de nuevo por lo mismo con otro logo) sí abre la conversación.

Qué preguntar antes de firmar con un proveedor de agentes de IA

Cuatro preguntas separan a los proyectos que sí dan resultado de los que terminan en la estadística de RAND:

• ¿El agente se entrena con las instrucciones reales de tu mejor vendedor o de tu mejor persona de soporte, o con una base genérica del proveedor?
• ¿Se integra a las herramientas que ya usás (CRM, WhatsApp, tu helpdesk) o el proyecto empieza pidiéndote que migres de sistema?
• ¿Qué hace el agente cuando no sabe la respuesta? Si la respuesta es "adivina" o "responde con algo parecido", ahí está el próximo chatbot roto.
• ¿Quién define, antes de empezar, cómo se mide el resultado a los 90 días? Si esa métrica se define después de lanzar, no hay forma de saber si funcionó.

Cómo se ve cuando funciona

En Takenos, la fintech, el agente resuelve el 70% de las conversaciones sin intervención humana. El modelo que usa no es distinto al que corre detrás de un chatbot genérico. Lo que cambió fue el entrenamiento: los flujos reales que ya usaba el equipo de soporte, integrados a las herramientas que la fintech ya tenía, en vez de una plantilla armada por el proveedor. Ese trabajo previo, no el modelo, explica la diferencia entre ese resultado y un chatbot que nadie usa después del primer mes.

La próxima vez que evalúes un agente de IA después de una experiencia que no funcionó, preguntá menos por la tecnología y más por el proceso: si el proveedor te pide las instrucciones reales de tu equipo antes de escribir una sola línea de guion, o si te muestra la misma demo genérica con otro nombre arriba.

---

Fuentes consultadas: RAND Corporation, metaanálisis de 65 proyectos empresariales de IA (2025), según cobertura de industria sobre el estudio. Gartner, informe de infraestructura de IA (abril de 2026).