16 de junio de 2026Actualizado el Fathy Shalaby12 min de lectura
¿Fracasan el 95 % de los pilotos de IA? Lo que midió realmente el estudio del MIT
La cifra del 95 % no es una tasa de fracaso universal de la IA. Esto es lo que midió el informe MIT NANDA de 2025, por qué lo cuestionan sus críticos y cómo pueden los equipos de producto juzgar un piloto de IA por resultados reales.
No, la evidencia no demuestra que el 95 % de los pilotos de IA fracase. La cifra procede de un informe MIT NANDA de julio de 2025 basado en 52 entrevistas y 153 respuestas de encuesta. Dice que el 95 % de las organizaciones no vio ningún retorno medible en su cuenta de resultados gracias a la IA generativa. Entre las empresas que realmente probaron una herramienta a medida, aproximadamente una de cada cuatro llegó a producción, y el propio informe califica sus cifras de orientativas.
Ideas clave
El informe afirma que «95% of organizations are getting zero return» sobre 30.000–40.000 millones de dólares de gasto empresarial en IA generativa (MIT NANDA, 2025). Eso describe organizaciones e impacto en la cuenta de resultados, no el desenlace de cada piloto.
En las herramientas específicas para una tarea, el 60 % de las organizaciones evaluó una, el 20 % hizo un piloto y el 5 % llegó a producción. De las empresas que hicieron un piloto, aproximadamente el 25 % (5 de 20) tuvo éxito.
«Éxito» significaba un impacto claro y sostenido en la productividad o en la cuenta de resultados, medido seis meses después del piloto. Es una vara alta, y el informe no la define con precisión.
Los críticos señalan la muestra pequeña, la ausencia de revisión por pares, incoherencias internas y el interés comercial de los autores en la IA agéntica que recomiendan (80,000 Hours, 2026).
La lección útil para los equipos de producto no es una tasa de fracaso. Es fijar una línea base, un umbral de éxito y una fecha de decisión antes de que empiece el piloto.
¿De dónde sale la estadística «el 95 % de los pilotos de IA fracasa»?
La cifra sale de The GenAI Divide: State of AI in Business 2025, escrito por Aditya Challapally, Chris Pease, Ramesh Raskar y Pradyumna Chari y fechado en julio de 2025. Se elaboró con Project NANDA, un grupo del MIT Media Lab que construye infraestructura para agentes de IA en red (MIT Media Lab). El informe se presenta a sí mismo como hallazgos preliminares.
Su método declarado tiene tres partes, y abarca de enero a junio de 2025:
una revisión de más de 300 iniciativas de IA divulgadas públicamente
entrevistas estructuradas con representantes de 52 organizaciones
respuestas de encuesta de 153 directivos, recogidas en cuatro congresos del sector
La estadística saltó al gran público el 18 de agosto de 2025, cuando Fortune informó de que el 95 % de los pilotos de IA generativa en las empresas estaba fracasando (Fortune, 2025). Fortune describió la investigación como 150 entrevistas con directivos, una encuesta a 350 empleados y 300 despliegues públicos. Esas cifras son entre dos y tres veces mayores que las 52 entrevistas y 153 respuestas del propio informe.
¿Qué midió realmente el informe MIT NANDA?
El informe contiene varias cifras distintas que los titulares fundieron en una sola. Separarlas cambia la historia.
Lo que repite la gente
Lo que dice el informe
Lo que describe en realidad
El 95 % de los pilotos de IA fracasa
El 95 % de las organizaciones no obtiene ningún retorno
Organizaciones, juzgadas por su impacto medible en la cuenta de resultados
Solo el 5 % de los pilotos tiene éxito
El 5 % de los pilotos de IA integrados extrae millones en valor
Una proporción de todas las organizaciones, no de los pilotos
Los pilotos no llegan a producción
El 60 % evaluó herramientas específicas, el 20 % hizo un piloto, el 5 % llegó a producción
Un embudo sobre todas las organizaciones encuestadas
Las herramientas de IA no se usan
Más del 80 % exploró o probó herramientas tipo ChatGPT; casi el 40 % dice haberlas desplegado
Herramientas de uso general, juzgadas por separado
La mayoría de la IA fracasa
Éxito significa un impacto claro y sostenido en la productividad y/o la cuenta de resultados
Declarado por usuarios o directivos, medido 6 meses después del piloto
El embudo es lo más importante. Si el 60 % de las organizaciones miró una herramienta específica, el 20 % hizo un piloto y el 5 % llegó a producción, entonces el 80 % nunca probó nada. De entre el 20 % que sí lo hizo, 5 de cada 20 tuvieron éxito: una tasa de paso del piloto a producción de en torno al 25 %.
Rob Wiblin, presentador de 80,000 Hours, señaló esto mismo en abril de 2026: la cifra describe a todas las organizaciones encuestadas, la mayoría de las cuales nunca hizo un piloto a medida (80,000 Hours, 2026). El informe invita a la confusión al llamar a ese resultado una tasa de fracaso del 95 % en un pasaje.
El informe también señala sus propios límites. Dice que las cifras de los pilotos son «directionally accurate based on individual interviews rather than official company reporting» (orientativamente correctas, basadas en entrevistas individuales y no en informes oficiales de las empresas), que los tamaños de muestra varían según la categoría y que las definiciones de éxito pueden diferir entre organizaciones.
¿Cuáles son las principales críticas al estudio del MIT?
Hay cinco problemas que aparecen una y otra vez. Ninguno demuestra que la IA empresarial vaya bien, pero juntos significan que la cifra del 95 % no puede soportar el peso que se le ha puesto encima.
1. La muestra es pequeña
Las tasas de los titulares se apoyan en 52 entrevistas. 80,000 Hours estima que la cifra de éxito del 5 % podría reflejar a dos o tres empresas, de modo que mover una o dos entrevistas cambiaría el titular. La nota metodológica del propio informe admite que la muestra puede no representar a todos los segmentos empresariales ni a todas las regiones, y que las empresas dispuestas a hablar de IA pueden diferir de las que declinaron.
2. No fue revisado por pares ni era fácil de comprobar
El informe no era un artículo académico. Cuando la noticia de Fortune se hizo viral, el PDF estaba detrás de un formulario de solicitud, así que los periodistas repitieron el titular sin leer el método (80,000 Hours, 2026).
3. Las cifras no siempre concuerdan entre sí
Dos ejemplos del mismo documento:
Una conclusión dice que el 50 % de los presupuestos de IA generativa va a ventas y marketing; el párrafo siguiente dice que ventas y marketing captaron aproximadamente el 70 % de una asignación hipotética de 100 dólares.
El resumen ejecutivo dice que solo 2 de 8 sectores importantes muestran un cambio estructural; una sección posterior dice que 7 de 9 sectores no muestran un cambio estructural real.
4. El «éxito» es una vara alta y definida con poca precisión
Un piloto solo contaba como exitoso si los usuarios o los directivos describían un impacto claro y sostenido en la productividad o en la cuenta de resultados en un plazo de seis meses. Una herramienta que ayudaba a las personas pero que aún no había movido la cuenta de resultados contaba como fracaso. El informe incluso concede que una ventana de seis meses puede ser demasiado corta para juzgar sistemas empresariales complejos.
5. Los autores recomiendan lo que construyen
El informe concluye que los sistemas agénticos con memoria y aprendizaje cerrarán la brecha, y NANDA es un proyecto de infraestructura para agentes. 80,000 Hours sostiene que este conflicto de intereses debería haberse declarado.
Entonces, ¿cuál es la tasa real de fracaso de los pilotos de IA?
No existe una única tasa fiable de fracaso de pilotos de IA, porque los estudios definen el «fracaso» de maneras distintas. Un modelo puede dar respuestas erróneas, los usuarios pueden dejar de usar una función, se puede cancelar un piloto, un flujo de trabajo puede atascarse antes de producción o un equipo puede no lograr medir el impacto financiero.
El informe de RAND de 2024 cita estimaciones según las cuales más del 80 % de los proyectos de IA fracasa, el doble que los proyectos de TI sin IA (RAND, 2024). RAND atribuye esa cifra a estimaciones externas; su propia evidencia son entrevistas con 65 científicos de datos e ingenieros con al menos cinco años de experiencia.
El éxito autodeclarado tampoco es fiable. En el ensayo aleatorizado de METR con 16 desarrolladores de código abierto con experiencia, que trabajaron en 246 incidencias reales, las herramientas de IA los hicieron un 19 % más lentos. Los desarrolladores esperaban una aceleración del 24 % y, después, seguían creyendo que la IA los había hecho un 20 % más rápidos (METR, 2025). Las cifras de éxito de NANDA también son autodeclaradas, una razón más para medir tu propia línea base en lugar de tomar prestada la tasa de otro.
¿Por qué fracasan los pilotos de IA, según la investigación?
El titular es débil, pero los hallazgos cualitativos coinciden con otras investigaciones.
Del informe MIT NANDA:
La «learning gap». Los usuarios dijeron que las herramientas no aprenden de los comentarios, necesitan demasiado contexto cada vez, no se pueden adaptar a su flujo de trabajo y fallan en los casos límite.
Trabajo sencillo frente a trabajo complejo. El 70 % de los encuestados prefería la IA para redactar correos y el 65 % para análisis básicos, pero para trabajo complejo de varias semanas se prefería a las personas en una proporción de 9 a 1.
Shadow AI. Solo el 40 % de las empresas dijo haber comprado una suscripción oficial a un LLM, y sin embargo los empleados de más del 90 % de las empresas encuestadas declararon usar con regularidad herramientas de IA personales para trabajar.
Comprar o construir. Las alianzas externas llegaron al despliegue aproximadamente el 67 % de las veces, frente a aproximadamente el 33 % de los desarrollos internos. El informe advierte de que son datos autodeclarados y de que la correlación no demuestra causalidad.
Rapidez. Las mejores empresas medianas declararon unos 90 días desde el piloto hasta la implantación completa; las grandes empresas tardaron nueve meses o más.
De las 65 entrevistas de RAND, cinco causas raíz: el equipo malinterpretó o comunicó mal el problema; la organización carecía de datos; persiguió la tecnología en lugar del problema del usuario; carecía de infraestructura para desplegar y gestionar modelos; o el problema era demasiado difícil para la IA (RAND, 2024).
¿Cómo debería medir un equipo de producto un piloto de IA?
Escribe el plan del piloto antes de ampliar una función de IA o un asistente de programación a más usuarios. Este checklist de siete puntos mantiene la decisión en tus pruebas, no en la estadística de otro.
Usuario y tarea. ¿Quién hace qué tarea y qué dificultad tiene el flujo de trabajo actual?
Línea base. ¿Cómo funciona hoy la tarea? Registra el tiempo, la finalización, los errores, el retrabajo u otra medida relevante.
Resultado de éxito. ¿Qué resultado para el usuario o el negocio debería mejorar? Fija un umbral antes del piloto.
Límite de calidad. ¿Qué hace aceptable una respuesta o una acción? Incluye ejemplos representativos, casos límite y modos de fallo conocidos.
Plan de respaldo y responsable. ¿Qué pasa cuando el modelo duda o se equivoca? Nombra a la persona que puede revisar, anular o detener el flujo de trabajo. La guía sobre decisiones de IA con límites muestra cómo redactar ese traspaso.
Coste y límites operativos. Controla la latencia, el coste del modelo, el esfuerzo de revisión, las escalaciones y la carga de soporte junto a los resultados por tarea.
Fecha de decisión. Acordad cuándo el equipo ampliará, revisará o detendrá el piloto, y quién toma esa decisión.
Mide por capas; cada una responde a una pregunta distinta:
Si las personas pueden fiarse del resultado para esta tarea
Entrega
Tiempo de ciclo, esfuerzo de revisión, retrabajo, defectos que se escapan
Si el trabajo fluye de otra manera por el equipo
Impacto en el producto
Finalización de tareas, uso repetido, retención, ingresos o coste de servir
Si el cambio importa a los usuarios o al negocio
Coste operativo
Latencia, coste del modelo, revisión humana, carga de soporte
Si el valor es sostenible
El marco de Google Cloud para asistentes de programación con IA, coescrito por Nathen Harvey, responsable de DORA, usa una escalera parecida: adopción, confianza, aceleración e impacto. Advierte contra saltar de la adopción directamente al impacto en el negocio y sugiere esperar al menos de 6 a 8 semanas, o cuatro sprints de dos semanas, antes de que pueda verse la aceleración (Google Cloud, 2025). Las sugerencias aceptadas son una señal temprana, no una prueba de que los clientes obtuvieron más valor. El marco de evaluación de IA para equipos de producto cubre en detalle la capa de calidad.
Ejemplo práctico: criterios de aceptación generados por IA
Este ejemplo es ilustrativo, no un resultado de cliente. Supongamos que un equipo de 6 personas prueba criterios de aceptación redactados por IA para tickets. Contar borradores no le diría nada, así que escribe primero el plan:
Línea base (últimos 20 tickets): 3 días desde la solicitud hasta el brief aprobado; los revisores detectan 4 casos límite que faltan por cada 10 tickets; 2 de cada 10 tickets necesitan retrabajo de ingeniería tras el kick-off.
Umbral: brief aprobado en 2 días o menos, con un retrabajo que no supere 2 de cada 10.
Límite de calidad: ningún requisito inventado; cada criterio debe poder rastrearse hasta la solicitud o una nota de cliente enlazada.
Límite de coste: el tiempo de revisión por brief no debe superar los 30 minutos.
Fecha de decisión: a las 8 semanas o a los 40 tickets, lo que ocurra primero.
Si los briefs llegan en un día pero el retrabajo sube a 4 de cada 10, el piloto ha fallado en el resultado que importa, por muy rápidos que fueran los borradores. Si los borradores tardan lo mismo pero el retrabajo se reduce a la mitad, puede valer la pena ampliarlo.
Errores habituales al leer estadísticas de pilotos de IA
Tratar una encuesta a organizaciones como una tasa para tu proyecto. Tus probabilidades dependen de tu problema, tus datos y tu flujo de trabajo, no de una media de 52 empresas.
Contar la actividad como éxito. Los prompts enviados, los borradores generados y las sugerencias aceptadas muestran adopción, no valor.
Fiarse de lo rápido que se siente. Los desarrolladores de METR se sentían un 20 % más rápidos mientras medían un 19 % más lentos. Cronometra el trabajo.
Saltarse la línea base. Sin cifras de «antes», ninguna cifra de «después» significa nada.
Dejar abierta la fecha de fin. Los pilotos sin fecha de decisión tienden a seguir como experimentos permanentes.
El checklist tiene límites. No rescatará un piloto dirigido a un problema que los usuarios no tienen, y algunos beneficios, como tomar mejores decisiones, tardan más de ocho semanas en aparecer; regístralos como preguntas abiertas. Para saber quién tiene la última palabra, consulta lo que los product managers nunca deberían delegar en la IA y la guía del product manager de IA.
Dónde encaja Specky
Specky lee las llamadas con clientes, el feedback, Slack, Jira y las analíticas y los vuelca en un Product Graph, redacta specs con las pruebas que las respaldan citadas en línea y comprueba después del lanzamiento si la apuesta funcionó. En un piloto de IA, eso significa que la línea base, el umbral y la fecha de decisión viven junto a la spec, en lugar de en una diapositiva que nadie vuelve a abrir. Tus propias mediciones siguen decidiendo si el piloto tuvo éxito.
Preguntas frecuentes
¿Es cierto que el 95 % de los pilotos de IA fracasa?
No. El informe MIT NANDA dice que el 95 % de las organizaciones encuestadas no vio ningún retorno medible en su cuenta de resultados gracias a la IA generativa. Su propio embudo muestra que solo el 20 % de las organizaciones hizo un piloto de una herramienta específica y el 5 % llegó a producción, así que aproximadamente una cuarta parte de las empresas con piloto tuvo éxito. La muestra fue de 52 entrevistas y 153 respuestas de encuesta.
¿Quién escribió el estudio del MIT sobre pilotos de IA?
Aditya Challapally, Chris Pease, Ramesh Raskar y Pradyumna Chari escribieron The GenAI Divide: State of AI in Business 2025, publicado en julio de 2025 con el Project NANDA del MIT Media Lab. Presenta hallazgos preliminares de enero a junio de 2025 y no fue revisado por pares.
¿Qué cuenta como un piloto de IA fallido?
El informe del MIT solo contaba un piloto como exitoso si los usuarios o los directivos describían un impacto claro y sostenido en la productividad o en la cuenta de resultados en un plazo de seis meses. Otras definiciones incluyen la cancelación, la baja adopción o los errores dañinos. Define el fracaso para tu propio piloto antes de empezar, con un umbral medible y una fecha.
¿Por qué fracasan la mayoría de los pilotos de IA?
La investigación apunta sobre todo a causas de producto: problemas poco claros, mal encaje con el flujo de trabajo, falta de datos, herramientas que no aprenden de los comentarios y ausencia de una medida de éxito acordada. Las entrevistas de RAND con 65 profesionales concluyeron que la causa raíz más común era haber malinterpretado o comunicado mal el problema que la IA debía resolver.
¿Cuánto debería durar un piloto de IA?
Lo suficiente para comparar con una línea base en el resultado que te importa. Google Cloud sugiere al menos de 6 a 8 semanas antes de que puedan aparecer ganancias de productividad con asistentes de programación con IA. Fija la fecha de decisión y el tamaño de la muestra, por ejemplo 8 semanas o 40 tareas, antes de que empiece el piloto.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing