Por Marko · 5 min de lectura
Por qué fracasan los proyectos de IA y qué etapa se saltan

La demo funciona en una tarde. El chatbot responde a los clientes, el agente prepara el informe, el equipo está entusiasmado. Dos meses después, el proyecto desaparece en silencio de la agenda. ¿Te suena? Así termina la mayoría de los proyectos de IA, y casi nunca por culpa del modelo.
A continuación: qué dicen los estudios, de dónde sale la famosa cifra del 95% y en qué etapa se rompen los proyectos.
¿Por qué fracasan la mayoría de los proyectos de IA?
La mayoría de los proyectos de IA fracasan porque el equipo salta a la automatización antes de que la IA conozca el contexto del negocio y antes de acordar qué cuenta como buen resultado. Los estudios repiten las mismas causas: un problema mal definido, datos pobres, valor poco claro. El modelo rara vez es el problema principal. Lo es aquello en lo que se apoya.
Según estimaciones que cita RAND, más del 80% de los proyectos de IA fracasan, el doble que los proyectos de TI sin IA. Los investigadores de RAND entrevistaron a 65 científicos de datos e ingenieros con experiencia, y la primera causa que señalaron fue esta: quien pide el proyecto no entiende bien, o no sabe explicar, qué problema debe resolver la IA.
En 2024 Gartner predijo que al menos el 30% de los proyectos de IA generativa se abandonarían tras la prueba de concepto antes de finales de 2025. Los motivos: mala calidad de los datos, controles de riesgo insuficientes, costes crecientes y valor de negocio poco claro.
¿Es cierto que fracasan el 95% de los proyectos de IA?
La cifra del 95% viene del informe "The GenAI Divide" de MIT NANDA de 2025, y mide algo más estrecho de lo que parece. El 95% de las empresas de la muestra no vio un impacto medible de la IA generativa en su cuenta de resultados. Es una conclusión sobre una muestra concreta y sobre dinero. Extenderla a todos los proyectos de IA del mundo es ir demasiado lejos.
El informe del MIT se comparte bajo petición, así que aquí nos basamos en lo que publicó Fortune. También conviene ver el panorama completo. Las cifras van del 30% al 95% porque miden cosas distintas: pilotos abandonados, proyectos que no alcanzaron su objetivo, empresas sin beneficio de la IA. Coinciden en una cosa: el fracaso es más frecuente que el éxito, y las causas casi siempre son las mismas.
Las causas, etapa por etapa
En nuestro artículo sobre el modelo de madurez de IA describimos cuatro etapas: Prompt, Context, Harness y Loop. Cada una se apoya en la anterior. Si pones las causas de los estudios junto a las etapas, casi cada causa resulta ser una etapa que el equipo se saltó.
| Etapa | Qué debería existir | Cómo suena el fracaso en los estudios | La señal en tu equipo |
|---|---|---|---|
| Prompt | reglas comunes para trabajar con IA | observación nuestra: el piloto depende de una sola persona | solo obtiene resultados quien lanzó el piloto |
| Context | una base de conocimiento del negocio | mala calidad de datos (Gartner), datos insuficientes (RAND) | hay que explicarle a la IA cada vez quiénes sois y cómo trabajáis |
| Harness | una definición de "hecho" y una revisión | valor poco claro (Gartner), un problema mal entendido (RAND) | nadie sabe decir si el piloto funcionó |
| Loop | trabajo rutinario que funciona sin recordatorios manuales | costes crecientes y valor poco claro (Gartner) | la automatización multiplica los errores antes de que alguien los vea |
Context y Harness son las etapas que más se saltan. Son las menos visibles: no hay una demo espectacular, solo acuerdos escritos y criterios claros. Sin embargo, deciden si un piloto sobrevive al contacto con el trabajo real. Context significa una base de conocimiento para la IA desde la que trabajan tanto el equipo como la IA. Harness significa que cada tarea tiene criterios de aceptación y que el resultado se revisa con ellos.
Saltar directamente a la cuarta etapa es lo que más cuesta. Gartner prevé que más del 40% de los proyectos de IA agéntica se cancelarán antes de finales de 2027. Un agente sin base de conocimiento trabaja a ciegas, y un agente sin revisión de sus resultados simplemente se equivoca más rápido.
Por qué la IA parece más fácil de lo que es
Al principio, la IA parece todopoderosa. Un prototipo sale en una tarde, y enseguida se planean varios sistemas más, a veces hasta un producto propio. La IA imita la sencillez: el primer resultado llega rápido y el volumen real de trabajo queda fuera de la vista.
Ese trabajo está en el último tramo: reunir el contexto, integrar la IA en el proceso, revisar los resultados, acostumbrar al equipo. Ahí es donde los proyectos se detienen, a mitad de camino, con una docena de ideas a medio hacer.
Lo vemos cada día en nuestro propio trabajo. Llevar un proyecto de IA hasta el final es posible, y requiere un sistema en el que se apoye cada paso siguiente.
¿Cómo lograr que un proyecto de IA salga bien?
Empieza por un solo proceso. Pon por escrito el contexto con el que trabajará la IA. Antes de empezar, acordad qué cuenta como resultado terminado y revisad cada resultado con ese criterio. Automatiza solo lo que ya funciona bien a mano. Así el proyecto recorre las etapas en orden y ninguna se queda fuera.
Antes de lanzar un piloto, responde a cinco preguntas:
- ¿Qué proceso concreto cambiamos y quién es su responsable?
- ¿Dónde está escrito el contexto con el que trabajará la IA?
- ¿Cómo sabremos que un resultado está terminado?
- ¿Quién revisa un resultado, y cómo, antes de aceptarlo?
- ¿Qué tiene que funcionar a mano antes de automatizarlo?
Si una sola pregunta queda sin respuesta, el piloto corre el riesgo de ser otra demo bonita.
Resumen
La mayoría de los proyectos de IA fracasan por las mismas razones: el equipo salta a la automatización y se salta la base de conocimiento y la revisión de resultados. Los estudios dan cifras distintas y la misma imagen. La forma más barata de no entrar en la estadística es recorrer las etapas en orden.
Para saber por qué etapa empezar, haz el test breve de nuestro artículo sobre el modelo de madurez de IA. Y si quieres ver cómo son las etapas en un sistema real, te lo mostramos en una llamada de 20 minutos.
Fuentes
- RAND Corporation, "The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed", 13.08.2024: https://www.rand.org/pubs/research_reports/RRA2680-1.html
- Gartner, "Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025", 29.07.2024: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025
- Gartner, "Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027", 25.06.2025: https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
- Fortune, on MIT NANDA "The GenAI Divide", 18.08.2025: https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/