El MIT y Boston Consulting Group (BCG) acaban de publicar un estudio con un titular sorprendente: el 95% de los proyectos de IA generativa empresarial no muestran un impacto medible en las ganancias y pérdidas (P&L).
¿Lo sorprendente? No es la tecnología la que está fallando, sino la forma en que las empresas intentan usarla. El estudio señala la integración deficiente del flujo de trabajo y la falta de una alineación empresarial clara como las principales razones por las que tantas iniciativas de IA no dan los resultados esperados.
Lo que dice el MIT al respecto
Investigadores de MIT Sloan Management Review y BCG destacan que la mayor brecha radica en la preparación organizacional. Las empresas se lanzan a proyectos de IA sin rediseñar procesos, capacitar a sus equipos ni alinear los proyectos con los resultados empresariales.
Como explicó Michael Chu, director general de BCG, en Tom's Hardware:
“La IA generativa es una herramienta poderosa, pero sin una integración adecuada y casos de uso claros, corre el riesgo de convertirse en un experimento más con pocos resultados”.
(Fuente: informe de investigación del MIT CISR, 2024)
Qué significa (en palabras humanas)
A pesar de todo el revuelo en torno a la IA, la mayoría de las empresas no ven los resultados.
¿Por qué? Porque intentan implementar IA en sistemas obsoletos en lugar de cambiar su funcionamiento real.
Piénselo como agregarle un nuevo y poderoso motor a un viejo auto oxidado: no hará que el auto sea repentinamente más rápido si las ruedas, los frenos y el chasis no están diseñados para ello.
Qué significa esto para usted:
La IA por sí sola no es la solución. Lo que importa es cómo la usas.
Si su empresa no adapta sus procesos, la IA sólo tendrá una apariencia sofisticada, pero no marcará la diferencia.
Para obtener verdaderos beneficios, los líderes necesitan repensar los flujos de trabajo, no sólo incorporar herramientas.
Conectando los puntos
En Frozen Light, nos dedicamos a mostrar la mayor cantidad de perspectivas posibles sobre una noticia. Esto es lo que encontramos:
Inversión y reacciones del mercado – Tom's Hardware
Los hallazgos del MIT se basaron en 150 entrevistas, 350 empleados encuestados y 300 implementaciones de IA. El informe destaca que muchas empresas destinan presupuestos de IA a ventas y marketing, ignorando la automatización administrativa, que suele generar un mayor retorno de la inversión (ROI).
🔗 Ferretería Tom
Caída de los inversores – Investors.com
El estudio del MIT sacudió a Wall Street, contribuyendo a la caída de acciones relacionadas con la IA, como Nvidia y Palantir. Algunos analistas sugieren que la oportunidad se está desplazando hacia empresas de servicios e infraestructura de TI mejor posicionadas para ayudar a las empresas a implementar la IA de forma eficaz.
🔗Inversores.com
El escepticismo de Wall Street – Axios
Axios informó cómo los hallazgos alimentaron las dudas de los inversores sobre la rentabilidad de la IA. La conclusión: la inversión empresarial en IA no garantiza rentabilidad, especialmente cuando las herramientas internas tienen un rendimiento inferior al de las soluciones externas disponibles comercialmente.
🔗 Axios
Brecha de aprendizaje e impacto en la fuerza laboral – AInvest
El MIT definió la "brecha de aprendizaje" como el verdadero problema: las organizaciones subestiman el tiempo que tardan los empleados en adoptar la IA de forma eficaz. El estudio también observó una reducción en la contratación en puestos administrativos, lo que demuestra que, incluso sin despidos masivos, la adopción de la IA está transformando la demanda de personal.
🔗 AInvest
Perspectiva global del fracaso – TechRadar
TechRadar amplió el análisis, señalando que la tasa de fracaso no se limita a un solo sector. Desde finanzas hasta manufactura, muchos proyectos piloto fracasan porque no están integrados en los flujos de trabajo existentes. El artículo advierte sobre la creciente brecha entre la popularidad de la IA y la realidad operativa.
🔗 TechRadar
Apúntalo
Una de las principales razones por las que los proyectos de IA fracasan en las empresas es que los flujos de trabajo no están preparados para la IA.
No siempre se trata del modelo: se trata de cómo se estructura el trabajo.
Ahí es donde puedes utilizar un LLM como "revisor de flujo de trabajo".
En lugar de pedirle que “haga el trabajo”, pídale que verifique si su forma de trabajar se adapta a las herramientas de IA.
A continuación se muestra un mensaje de estilo para completar espacios en blanco que puedes probar:
Inmediato:
"Este es mi flujo de trabajo actual: [describe tu proceso paso a paso].
¿Este flujo de trabajo está preparado para la IA?
En caso contrario, sugiera los 3 cambios principales que harían que el uso de IA sea más eficaz.
Explique por qué estos cambios son importantes y proporcione ejemplos sencillos de cómo podrían mejorar los resultados”.
👉 Simplemente reemplace los corchetes con su propio flujo de trabajo y tendrá una idea clara de si la IA ayudará o simplemente agregará otro proyecto fallido a la lista.
Perspectiva del equipo de Frozen Light
Nada nuevo aquí: la IA es tan buena como las personas que la crean. ¡Impresionante, ¿verdad?!
Es broma, todos lo sabemos. ¿Pero lo recordamos cuando el proyecto de IA en el que invertimos fracasó? Esa es otra historia, aunque sigue siendo humana 😉
Es agradable encontrar mensajes como este, donde el propio MIT invierte en investigadores de primer nivel para respaldar lo que esperamos saber. Y si aún no lo sabemos, bueno, es más probable que lo recordemos en el futuro.
