El uso de inteligencia artificial se expande en las empresas, pero persiste una brecha entre su
adopción y los resultados que genera.
Las empresas están invirtiendo millones en inteligencia artificial (IA), pero la mayoría está
fallando. Los proyectos no escalan, no generan retorno o se quedan en pilotos sin impacto
real, pese a que su adopción sigue creciendo en distintas áreas del negocio.
Frente a ese escenario, Gonzalo Martín, Data & AI Offering Director de Softtek, advirtió que
el principal error está en el punto de partida. “Muchas empresas invierten en inteligencia
artificial sin tener claro qué problema quieren resolver”, señaló en el marco del Innovattek
2026, realizado por Softtek Perú.
“La gran pregunta es por qué un pequeño grupo logra generar valor y la mayoría no”,
añadió.
Las cifras reflejan esa brecha. Según McKinsey, el 88% de las empresas ya ha
implementado IA en al menos un área. Sin embargo, el MIT estima que el 95% de estos
proyectos no genera retorno. Forbes lo sitúa en 3% y McKinsey en 7%.
Daniel Aguilar, country manager de Softtek Perú, señaló que el reto ya no pasa por
adoptar la tecnología, sino por hacerlo con un enfoque claro de negocio. “Hoy el desafío
no es si las empresas van a usar inteligencia artificial, sino cómo lograr que genere valor
real”, indicó.
El problema empieza antes de la IA
Una de las primeras trabas está en los datos. “En algunas organizaciones ni siquiera hay
una definición clara de lo que es un cliente”, explicó Martín.
Pero el problema no es solo técnico. Advirtió que, si la organización no está preparada, los
proyectos no escalan. Incluso pilotos exitosos pueden quedar frenados por resistencia
interna o falta de alineamiento.
A esto se suma la infraestructura. “Si no puedes escalar una solución, no genera impacto
real”, sostuvo.
El error está en el punto de partida
Para el especialista, muchas empresas están enfocando mal sus esfuerzos. “Las empresas
comienzan por la tecnología, cuando deberían empezar por el valor”, remarcó.
El cambio es claro: primero identificar dónde se genera valor y qué problemas resolver.
Solo después tiene sentido definir casos de uso de inteligencia artificial.
También es clave evaluar si existen las condiciones necesarias —datos, cultura y
capacidad de escalar— antes de avanzar.