Existen estudios sobre por qué fracasan o tienen éxito los proyectos de IA en empresas. Los que funcionan comparten un conjunto de condiciones que se repiten con notable consistencia. Este programa toma esos patrones —observables, documentados— y los ensambla en un dispositivo concreto, diseñado para reproducirlos de forma deliberada en organizaciones que no los generan por sí solas.
El origen
Hace unas semanas se publicó en este blog un artículo titulado Organizaciones que surfean la ola de la Inteligencia Artificial ↗. Su punto de partida era un dato incómodo: 95 de cada 100 proyectos de Inteligencia Artificial en empresas fracasan sin generar valor medible. El MIT analizó 300 despliegues reales, hizo 150 entrevistas con líderes y encuestó a 350 empleados. La conclusión, publicada en The GenAI Divide: State of AI in Business 2025, fue contundente: la inmensa mayoría de las iniciativas se estancan, sin impacto observable en la cuenta de resultados.
Solo 5 de cada 100 lo consiguen.
El artículo no se quedó en el diagnóstico. Cruzó los datos del MIT con los de Andreessen Horowitz, Deloitte, Google Cloud, IBM, Microsoft y la London Business School, y extrajo una lista de once patrones repetidos en las organizaciones que sí estaban produciendo valor. No hipótesis: características observables. Las ideas surgían desde abajo. Se compraban herramientas en lugar de construirlas. Se atacaban procesos invisibles en lugar de visibles. Se ejecutaba en plazos cortos. La IA tenía contexto de la organización. Los mandos intermedios participaban. Y, sobre todo, había una condición silenciosa pero decisiva: los empleados se sentían seguros respecto a su empleo.
La conclusión del artículo fue que la diferencia entre el 5% y el 95% no parece ser fundamentalmente técnica. Las herramientas son las mismas. Los modelos son los mismos. Los presupuestos son a menudo comparables. Lo que cambia es la dirección del flujo y las condiciones de confianza.
Eso dejaba una pregunta abierta.
La hipótesis
Si los patrones del 5% son observables y replicables, debería ser posible diseñar un dispositivo concreto que los reproduzca de forma deliberada en una organización real, sin esperar a que su cultura los genere espontáneamente —algo que la mayoría de las empresas no consigue.
Encontrar patrones, usarlos para predecir tokens. Encontrar patrones, usarlos para predecir resultados.
En otras palabras: si sabemos qué hacen distinto las empresas exitosas, deberíamos poder fabricar un entorno corto, acotado y bien diseñado que active esos mismos patrones en empresas que no parten de esa cultura.
La hipótesis se puede formular así:
Un programa que combine los once patrones identificados —en un único formato, en un plazo corto, con compromisos explícitos por parte de la dirección— debería mejorar las posibilidades para mover sistemáticamente a una organización del 95% hacia el 5%.
Esta es la idea. Lo que sigue es, primero, qué forma terminó tomando ese dispositivo, y después, por qué cada uno de sus componentes está justificado por uno de los patrones observados.
La idea: un microconcurso interno de 30 días
El formato resultante se llama Banco de Ideas Organizaciones. En su forma más simple:
Una empresa selecciona hasta 10 participantes —empleados de distintos niveles, incluidos mandos intermedios. Durante 30 días, esos participantes acceden a una plataforma privada donde proponen, debaten y votan ideas para aplicar IA a procesos concretos de su propia empresa. Les acompaña una IA entrenada con la documentación interna de la organización: descripciones de procesos, objetivos, áreas de mejora. La dirección define hasta tres premios visibles desde el inicio del ciclo. Y firma, antes de empezar, un compromiso público de cero despidos por causa de la IA: si una función se automatiza, la organización se compromete a reasignar al trabajador o ampliar su rol.
Al cierre de los 30 días, la organización recibe un reporte ejecutivo con todas las propuestas, las tres ganadoras y recomendaciones de implementación.
Eso es todo. Plataforma, plazo, compromiso firmado, IA con contexto, premios, debate entre pares, reporte final.
Visto en abstracto puede parecer una colección razonable pero arbitraria de elementos. No lo es. Cada componente está ahí porque corresponde a uno de los patrones observados en el 5%. Lo que sigue es esa correspondencia.
La justificación, patrón por patrón
Patrón 1 — La idea nace donde está el problema, no donde está el presupuesto
El patrón. Los proyectos exitosos comparten una característica que rara vez aparece en los planes estratégicos: las soluciones fueron propuestas por los empleados. Surgieron de quienes ejecutan los procesos y saben dónde duele.
El componente. El microconcurso invierte deliberadamente la dirección del flujo. La dirección no propone soluciones; propone el espacio. Los empleados detectan, formulan y proponen. La pregunta del sistema no es “¿qué te gustaría que la dirección hiciera?” sino “¿qué tarea de tu día a día crees que la IA podría mejorar?”.
“Leadership sees inefficiencies in aggregate; employees experience them in detail.” — Xponent21, Rethinking AI Adoption
Patrón 2 — Comprar lo que ya existe funciona mejor que fabricarlo en casa
El patrón. Comprar herramientas a empresas especializadas acierta en torno al 67% de los casos. Construir internamente acierta solo un tercio de eso.
El componente. El programa no exige a la organización construir nada técnico. La plataforma está hecha. La IA está conectada. El flujo de propuestas, debate y voto está probado. Lo único que la organización aporta es lo que solo la organización tiene: contexto, personas, criterio sobre qué premios motivan a su equipo.
Patrón 3 — IA donde no se ve, paga más que IA que se ve
El patrón. Más de la mitad de los presupuestos de IA generativa se destinan a ventas y marketing. El mayor ROI, sin embargo, está en automatización de back-office: procesar facturas, clasificar correos, ordenar datos, conciliar reportes.
El componente. El sistema invita explícitamente a buscar en lo poco vistoso. La IA, al estar entrenada con la documentación interna, conoce los procesos administrativos y operativos, y orienta las preguntas hacia ahí. La consigna no es “propón una idea brillante”; es “identifica una tarea de tu semana que te quita tiempo y nadie ve”.
Patrón 4 — Resolver un problema concreto vence a “transformar la organización”
El patrón. Los proyectos que funcionan apuntan a una molestia específica, medible, reciente. Los que fracasan empiezan con frases como “transformar la organización”.
El componente. El formato microconcurso obliga a aterrizar. No hay espacio para presentaciones estratégicas. El participante propone una idea concreta, aplicable a un proceso identificable, con un resultado imaginable. El debate y el voto entre pares filtran lo abstracto. Lo que sobrevive a los 30 días es, por construcción, lo accionable.
Patrón 5 — Una IA que conoce tu empresa rinde mucho más que una IA genérica
El patrón. ChatGPT y similares funcionan extraordinariamente bien para individuos, pero se estancan en entornos empresariales porque no se adaptan a la forma de trabajar de cada organización.
El componente. Cada documento que sube la dirección construye una base de conocimiento privada y exclusiva para esa empresa. La IA que acompaña a los empleados durante el ciclo no es genérica: conoce el negocio, el lenguaje, las fricciones específicas. Es la diferencia entre preguntarle a un consultor que acaba de llegar y a uno que lleva años en la casa.
Patrón 6 — Si tarda mucho en pasar de prueba a uso real, se muere por el camino
El patrón. Las empresas medianas pasan de prueba piloto a uso real en aproximadamente 90 días. Las grandes empresas tardan 9 meses o más. Cuanto más larga la travesía, más probable la muerte por reorganización o pérdida del directivo que lo apoyaba.
El componente. 30 días. El plazo no es arbitrario: respeta el patrón de las empresas más rápidas en pasar de prueba a uso real, y deja un margen para que el directivo que apoya el programa siga estando ahí cuando lleguen los resultados.
Patrón 7 — La IA que tus empleados usan a escondidas no es un riesgo, es un mapa
El patrón. El 80% de los trabajadores usa IA en su trabajo, pero solo el 22% lo hace exclusivamente con herramientas oficiales. Cada uso “a escondidas” es una propuesta de proyecto disfrazada.
El componente. El programa abre, durante los 30 días, un canal explícito y sin sanciones para que los empleados declaren qué herramientas ya están usando, para qué tareas y con qué resultados. No se penaliza el uso previo: se cartografía. Lo que aparece es, en muchos casos, la mejor evidencia disponible de dónde la IA aporta valor real en esa organización concreta.
Patrón 8 — Los jefes intermedios deciden si la IA entra o no entra de verdad
El patrón. Los empleados aprenden a usar las herramientas mirando a sus jefes directos. Si el mando intermedio no entiende la IA, no la prioriza o no la usa, ningún programa central va a compensar esa ausencia.
El componente. El programa permite —y recomienda— incluir a mandos intermedios entre los participantes del ciclo. No como observadores ni como evaluadores: como participantes plenos, con las mismas reglas y los mismos premios. Cuando el jefe directo propone, debate y vota junto al equipo, la IA deja de ser un proyecto del director general y empieza a ser parte del lenguaje cotidiano del área.
Patrón 9 — Esperar resultados en seis meses es matar el proyecto antes de que respire
El patrón. Solo el 6% de las implementaciones de IA consigue retorno en menos de un año. La mayoría tarda entre 2 y 4 años.
El componente. El programa redefine qué se mide a 30 días y qué se mide a 12 meses. A 30 días: tasa de participación, número y calidad de propuestas, ideas seleccionadas para implementar. A 12 meses: impacto operativo de las propuestas que efectivamente se implementaron. Separar los dos horizontes evita el error clásico de exigir ROI a un dispositivo cuya función inmediata es generar el inventario de oportunidades, no producir el ahorro.
Patrón 10 — Saber usar la IA importa más que tener la mejor IA
El patrón. La brecha entre el 5% y el 95% es, en buena parte, una brecha de aprendizaje. No de modelo.
El componente. Durante el microconcurso, cada participante interactúa con la IA en el contexto real de su trabajo. No en un curso abstracto sobre prompting. La capacidad organizacional para entender qué pueden y qué no pueden hacer estos modelos crece como subproducto del propio ciclo: al final de los 30 días, no solo hay propuestas; hay un equipo con experiencia práctica de uso.
“It’s not the quality of the AI models, but the learning gap for both tools and organizations.” — Aditya Challapally, autor principal del informe MIT NANDA
Patrón 11 — Sin garantía de empleo, nadie propone cómo automatizar su propio trabajo
El patrón. Los empleados que temen perder su empleo a manos de la IA no proponen cómo aplicar IA a su propio trabajo. Sin garantía explícita, la participación se vuelve de cara a la galería: los empleados aportan ideas seguras, no las valiosas.
El componente. El programa exige a la dirección firmar, antes del inicio del ciclo, un compromiso público de cero despidos por causa de la IA. Si una función se automatiza, la organización se compromete a reasignar al trabajador o ampliar su rol. No es una declaración decorativa: es la condición de entrada al programa.
Este es, probablemente, el componente más importante de todos. No por bondad. Por ingeniería de incentivos. Sin ese compromiso firmado y comunicado, lo que se va a recoger durante 30 días son ideas decorativas. Con él, se desbloquea el inventario que de otro modo nunca aparecería.
La convergencia
Los once componentes no funcionan por separado. Funcionan porque están diseñados para reforzarse entre sí.
El compromiso de no despido (patrón 11) habilita las propuestas valiosas. La IA con contexto (patrón 5) las eleva en calidad. El plazo corto (patrón 6) las protege de la muerte por dilación. El foco en lo invisible (patrón 3) las orienta hacia donde está el retorno real. La inclusión de mandos intermedios (patrón 8) garantiza que las que se aprueben efectivamente se ejecuten. La amnistía sobre el shadow AI (patrón 7) suma al inventario lo que ya está validado por uso. Y todo ocurre en 30 días, en un dispositivo comprado y no construido (patrón 2), centrado en problemas concretos (patrón 4), propuestos desde abajo (patrón 1), medidos en dos horizontes distintos (patrón 9), generando aprendizaje organizacional como subproducto (patrón 10).
No es una colección de buenas prácticas. Es un sistema diseñado para que cada pieza compense las debilidades de las demás.
Lo que falta validar
El programa, como toda hipótesis operacional, requiere validación empírica. Las variables a medir en cada ciclo son las mismas que se identificaron al final del artículo previo:
- ¿El compromiso firmado de no despido modifica realmente la calidad y profundidad de las ideas propuestas? Comparable mediante ciclos con y sin compromiso explícito.
- ¿La IA contextualizada produce propuestas materialmente mejores que una IA sin contexto? Medible con doble grupo y evaluación ciega.
- ¿Los premios visibles aumentan la participación o sesgan hacia ideas conservadoras? Detectable comparando ciclos con y sin premios.
- ¿El tiempo de 30 días basta o se necesita más recorrido para ideas de mayor profundidad? Comparable con ciclos de 30, 60 y 90 días.
- ¿La inclusión deliberada de mandos intermedios cambia la tasa de implementación posterior? Medible cruzando composición del grupo con seguimiento a 6 y 12 meses.
Cada piloto del programa es, en este sentido, también un experimento. Los datos que produce alimentan el rediseño del siguiente ciclo.
Quitando lo metodológico de la idea
Es posible que el éxito en IA dependa menos de la sofisticación de la tecnología y más de la capacidad de la organización para captar, validar y escalar las ideas que sus propios empleados ya tienen y, a menudo, ya están ejecutando en silencio.
El 5% no hace algo radicalmente distinto. Hace algo radicalmente más cercano al lugar donde el trabajo ocurre.
La mayoría de las organizaciones no tiene un espacio para que esa cercanía se manifieste. Tiene buzones de sugerencias que nadie revisa, reuniones de brainstorming donde solo habla quien siempre habla, plataformas de innovación con interfaces incómodas y procesos de evaluación opacos. La inteligencia colectiva existe, pero no encuentra dónde manifestarse.
Construir ese espacio —pequeño, acotado, seguro y bien diseñado— es, posiblemente, el trabajo más importante que una organización puede hacer en relación con la IA. No comprar una herramienta más vistosa. No contratar otra consultoría. No lanzar un programa con nombre llamativo.
Crear un lugar donde las personas que conocen el trabajo puedan proponer cómo mejorarlo. Y donde, al hacerlo, no se sientan expuestas, evaluadas o amenazadas, sino escuchadas.
Eso es lo que el programa intenta producir: no como cultura espontánea —que la mayoría de las empresas no consigue— sino como dispositivo deliberado.
A día de hoy, no es una garantía. Es, probablemente, la mejor apuesta razonable disponible para una organización que quiera dejar de estar en el 95% sin tener que esperar a que su cultura cambie sola.
Ver el programa
El dispositivo descrito en este artículo está disponible como piloto bajo el nombre Banco de Ideas Organizaciones. 30 días, hasta 10 participantes, hasta 3 premios, IA entrenada con la documentación de la empresa, reporte ejecutivo final, y el sello “Cero despidos por IA” firmado por la dirección como condición de entrada.
Banco de Ideas — Programa para organizaciones ↗
Referencias
- Lafferranderie, D. (2026). Organizaciones que surfean la ola de la Inteligencia Artificial. Estudioprompt. estudioprompt.com ↗
- MIT NANDA. (2025). The GenAI Divide: State of AI in Business 2025. nanda.media.mit.edu ↗
- Estrada, S. (2025). MIT report: 95% of generative AI pilots at companies are failing. Fortune. fortune.com ↗
- Xponent21. (2026). Rethinking AI Adoption: The Bottom-Up Method Modern Leaders Need. xponent21.com ↗
- UC Berkeley Professional Education. (2025). Beyond ROI: Are We Using the Wrong Metric in Measuring AI Success? exec-ed.berkeley.edu ↗
- Google Cloud. (2025). The ROI of AI: Agents are delivering for business now. cloud.google.com ↗
- IBM. (2026). Is rising AI adoption creating shadow AI risks? ibm.com ↗
- TechClass. (2026). Why Middle Managers Drive AI Transformation Success. techclass.com ↗
- Master of Code. (2026). AI ROI: Why Only 5% of Enterprises See Real Returns in 2026. masterofcode.com ↗
- London Business School. Employee-led innovation. london.edu ↗