Buscando patrones reproducibles en los casos de éxito.
El punto de partida
95% de los proyectos de IA 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 es contundente: la mayoría de las iniciativas se estancan, sin impacto observable en la cuenta de resultados.
MIT NANDA — Fortune, agosto 2025 ↗
“Just 5% of integrated AI pilots are extracting millions in value, while the vast majority remain stuck with no measurable P&L impact.” — MIT NANDA, The GenAI Divide: State of AI in Business 2025
Solo 5 de cada 100 lo logran. Y dentro de ese 5%, hay un patrón.
El patrón dominante
Los proyectos exitosos comparten una característica que rara vez aparece en los presupuestos ni en los planes estratégicos: las soluciones fueron propuestas por los empleados. No bajaron de la dirección. Surgieron de quienes conocen los procesos, detectan las fricciones y saben dónde una IA bien aplicada cambia algo de verdad.
La investigación en innovación organizacional lo confirma: las ideas que emergen desde dentro son las que perduran. El propio informe del MIT lo formula sin ambigüedad: la transformación funciona cuando se empodera a los line managers y a los equipos de operaciones, no cuando se concentra en laboratorios centrales de IA.
London Business School — Employee-led innovation ↗
Pero este patrón —la dirección del flujo desde dentro hacia arriba— no es el único. Cuando se cruzan el informe del MIT, los datos de Andreessen Horowitz sobre adopción real en Fortune 500, los análisis de Deloitte y Google Cloud, y los estudios de campo sobre shadow AI publicados por IBM y Microsoft, emerge una lista de patrones repetidos. No son hipótesis. Son las características observables de las organizaciones que sí están surfeando la ola.
Los patrones del 5%
1. La buena idea nace donde está el problema, no donde está el presupuesto
Los empleados que ejecutan un proceso saben dónde duele. Los directivos saben qué quieren conseguir. Cuando la idea de aplicación de IA nace en quien ejecuta —no en quien presupuesta— la solución encaja en el flujo real de trabajo. Cuando nace al revés, se construye un sistema que nadie pidió para resolver un problema que solo se ve desde arriba.
“Leadership sees inefficiencies in aggregate; employees experience them in detail.” — Xponent21, Rethinking AI Adoption
Xponent21 — Bottom-Up AI Adoption ↗
2. Comprar lo que ya existe funciona mejor que fabricarlo en casa
El dato es contundente: comprar herramientas a empresas especializadas y construir alianzas con ellas acierta en torno al 67% de los casos. Construir internamente acierta solo un tercio de eso. La intuición de “lo hacemos nosotros” se paga cara, especialmente en sectores regulados donde el reflejo es justo el contrario.
Fortune — MIT Report on AI Pilots ↗
Muchas empresas creen que necesitan construir su propia IA “a medida” desde cero. La estadística dice lo contrario: comprar una herramienta que ya está hecha y adaptarla funciona el doble de veces que intentar construir la propia.
3. IA donde no se ve, paga más que IA que se ve
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: eliminar BPO, recortar costes de agencias externas, agilizar operaciones. Hay un sesgo persistente hacia lo visible, y un retorno persistente en lo invisible.
UC Berkeley — Beyond ROI in AI Success ↗
Las empresas suelen invertir en la IA que se luce —campañas, chatbots, herramientas comerciales vistosas— pero el dinero vuelve por el lado aburrido: procesar facturas, clasificar correos, ordenar datos. Las tareas que nadie ve son, normalmente, las que más cuestan y las que más se ahorran.
4. Resolver un problema concreto vence a “transformar la organización”
Los proyectos que funcionan apuntan a una molestia específica, medible, reciente. Los que fracasan suelen empezar con frases como “transformar la organización” o “habilitar capacidades de IA en toda la compañía”. Las megaestrategias generan presentaciones; las microestrategias generan retorno.
“The most successful organizations are not just experimenting with one-off projects; they are strategically scaling AI agent deployment, focusing on high-value use cases.” — Google Cloud, The ROI of AI
Google Cloud — The ROI of AI ↗
“Voy a aplicar IA para que tardemos la mitad en aprobar facturas” es un proyecto que funciona. “Vamos a transformar la empresa con IA” es una frase de presentación que rara vez llega a ningún sitio.
5. Una IA que conoce tu empresa rinde mucho más que una IA genérica
ChatGPT y similares funcionan extraordinariamente bien para individuos por su flexibilidad, pero se estancan en entornos empresariales porque no aprenden ni se adaptan a la forma de trabajar de cada organización. Los proyectos del 5% incorporan memoria, conexión con los sistemas internos y capacidad de adaptación a procesos concretos. La IA con contexto de la organización rinde varias veces más que la misma IA sin él.
Legal.io — MIT Report on GenAI Divide ↗
Es la diferencia entre preguntarle a un consultor que acaba de llegar y a uno que lleva años en la casa. La misma pregunta, pero respuestas con un valor muy distinto.
6. Si tarda mucho en pasar de prueba a uso real, se muere por el camino
Las empresas medianas pasan de prueba piloto a uso real en aproximadamente 90 días. Las grandes empresas tardan 9 meses o más. La velocidad no es un capricho: el tramo entre el experimento y la implementación definitiva es donde mueren la mayoría de los proyectos. Cuanto más larga la travesía, más probable la muerte por reorganización, cambio de prioridades o pérdida del directivo que lo apoyaba.
Virtualization Review — MIT NANDA Findings ↗
Si una prueba de IA tarda nueve meses en convertirse en algo que se usa de verdad en el día a día, lo más probable es que para entonces el proyecto ya no le importe a nadie.
7. La IA que tus empleados usan a escondidas no es un riesgo, es un mapa
El 80% de los trabajadores usa IA en su trabajo, pero solo el 22% lo hace exclusivamente con herramientas que la empresa les ha dado. El resto usa ChatGPT, Claude o similares por su cuenta, sin permiso oficial. Las organizaciones que tratan ese uso solo como un riesgo de seguridad pierden la información más valiosa que pueden obtener: dónde, exactamente, sus empleados ya han descubierto que la IA aporta valor. Cada uso “a escondidas” es una propuesta de proyecto disfrazada.
Si tu equipo está usando IA por su cuenta para tareas concretas, te están diciendo gratis dónde la IA funciona en tu empresa. Castigarlo es perder esa información; escucharlo es ganarla.
8. Los jefes intermedios deciden si la IA entra o no entra de verdad
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 éxito no se decide en el comité de dirección ni en la base; se decide en la capa intermedia que traduce la visión en ejecución diaria.
TechClass — Why Middle Managers Drive AI Transformation ↗
Si tu jefe directo no usa la IA, tú tampoco. Da igual lo que diga el director general en una presentación.
9. Esperar resultados en seis meses es matar el proyecto antes de que respire
Solo el 6% de las implementaciones consigue retorno en menos de un año. La mayoría tarda entre 2 y 4 años. Las organizaciones que evalúan la IA con las mismas plantillas que usan para proyectos informáticos tradicionales descartan iniciativas viables antes de que puedan demostrar nada. La forma en que se mide el éxito es, en muchos casos, el verdadero motivo del fracaso.
Master of Code — AI ROI in 2026 ↗
Si exiges que un proyecto de IA dé beneficios en seis meses, vas a cancelar casi todos los proyectos buenos antes de que tengan tiempo de funcionar.
10. Saber usar la IA importa más que tener la mejor IA
Los proyectos exitosos no se diferencian tanto por el modelo que usan —todos tienen acceso a los mismos modelos— como por la capacidad de la organización para entender qué pueden y qué no pueden hacer esos modelos. La brecha entre el 5% y el 95% es, en buena parte, una brecha de aprendizaje.
“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
Kendall AI — Lessons from MIT’s 2025 Report ↗
Todas las empresas pueden usar la misma IA. Lo que las diferencia es cuánto saben sus equipos sobre cómo aprovecharla, cuándo confiar en ella y cuándo no.
11. Sin garantía de empleo, nadie propone cómo automatizar su propio trabajo
Hay un patrón silencioso pero decisivo: los empleados que temen perder su empleo a manos de la IA no proponen cómo aplicar IA a su propio trabajo. Las organizaciones que han logrado activar la inteligencia colectiva han hecho explícito —por escrito, públicamente— el compromiso de que la automatización implicará reasignación o crecimiento del puesto, no despido. Sin esa garantía, la participación se vuelve de cara a la galería: los empleados aportan ideas seguras, no las valiosas.
Nadie va a explicar cómo hacer que su puesto desaparezca si cree que eso le dejará sin trabajo. La confianza es la condición previa para que las buenas ideas salgan.
La hipótesis
Existe una posibilidad razonable de que la diferencia entre el 5% y el 95% no sea fundamentalmente técnica. Las herramientas son las mismas, los modelos son los mismos, los presupuestos son a menudo comparables.
La diferencia parece estar en la dirección del flujo y en las condiciones de confianza: las organizaciones que producen valor con IA escuchan hacia dentro antes de comprar hacia fuera, ejecutan corto antes de planificar largo, y reconocen en el uso no autorizado una señal de información, no una infracción. Y, sobre todo, han creado las condiciones para que sus propios empleados quieran proponer.
Si esto es cierto, debería ser posible diseñar un entorno que reproduzca esos patrones de forma deliberada. No esperar a que la cultura de la organización los genere espontáneamente —algo que la mayoría de empresas no consigue— sino construir un dispositivo que los active en un período acotado.
A continuación se describen las características que tendría que reunir ese entorno, derivadas directamente de los patrones identificados.
Características de un entorno diseñado para reproducir los patrones
Reuniendo los patrones observados en una sola lista, un entorno que pretenda reproducirlos debería:
Durar poco tiempo. Un período corto y definido —del orden de 30 días— que respete el patrón de las empresas medianas, las más rápidas en pasar de prueba a uso real. Lo bastante para generar resultados, lo bastante poco para que el directivo que lo apoya no pierda interés.
Apoyarse en herramientas que ya existen. Comprar lo hecho en lugar de construirlo desde cero. La estadística es clara: la combinación de plataformas especializadas y servicios externos acierta el doble de veces que el desarrollo interno. El esfuerzo de la organización se concentra entonces en el contexto y las personas, no en la fontanería técnica.
Pedir a los propios empleados que busquen las tareas y procesos poco visibles. El mayor retorno está en las tareas que nadie ve —administración, gestión documental, conciliaciones, comunicaciones internas— y los empleados que las ejecutan son los únicos que saben dónde está el desperdicio real. El entorno debe orientarlos explícitamente a buscar ahí, no en lo vistoso.
Crear un espacio seguro y motivante para proponer ideas de IA. Esta es la pieza central, y la más difícil de fabricar. Seguro: las ideas no se evalúan como exámenes, no se castigan los errores, no hay pérdida de estatus por proponer algo que no funciona. Motivante: la participación se reconoce, las ideas se debaten en serio, la organización demuestra que valora la inteligencia del grupo. Sin estas dos condiciones combinadas, lo que aparece son ideas conservadoras y bajas tasas de participación.
Producir soluciones personalizadas a la organización. No recetas genéricas, sino propuestas que encajen con los procesos, el lenguaje y las restricciones reales de la empresa. Esto requiere que la IA que asiste el proceso conozca el contexto de la organización: documentación de procesos, objetivos, áreas prioritarias.
Promover que el uso “a escondidas” de la IA salga a la luz. El 80% de los empleados ya está usando IA por su cuenta. El entorno debe ofrecer un canal explícito y sin sanciones para que ese uso aflore como información: qué herramientas usan, para qué tareas, con qué resultados. Es la cartografía más valiosa que la organización puede obtener, y rara vez la pide.
Incluir deliberadamente a los mandos intermedios. Los empleados aprenden a usar la IA mirando a sus jefes directos. Si el mando intermedio no participa, no entiende o no usa la IA, ningún programa central va a compensar esa ausencia. La inclusión no es decorativa: es la palanca que decide si la adopción se queda en el ciclo o se extiende al día a día.
Garantizar por escrito que nadie va a perder su empleo por la IA. Ningún empleado va a explicar cómo automatizar su propio trabajo si cree que eso lo va a dejar fuera. El compromiso firmado de reasignación o ampliación del rol —no despido— es la condición previa que desbloquea las propuestas valiosas. Sin esa garantía, lo que se recoge son ideas decorativas.
Una hipótesis: formatos que podrían reproducir los patrones
Las características anteriores describen un perfil. La pregunta abierta es qué formato concreto las reúne mejor en una organización real. Tres posibles propuestas a explorar. Cada una es una hipótesis razonable derivada de los patrones observados, pero su validación requiere medición empírica: tasa de adopción, calidad de las soluciones generadas, tasa de implementación posterior, retención del personal participante y, eventualmente, impacto operativo de las propuestas implementadas.
Propuesta 1 — Microconcursos internos asistidos por IA
Ciclos cortos —del orden de 30 días— donde un grupo acotado de empleados propone, debate y vota ideas para mejorar procesos de su propia empresa. La IA conoce el contexto organizacional. La dirección define premios visibles desde el inicio y firma un compromiso de no despido. El ciclo cierra con un informe estructurado y la posibilidad de iniciar el siguiente con otro equipo o foco.
Este formato es el que mejor encaja con la mayoría de los patrones identificados, pero su efectividad real depende de variables que solo se pueden medir con pilotos: si el premio motiva o distorsiona, si el compromiso firmado es percibido como creíble, si la IA contextualizada efectivamente eleva la calidad de las propuestas frente a una sin contexto.
Ejemplo práctico: Banco de Ideas para organizaciones ↗
Propuesta 2 — Residencias internas de innovación con IA
Un empleado o un par de empleados se “liberan” de su rol habitual durante un período acotado —dos o cuatro semanas— para trabajar exclusivamente en una propuesta de aplicación de IA en su propia área. Cuentan con apoyo de IA con contexto de la empresa y mentoría ligera de un equipo técnico interno o externo. Al cierre, presentan un prototipo funcional o un caso de uso documentado y medido.
Es un formato menos competitivo y más profundo que el microconcurso. Reproduce los patrones 1, 4, 5 y 11 con especial fuerza, pero introduce un coste mayor (tiempo dedicado completo) y una variable de selección difícil: cómo elegir al residente sin que el proceso se perciba como arbitrario.
Propuesta 3 — Mapeo del shadow AI como entrada estructurada
En lugar de abrir convocatorias para que los empleados propongan ideas nuevas, se abre una “amnistía declarativa”: durante un período definido, cualquier empleado puede documentar —sin sanción— qué herramientas de IA está usando ya por su cuenta, para qué tareas y con qué resultados. Lo que aflora es una cartografía de aplicaciones validadas por uso real. La dirección elige las más relevantes y las institucionaliza con herramientas oficiales y contexto adecuado.
Este formato no genera ideas: las descubre. Reproduce con especial nitidez el patrón 7 —el uso “a escondidas” como mapa— y elude la fricción de pedir creatividad a personas saturadas de trabajo. Su limitación es que solo captura aplicaciones ya en marcha; no genera la innovación que requiere imaginar lo que aún no existe.
Variables a medir en cualquiera de los tres formatos
Más allá del formato elegido, las hipótesis que conviene poner a prueba son las mismas:
- ¿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 de propuestas.
- ¿Los premios visibles aumentan la participación o sesgan hacia ideas conservadoras? Detectable comparando con ciclos sin premios.
- ¿El tiempo corto (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.
Sin estas mediciones, cualquiera de los tres formatos es una intuición razonable, no una solución validada. La hipótesis general —que los patrones del 5% son reproducibles mediante un dispositivo bien diseñado— sigue siendo, a día de hoy, una hipótesis.
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.
Hay una condición previa que recorre todos los patrones observados y que rara vez se nombra en los planes de transformación: las personas necesitan espacios cómodos para proponer. Cómodo en el sentido literal —sin miedo a equivocarse, sin miedo a quedar mal frente al jefe, sin miedo a perder el empleo si la idea es demasiado buena, sin la sensación de estar perdiendo el tiempo en otro proceso que nadie va a leer.
La mayoría de las organizaciones no tiene ese espacio. 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 es, posiblemente, el trabajo más importante que una organización puede hacer en relación con la IA. No comprar una herramienta. No contratar una consultoría. No lanzar un programa con nombre llamativo. Crear un lugar —pequeño, acotado, seguro y bien diseñado— donde las personas que conocen el trabajo puedan proponer cómo mejorarlo. Y donde, al hacerlo, no se sientan expuestas, evaluadas o amenazadas, sino escuchadas.
La ola de la IA no espera. Pero los patrones de quienes la están surfeando son observables, replicables y, sobre todo, profundamente humanos. La tecnología aporta el viento. La tabla la sigue construyendo, en cada organización, la confianza con la que sus personas se atreven a hablar.
Referencias
- 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 ↗
- Ramel, D. (2025). MIT Report Finds Most AI Business Investments Fail, Reveals ‘GenAI Divide’. Virtualization Review. virtualizationreview.com ↗
- Legal.io. (2025). MIT Report Finds 95% of AI Pilots Fail to Deliver ROI, Exposing “GenAI Divide”. legal.io ↗
- Kendall AI. (2025). Why 95% of Enterprise AI Pilots Fail: Lessons from MIT’s 2025 Report. kendallai.org ↗
- Xponent21. (2026). Rethinking AI Adoption: The Bottom-Up Method Modern Leaders Need. xponent21.com ↗
- Bold Business. (2026). Bottom-up AI Adoption: Empowering Teams with Tools. boldbusiness.com ↗
- UC Berkeley Professional Education. (2025). Beyond ROI: Are We Using the Wrong Metric in Measuring AI Success? exec-ed.berkeley.edu ↗
- Andreessen Horowitz. (2026). Where Enterprises are Actually Adopting AI. a16z.com ↗
- TechClass. (2026). Why Middle Managers Drive AI Transformation Success. techclass.com ↗
- IBM. (2026). Is rising AI adoption creating shadow AI risks? ibm.com ↗
- Master of Code. (2026). AI ROI: Why Only 5% of Enterprises See Real Returns in 2026. masterofcode.com ↗
- Google Cloud. (2025). The ROI of AI: Agents are delivering for business now. cloud.google.com ↗
- London Business School. Employee-led innovation. london.edu ↗