Llevamos años escuchando la misma promesa, que la inteligencia artificial iba a reducir costes, automatizar tareas complejas y hacer más eficientes las infraestructuras tecnológicas de las empresas. Es una idea que hemos visto repetida una y otra vez. Sin embargo, a medida que estos proyectos han ido aterrizando en el día a día de las organizaciones, comienza a aparecer una realidad que no encaja del todo con aquel relato inicial. Muchas de estas implementaciones no están logrando los resultados esperados.

las cifras. Según un estudio de Gartner citado por El RegistroSólo el 28% de las implementaciones de IA en infraestructura y operaciones logran el retorno esperado. El resto se reparte entre proyectos que no materializan ese valor y otros que no salen adelante directamente, con una tasa de fracaso del 20%. Además, más de la mitad de los directivos consultados, el 57%, admite haber tenido al menos una iniciativa fallida. Los datos se centran en cómo las empresas están aplicando la IA en su infraestructura tecnológica y operaciones internas, no en el rendimiento general de la tecnología.

Expectativas desalineadas y problemas subyacentes. Cuando intentamos entender por qué tantos proyectos se quedan a medio camino, las respuestas apuntan más a cómo se planifican que a la tecnología en sí. Melanie Freeze, directora de investigación de Gartner, explica que Muchos equipos asumieron que la IA automatizaría inmediatamente tareas complejas, reduciría costos o resolvería problemas operativos de años de duración. A esto se suman otros factores recurrentes, como la falta de talento especializado, las dificultades para integrar estos sistemas en los procesos existentes y problemas con la calidad o disponibilidad de los datos.

Dónde está funcionando. No todo el panorama es negativo si afinamos un poco más el enfoque. El propio análisis de Gartner indica que los mejores resultados aparecen en áreas donde la tecnología ya tiene más experiencia y aplicaciones más específicas. Es el caso de la gestión de servicios TI y las operaciones en la nube, áreas en las que la firma sitúa muchos de sus casos de éxito, con un 53% de los responsables reportando resultados positivos. La clave aquí no parece estar en modelos más avanzados, sino en cómo se integran en procesos reales, con casos de uso bien definidos y alineados con necesidades operativas claras.

Dos niveles de infraestructura de IA. Para entender por qué estos datos van más allá de un problema interno de las empresas, conviene diferenciar los dos niveles sobre los que se está construyendo esta ola inversora. Por un lado están los grandes proveedores de tecnología, que están asignando cientos de miles de millones a la construcción de centros de datos bajo la premisa de que la demanda seguirá creciendo. Por otro lado, las empresas que utilizan estos servicios para aplicar la IA en sus operaciones. Es precisamente en este segundo grupo donde Gartner detecta las dificultades, y eso introduce una pregunta relevante para el mercado, ¿qué pasa si estos clientes no consiguen rentabilizar sus proyectos y empiezan a frenar el gasto?

El análisis. Está claro que las empresas siguen invirtiendo en IA, pero al mismo tiempo empiezan a exigir resultados más claros a corto y medio plazo. Paralelamente, otras encuestas recientes, como un estudio de la Oficina Nacional de Investigación EconómicaSeñalan que muchas empresas aún no han detectado un impacto claro en la productividad o el empleo.

Imágenes | técnica de dominio Ledl.net

En | Los modelos chinos de IA se jactaban de ser buenos, bonitos y baratos. De esas tres cosas solo hay dos