El piloto que impresionó a todos

Hace unos meses un VP de Ingeniería de una plataforma de salud me dijo algo que no me salió de la cabeza. Le pregunté cuánta de su lógica de negocio estaba documentada como para que un agente la pudiera leer. Me miró, pensó, y me tiró: "Y... un 15%. El resto vive en la cabeza de dos personas".

Esa empresa tiene licencias de IA, comité de steering, y un piloto que impresionó a todos los que vieron la demo. También tiene un problema que no aparece en ningún dashboard: el negocio sigue funcionando exactamente igual que antes de que llegara la IA.

Eso es lo que está pasando en casi todas las empresas grandes que conozco. No hay un evento catastrófico. Hay un trimestre tras otro donde nada cambia, todos reportan progreso, y la brecha con el competidor que sí rediseñó se agranda sin que nadie lo note.

PwC relevó en enero de 2026 que el 56% de los CEOs todavía no vio un beneficio financiero significativo con IA. McKinsey, en su encuesta de 2026, encontró que 8 de cada 10 encuestados se sienten más productivos, pero solo el 37% de las empresas reporta alguna contribución a las ganancias.

Leelo dos veces. La gente usa las herramientas. Todos están más contentos. La plata no aparece.

Entre que un empleado termina una tarea más rápido y que el negocio produzca un mejor resultado hay un agujero enorme. Ahí se está cayendo el valor de la IA en las empresas establecidas. Y ese agujero no lo tapa otra licencia ni otro piloto.

Cuando la electricidad llegó a las fábricas, los dueños hicieron lo razonable: cambiaron el motor de vapor por uno eléctrico. Listo, pensaron, ya está.

Pero las fábricas estaban organizadas alrededor de un eje de hierro que repartía la fuerza por correas a cada máquina. La disposición del edificio, el movimiento de materiales, todo respondía a ese eje. Cambiar el motor era manejable. Repensar la fábrica era otra cosa.

Así que dejaron el eje, las correas y el trabajo igual. La productividad no se movió.

El economista Paul David documentó esto en 1990. Las ganancias reales llegaron cuando los fabricantes reorganizaron la producción: motores individuales por máquina, layouts pensados alrededor de los materiales, operarios entrenados para controlar su propio equipo.

Las fábricas originales no estaban mal diseñadas. Estaban diseñadas para el vapor. Tus cadenas de aprobación y tus límites departamentales probablemente también tenían sentido. Algunos todavía lo tienen. Otros pertenecen a un mundo donde mover información requería una persona en cada paso.

Si un pedido todavía cruza cinco áreas y depende de un spreadsheet que mantiene alguien de vacaciones, un modelo más rápido tiene poco lugar donde ayudar. Conectaste un motor nuevo al eje viejo y te preguntás por qué la fábrica no cambió.

En Clockspeed, Charles Fine del MIT planteó que las industrias evolucionan a velocidades distintas y los negocios tienen que organizarse en consecuencia. La IA convirtió eso en un problema práctico para casi toda empresa grande.

Los precios cambian, las capacidades mejoran, los modelos se retiran. Una implementación de 18 meses puede sobrevivir al modelo para el que fue diseñada.

Adentro de la empresa, mientras tanto, los presupuestos son anuales, las compras tardan meses, y cambiar un proyecto aprobado reabre discusiones que todos creían cerradas. Gente capaz defiende el plan mientras sus supuestos ya vencieron.

Seguridad y accountability tienen que quedar. La pregunta es cada cuánto se tiene que reunir toda la organización de nuevo. Permisos claros, tests de aceptación y límites operativos permiten que los equipos mejoren un sistema dentro de un marco acordado. Resolver esas preguntas de cero para cada piloto significa gastar buena parte de tu presupuesto de IA esperándote a vos mismo.

En Limestone, un modelo nuevo tiene una semana en producción antes de que el dashboard defina si se queda. Necesitamos evidencia de que mejora el trabajo, a un costo y calidad aceptables. Sin ese feedback, mantenerse al día se convierte en una conversación eterna sobre anuncios.

McKinsey encontró que casi tres cuartos de sus high performers en IA habían rediseñado workflows de raíz, contra aproximadamente un cuarto del resto. La experiencia interna de Microsoft explica por qué.

Darle acceso a herramientas a más de 200.000 empleados no cambió, por sí solo, cómo se hacía el trabajo. En su supply chain de cloud, Microsoft mapeó y simplificó workflows, estableció una única fuente de verdad, y recién ahí desplegó más de 100 agentes hechos a medida. El ciclo promedio bajó de unos diez días hábiles a menos de dos y medio.

Uno de nuestros clientes opera una plataforma de pre-autorización médica que cubre más de 600 planes de pagadores. Un equipo chico mantenía un template por cada plan. Cuando un pagador cambiaba sus reglas, el equipo se enteraba recién cuando llegaban los rechazos, una semana después.

Hoy hay seis agentes en producción sobre ese workflow, incluido uno que monitorea reglas de pagadores. En sus primeras ocho semanas, detectó tres cambios de política importantes antes de que saliera una sola autorización bajo las reglas viejas.

Eso cambió cuándo el negocio se enteraba de que algo estaba mal. Las personas siguieron siendo responsables de las decisiones importantes, mientras el sistema identificaba cambios antes de que afectaran los envíos. La mejora vino de rediseñar cómo llegaba la información al workflow y qué pasaba después.

El declive gradual viene con explicaciones plausibles. Compras está tardando. El piloto necesita más datos. Los clientes están más sensibles al precio. Cada una suena manejable por separado. Juntas, describen un negocio perdiendo su capacidad de responder.

1. Las licencias se vuelven la evidencia de progreso. El rollout produce sesiones de training, mails de lanzamiento y un dashboard de adopción. Todos tienen algo para reportar. Nadie puede explicar qué mejoró para el cliente.

1. Los empleados construyen un segundo sistema sin vos. La gente que ve una mejor forma de trabajar no siempre espera permiso. Okta relevó en 2026 que el 52% de los knowledge workers usó IA sin aprobación, mientras el 90% de los ejecutivos creía tener visibilidad. Esa brecha se vuelve concreta cuando un cliente pregunta qué herramientas procesaron su información y nadie sabe responder.

1. Finanzas explica el gasto, pero nadie explica el retorno. KPMG encontró en su encuesta global del Q2 2026 que el 49% de las empresas había demorado, reducido o pausado despliegues de agentes porque los costos superaban los beneficios. Cuando finanzas pierde confianza, los proyectos útiles sufren junto a los malos.

1. La gente que necesitás se vuelve más difícil de retener. Los ambiciosos se cansan de programas de transformación que no cambian nada. Y los operadores experimentados cargan conocimiento que la empresa nunca capturó.

1. Los clientes ajustan sus expectativas en otro lado. ¿Por qué esto tarda una semana? ¿Por qué te tengo que dar la misma información dos veces? ¿Por qué ese proveedor más chico responde al toque? El cliente no necesita entender tu stack. Solo compara.

Más artículos relacionados:

• PDP conversion rate: la secuencia de 3 factores que multiplica tu CVR por 1.5xLeer →
• IA sin pausa: por qué el hype del riesgo existencial le hace daño al campoLeer →
• Las 25 tendencias de Munger: 7 motores para auditar tus decisiones de negocioLeer →