El 95% de los pilotos de IA no genera beneficios: Europa se atasca en las aprobaciones y Rusia, en la implantación
MIT analizó más de 300 implantaciones corporativas de IA: en el 95% de los casos el piloto no aumentó el beneficio neto (la línea de P&L del informe). En Europa los proyectos se atascan al arrancar, porque los juristas tardan meses en aprobarlos conforme al EU AI Act. En Rusia, el gasto en IA creció un 95% en un año, pero los prototipos no llegan a funcionar en producción. La conclusión: primero hay que rediseñar el proceso; de lo contrario, el expediente de un prestatario que la IA elabora en un segundo seguirá esperando tres días una revisión manual.
Procesado por IA desde Habr AI; editado por Hamidun News
Las empresas han invertido decenas de miles de millones de dólares en IA, pero ese dinero apenas se ve en los resultados finales. Investigadores de MIT analizaron más de trescientas implantaciones corporativas y concluyeron que el 95% de los pilotos no produce un efecto medible en el beneficio neto, es decir, en la línea de P&L (cuenta de pérdidas y ganancias). Al mismo tiempo, otras encuestas aseguran con entusiasmo que el 64% de los product managers ve crecer las métricas de producto gracias a la IA.
No hay contradicción: simplemente se meten en el mismo saco tres cosas distintas: un empleado que escribe correos más rápido con ayuda de un LLM, una demo vistosa en un entorno aislado (sandbox) y dinero que realmente llega al P&L. Un ejemplo: una red neuronal elabora en un segundo el expediente de un prestatario, pero después el archivo pasa tres días en la cola de revisión manual de un sistema contable antiguo. El trabajo se acelera, pero el beneficio no cambia.
El autor del análisis publicado en Habr comparó las estadísticas de Europa y Rusia: ambos llegan a la IA desde extremos opuestos y chocan con el mismo muro. Si va a lanzar un piloto de IA, este análisis le ayudará a anticipar dónde es más probable que se atasque.
Primero, igualemos las muestras
Según Eurostat, el 20% de las empresas europeas con diez o más empleados usa IA: desde el 5,2% en Rumanía hasta el 42% en Dinamarca. Compararlo con las encuestas sobre grandes empresas rusas no es correcto, así que tomamos las compañías de 250 empleados o más. En ese grupo, la tasa de adopción es del 55%. Hay una salvedad: Eurostat contabiliza cualquier IA, incluidos el scoring clásico y el reconocimiento de texto. En Rusia, según «Яков и Партнёры» y Yandex, el 71% de las grandes empresas aplica IA generativa, y si se suman los modelos clásicos, la proporción llega al 88%.
Europa frena a la entrada; Rusia, a la salida
El freno de las empresas europeas no es el dinero. Los principales factores de bloqueo según Eurostat son la escasez de competencias de ingeniería y de producto (71% de las empresas), la incertidumbre jurídica en torno al EU AI Act (52,5%) y las estrictas restricciones de privacidad de datos (48,8%). El piloto pasa meses por los departamentos jurídico y de cumplimiento, y el modelo aún no ha visto ni una sola consulta real.
En Rusia ocurre lo contrario. Según un estudio de FinExpertiza basado en datos de Rosstat, el gasto de las empresas y del sector público en IA creció un 95% en un año, casi el doble, hasta 176,1 mil millones de rublos. Casi el 80% del dinero se destinó a software y desarrollo, el 92% de los presupuestos se concentró en Moscú (en buena parte porque allí están registradas las sedes de las corporaciones federales) y el 84% del gasto procede de un solo sector: finanzas y seguros.
El 78% de los directivos habla de un «efecto económico visible». Pero marcar una casilla en una encuesta y aumentar el beneficio operativo son cosas distintas. La auditoría de mercado de «Яков и Партнёры» encontró, entre doce agentes de IA rusos públicos, cero soluciones autónomas listas para usar: solo constructores y asistentes especializados.
Por eso los grandes bancos y corporaciones se ven obligados a desarrollar sus agentes internamente, desde cero.
Por qué el resultado es el mismo
Las causas se describen en el estudio MIT Project NANDA (The GenAI Divide), basado en una muestra de grandes empresas estadounidenses. Los autores tomaron un horizonte de seis meses tras terminar el piloto y observaron dos patrones:
- Las soluciones desarrolladas internamente llegan a un resultado productivo en el 33% de los casos, mientras que la implantación de un producto especializado de un proveedor externo lo logra en el 67%.
- Más de la mitad de los presupuestos se destina a ventas y marketing, aunque el ahorro real procede del aburrido back office: análisis de documentos, cumplimiento normativo, scoring de riesgo y automatización de operaciones rutinarias.
El autor, que llevó iniciativas de IA hasta la fase de piloto en un banco y siguió a más de diez startups, añade un detalle de ingeniería. Con un conjunto de datos de prueba limpio, cualquier modelo muestra cifras vistosas. En producción hay que hacerlo pasar por la seguridad informática del banco, ajustarlo a SLA estrictos de latencia de respuesta y calcular el coste del error de tipo II.
Si un modelo antifraude o de riesgo rechaza a clientes legítimos por falsos positivos, todo el ahorro se esfuma. Un equipo detuvo un piloto de antifraude de voz tres semanas después de pasar a tráfico real: la economía y la calidad de detección no cuadraban. En opinión del autor, ese freno de emergencia protege el presupuesto de un «proyecto zombi» que durante años consume recursos a cambio de una diapositiva bonita.
Pronóstico y qué hacer
El autor hace una apuesta verificable. Antes del 31 de diciembre de 2027, la proporción de grandes empresas de Europa y Rusia que usan IA en productos y operaciones aumentará hasta el 75–85%. La proporción de proyectos con un impacto positivo demostrado en el P&L no superará el 15%; es decir, pasará del 5% actual a, como máximo, el triple. Estima la probabilidad en un 70% y se apoya en la historia de los ERP y las plataformas en la nube, donde aproximadamente uno de cada cinco obtuvo retorno. El pronóstico resultará erróneo si auditorías de nivel McKinsey, Gartner o «Яков и Партнёры» registran un aumento del beneficio operativo en más de una cuarta parte de las empresas.
Conviene tener presentes las limitaciones: se trata de una columna de autor, no de un estudio nuevo. Los datos proceden de fuentes con metodologías distintas, las encuestas sobre el «efecto» son subjetivas y las cifras de MIT se refieren a empresas estadounidenses, por lo que extrapolarlas a Europa y Rusia sigue siendo una suposición del autor.
Conclusión práctica para product managers y fundadores: no cuenten el número de pilotos, sino lo que sobrevivió al encuentro con el cliente, con el departamento de seguridad y con la línea de P&L. Antes de lanzar, comprueben si el proceso se ha rediseñado en torno al modelo. Antes de desarrollar algo propio, miren si ya existe un producto listo. Busquen el efecto en el back office y no solo en el escaparate, y establezcan de antemano un criterio de parada para la tercera o cuarta semana de tráfico real.
- 19 nov 2026Los agentes de AWS AgentCore ya pueden conectarse a un Keycloak privado con CA corporativa
- 19 nov 2026Los LLM rusos ocupan los 6 primeros puestos en la prueba SLAVA, pero necesitan datos de todo el mundo
- 19 nov 2026Salesforce desvió el 78% del tráfico a otra región en 3 minutos con el router de SageMaker
- 18 nov 2026El creador de Digg lanza una alternativa abierta a DocuSign: $240 al año en lugar de $8 100
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Primero, igualemos las muestras?
Según Eurostat, el 20% de las empresas europeas con diez o más empleados usa IA: desde el 5,2% en Rumanía hasta el 42% en Dinamarca. Compararlo con las encuestas sobre grandes empresas rusas no es correcto, así que tomamos las compañías de 250 empleados o más. En ese grupo, la tasa de adopción es del 55%. Hay una salvedad: Eurostat contabiliza cualquier IA, incluidos el scoring clásico y el reconocimiento de texto.
¿Qué se sabe sobre Europa frena a la entrada; Rusia, a la salida?
El freno de las empresas europeas no es el dinero. Los principales factores de bloqueo según Eurostat son la escasez de competencias de ingeniería y de producto (71% de las empresas), la incertidumbre jurídica en torno al EU AI Act (52,5%) y las estrictas restricciones de privacidad de datos (48,8%). El piloto pasa meses por los departamentos jurídico y de cumplimiento, y el modelo aún no ha visto ni una sola consulta real. En Rusia ocurre lo contrario.
¿Qué se sabe sobre Por qué el resultado es el mismo?
Las causas se describen en el estudio MIT Project NANDA (The GenAI Divide), basado en una muestra de grandes empresas estadounidenses. Los autores tomaron un horizonte de seis meses tras terminar el piloto y observaron dos patrones: Las soluciones desarrolladas internamente llegan a un resultado productivo en el 33% de los casos, mientras que la implantación de un producto especializado de un proveedor externo lo logra en el 67%.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.