MIT Technology Review: el 90% de las empresas de ingeniería aumentará la inversión en AI, pero sin prisas

La IA está impactando cada vez más no solo software, sino cosas que funcionan en el mundo físico: automóviles, electrodomésticos y dispositivos médicos. Una investigación de MIT Technology Review Insights y L&T Technology Services muestra que los ingenieros están listos para expandir aplicaciones de IA, pero no por lógica de hype, sino por lógica de riesgo, verificación y resultados medibles.

Por Qué El Coste Del Error Es Alto

En ingeniería de productos, un error de modelo cuesta diferente que en un servicio digital. Si una respuesta errónea de un chatbot puede corregirse con una actualización, un defecto en el diseño, sistema incrustado o solución de producción puede llevar a retiros de productos, accidentes o problemas regulatorios. Por eso, los equipos que implementan IA en el diseño y fabricación de productos físicos no están listos para confiar en modelos genéricos tal como son.

Construyen procesos con diferentes niveles de confianza, verificación obligatoria y clara responsabilidad humana. Los autores del estudio enfatizan: aquí lo que importa no es magia de demostración, sino first-time-right — la capacidad de obtener un resultado correcto en el primer intento o lo más cercano posible. Para empresas que producen maquinaria, electrónica o dispositivos médicos, esta métrica es más importante que promesas grandilocuentes de transformación.

Por eso la implementación de IA ocurre en capas: primero en áreas donde el efecto puede verificarse, luego — más profundamente en el ciclo de vida del producto. Así es exactamente como las empresas reducen el riesgo de errores costosos y acumulan confianza en nuevas herramientas.

"Donde el resultado de la IA afecta a un sistema físico y no puede

revertirse, la confiabilidad y la mensurabilidad son la prioridad."

A Dónde Van Los Presupuestos

La encuesta cubrió 300 ejecutivos de ingeniería de productos, desarrollo y tecnología de Estados Unidos. Todos representan empresas con ingresos de $500 millones en adelante en 16 industrias, y las entrevistas complementaron las opiniones de la alta dirección y expertos de la industria. Nueve de cada diez encuestados planean aumentar inversiones en IA en los próximos uno a dos años, pero no planean un salto brusco. El 45% espera un crecimiento de gastos máximo del 25%, aproximadamente un tercio — del 26–50%, y solo el 15% está listo para aumentar el presupuesto inmediatamente en 51–100%.

Las prioridades también son pragmáticas: no son asistentes inteligentes por sí solos lo que lidera, sino herramientas que son más fáciles de verificar, proteger ante reguladores y vincular a ROI. En primer plano están análisis, simulaciones y validación — áreas donde los ingenieros tienen retroalimentación clara y datos históricos. Estas tareas son más fáciles de auditar, alinear y defender al negocio.

El estudio destaca varias direcciones alrededor de las cuales se construye la demanda actual:

• Análisis predictivo para detección temprana de defectos y debilidades
• Simulaciones y validación con IA antes del lanzamiento en producción
• Verificación multinivel de modelos y resultados
• Herramientas especializadas y auditables en lugar de sistemas genéricos

Qué Está Cambiando En Los Equipos

Una conclusión separada concierne a las personas. El 73% de los ejecutivos espera que la IA asuma el trabajo rutinario de ingeniería. Esto no significa que los especialistas sean menos importantes; el propio centro de gravedad cambia.

Dentro de las empresas, el valor se desplaza de la ejecución manual de operaciones repetitivas a decisiones arquitectónicas, pensamiento sistémico y evaluación estratégica de compensaciones. Cuanto más trabajo operacional va a herramientas, más importantes se vuelven las personas que entienden los límites del modelo y son responsables de la elección final. Paralelamente, crece el papel de socios externos y proveedores especializados.

Si parte de la ejecución va a ecosistemas de terceros, entonces la propiedad de la lógica clave, datos y reglas de toma de decisiones se convierte en cuestión de control.

Los autores notan otro desplazamiento: las empresas miden el éxito no solo por velocidad de lanzamiento de un producto al mercado. Más arriba en la lista de objetivos están calidad del producto y resiliencia — métricas que ven clientes, inversores y reguladores. Mientras que reducción de costos y satisfacción del equipo caen más abajo en prioridades.

Qué Significa Esto

Para el mercado, esta es una señal: la IA en la ingeniería del mundo físico entra no a través de demostraciones espectaculares, sino a través de escenarios estrechos y verificables con ROI claro. Ganarán no aquellos que prometen revolución más fuerte, sino aquellos que más rápidamente integren IA en simulaciones, control de calidad y toma de decisión de ingeniería sin perder confianza, seguridad y responsabilidad. Este modelo cauteloso parece convertirse en la principal plantilla de implementación en los próximos años.