La IA no fracasa por la tecnología. Fracasa porque nadie la usa

Cuando un proyecto de IA no funciona en una pyme, la conclusión que se saca casi siempre es la misma: «la tecnología todavía no está madura para nosotros».

Casi nunca es verdad. En la inmensa mayoría de los casos que hemos visto de cerca, la herramienta funcionaba. Lo que no ocurrió fue que la gente la usara.

El dato incómodo

El estudio del MIT The GenAI Divide: State of AI in Business 2025 analizó más de trescientas implantaciones públicas, entrevistó a cincuenta y dos organizaciones y encuestó a ciento cincuenta y tres directivos. El embudo que encontró es el siguiente.

Ochenta de cada cien empresas exploran herramientas de IA. Cinco llegan a producción con impacto medible en la cuenta de resultados. Y —esto es lo importante— los autores concluyen que la diferencia no está en la calidad del modelo ni en la regulación, sino en cómo se integra en el trabajo real.

La metodología del estudio ha sido discutida por varios analistas, y con razón: el tamaño muestral es modesto y la definición de «retorno medible» es exigente. Lo tratamos como un orden de magnitud, no como una medición exacta. Aun corrigiendo a la baja, el mensaje aguanta: la caída se produce entre el piloto y el uso diario.

Las cinco razones reales, por orden de frecuencia

1. Se implantó donde no dolía

Alguien eligió el caso de uso por criterio tecnológico —«esto se puede automatizar»— y no por criterio de negocio —«esto nos cuesta dinero cada mes».

El resultado es una herramienta que funciona técnicamente y que a nadie le ahorra el problema que tiene el martes por la mañana. La gente no la sabotea: simplemente tiene cosas más urgentes.

Antídoto: elige el caso de uso a partir de la queja que más repite el equipo, no a partir de lo que es fácil de automatizar. Y ponle un número antes de empezar, con la calculadora de ROI.

2. Ahorra tiempo a la empresa, no a la persona

Este es el más traicionero. Hay automatizaciones que reducen el coste total del proceso pero que, para el usuario concreto, añaden un paso: ahora tiene que revisar y corregir lo que antes hacía directamente.

Si la persona percibe que su trabajo se ha vuelto más incómodo, el proyecto está muerto por muy bueno que sea el número global.

Antídoto: diseña el flujo desde el puesto, no desde el proceso. La pregunta correcta no es «¿cuántas horas ahorra la empresa?» sino «¿el día de Marta es mejor o peor a partir del lunes?».

3. Nadie se fía del resultado

La primera vez que la herramienta da una respuesta que resulta ser incorrecta, el usuario deja de fiarse. Y a partir de ahí lo comprueba todo, con lo cual el ahorro desaparece y el proyecto se convierte en trabajo doble.

Esto no se arregla con más precisión. Se arregla con trazabilidad: que la respuesta indique de dónde sale, que el documento origen esté a un clic, que el usuario pueda verificar en tres segundos en vez de en tres minutos.

4. La formación fue una sesión de una hora para todos

Una sesión general en la que se enseña la herramienta a veinte personas con funciones distintas. Todos entienden qué hace. Nadie sabe exactamente qué tiene que hacer él de otra manera a partir del lunes.

Antídoto: formación por rol y corta. Quince minutos con administración sobre las tres cosas que cambian en su día. Otros quince con comercial. Y acompañamiento las dos primeras semanas, que es cuando se decide si el hábito se forma.

Conviene recordar, además, que la alfabetización en IA no es opcional: el artículo 4 del Reglamento Europeo de IA lleva exigiéndola desde febrero de 2025. Lo que muchas empresas viven como una buena práctica es también una obligación.

5. No se apagó lo antiguo

Mientras el proceso viejo siga disponible, la gente volverá a él el primer día con prisa. Y en una pyme, casi todos los días hay prisa.

Antídoto: fecha de apagado escrita desde el principio, comunicada y cumplida. Es incómodo durante dos semanas y decisivo para siempre.

Cómo se mide la adopción (porque hay que medirla)

Indicador	Qué mirar
Usuarios activos semanales	Sobre el total de usuarios previstos. Por debajo del 60 % a las cuatro semanas, hay un problema — y todavía hay tiempo de arreglarlo.
Volumen procesado por la vía nueva	Frente a la vía antigua. Si el proceso viejo sigue moviendo la mitad, no está implantado.
Tiempo real por operación	Comparado con la medición de antes. Es el que convierte la adopción en euros.

Los tres se pueden medir sin herramientas caras y los tres se revisan mejor en trimestres que en meses.

La parte que casi nadie dice en voz alta

Hay una razón adicional, más incómoda, que aparece cuando el proyecto toca tareas administrativas: el miedo.

Si el equipo intuye que automatizar su trabajo es el paso previo a prescindir de él, no va a colaborar. Y con razón. Ninguna formación arregla eso.

El mismo estudio del MIT describe el síntoma: una «economía de IA en la sombra» en la que los empleados de más del 90 % de las organizaciones usan herramientas de IA personales con regularidad, al margen de los pilotos oficiales. La gente sí quiere usar IA. Lo que no quiere es usar la que le han impuesto sin explicarle qué significa para su puesto.

Lo único que funciona es decir con antelación y con claridad qué va a pasar con el tiempo que se libere. Si la respuesta es «vais a dedicarlo a X», dilo y cúmplelo. Si la respuesta es que habrá una reorganización, dilo también: la gente gestiona mucho mejor una mala noticia clara que una ambigüedad de seis meses.

Nosotros lo planteamos siempre en la primera reunión con dirección, antes de elegir el caso de uso. Es una conversación incómoda de veinte minutos que evita un proyecto fallido de seis meses.

Cómo lo hacemos en myIA

Por eso el método de myIA termina en adopción y no en entrega: formación por rol, seguimiento de uso y medición trimestral del retorno frente a la estimación inicial. Nos quedamos hasta que el equipo lo usa cada día, porque hasta ese momento el proyecto no ha devuelto nada.

Y si el piloto no confirma los números, se para. Es la otra cara de la misma moneda.