La inteligencia artificial (IA) a nivel empresarial ha pasado de ser una fase experimental a convertirse en una prioridad para los directivos. En todos los sectores, las empresas están poniendo en marcha proyectos piloto, pruebas de concepto e implementaciones iniciales destinadas a mejorar la toma de decisiones, automatizar los flujos de trabajo e impulsar la eficiencia operativa.
Sin embargo, las expectativas siguen superando a los resultados. Aunque muchas empresas pueden presumir de proyectos piloto de IA exitosos, son muy pocas las que han logrado traducir esos primeros logros en un impacto operativo sostenido. En su Encuesta Global a Directores Ejecutivos de 2026, realizada a 4.454 directores ejecutivos de 95 países, la consultora internacional PwC señaló que el 56 % de los encuestados no observaba «ni un aumento de los ingresos ni una reducción de los costes gracias a la IA».[1]
Esto pone de manifiesto una verdad incómoda: el principal reto al que se enfrentan hoy en día la mayoría de las organizaciones en materia de IA no es crear modelos de IA, sino crear entornos en los que la IA pueda funcionar de forma fiable. La ampliación de la IA se ve a menudo obstaculizada por problemas relacionados con la preparación de la infraestructura, la accesibilidad de los datos y los sistemas de ejecución, que nunca se diseñaron para operaciones basadas en la IA.
En entornos piloto controlados, la IA suele funcionar bien. Sin embargo, en entornos operativos reales, la complejidad dificulta su ampliación. Los sistemas de producción abarcan múltiples sedes, plataformas heredadas, equipos propietarios y fuentes de datos fragmentadas. Más allá de la complejidad técnica, los entornos operativos también implican estructuras de gobernanza, dinámicas de gestión del cambio, dependencias interfuncionales y factores de preparación organizativa que influyen en cómo se adopta y se mantiene la IA. Lo que funcionaba en proyectos piloto aislados suele tropezar con dificultades cuando se enfrenta a la realidad de las operaciones empresariales.
En mi calidad de director de IA a tiempo parcial que asesora a empresas de diversos sectores, observo este patrón una y otra vez. En este blog se analiza por qué los proyectos piloto de IA suelen fracasar a la hora de ampliarse, se identifican los patrones recurrentes de infraestructura y conectividad que subyacen al problema y se esbozan consideraciones prácticas para los líderes que desean pasar de la fase experimental a un impacto operativo sostenido. A medida que la IA pasa de la fase experimental a convertirse en un elemento operativo imprescindible, las empresas que resuelven primero los aspectos relacionados con la preparación de la infraestructura suelen ampliar la brecha de rendimiento.
El éxito de una prueba piloto no garantiza el éxito de la ampliación
Los proyectos piloto se diseñan expresamente para demostrar la viabilidad en condiciones controladas. Tienen un alcance limitado, cuentan con una financiación modesta y están optimizados para la rapidez. Se trata de un enfoque adecuado para experimentar y poner a prueba nuevas innovaciones, cuyos resultados son inciertos, de una manera eficiente y con bajo riesgo.
Sin embargo, el entorno piloto no es una versión a escala reducida del entorno operativo. En los proyectos piloto, los datos suelen seleccionarse manualmente. Las integraciones se crean como conexiones puntuales. Los flujos de trabajo que parecen automatizados pueden seguir dependiendo de la revisión o la intervención humana. Estos atajos permiten a los equipos validar el valor rápidamente sin tener que hacer frente a las limitaciones generales de la infraestructura.
Los entornos operativos son diversos. Se han ido configurando a lo largo de años de cambios incrementales en los sistemas, equipos heredados, limitaciones operativas y barreras organizativas. Los datos no están perfectamente preparados para su uso. Provienen de sistemas heterogéneos, pueden variar según la ubicación y, a menudo, presentan inconsistencias en cuanto a fiabilidad o formato. La escalabilidad exige que la IA funcione en este entorno complejo y desafiante.
Los estudios del sector confirman esta realidad. Aunque muchas organizaciones experimentan con conceptos avanzados de IA, solo una pequeña parte consigue implementarlos con éxito a gran escala. La consultora Forrester estima que solo entre el 10 % y el 15 % de los proyectos de IA llegan a utilizarse de forma sostenida en producción y que más del 60 % de los proyectos piloto no logran ampliarse más allá de entornos controlados.[2]
Esta brecha rara vez se debe a limitaciones de la IA. En muchas empresas, los proyectos piloto se financian como iniciativas de experimentación, mientras que la modernización de la infraestructura necesaria para la ampliación queda fuera del alcance del proyecto piloto. Como resultado, las mejoras en conectividad, integración y operaciones necesarias para respaldar la implantación a escala empresarial no se financian ni se consideran prioritarias. Esta falta de coordinación estructural genera un cuello de botella previsible entre la prueba de concepto y la implantación operativa.
La prueba piloto demostró que la IA podía funcionar. Sin embargo, al ampliarla a mayor escala, se puso de manifiesto que la empresa no estaba preparada para gestionarla. Esta brecha debería servir de llamada de atención para los responsables de la empresa. A medida que la IA se va integrando en la toma de decisiones operativas, las deficiencias de la infraestructura dejan de ser simples ineficiencias y se convierten en posibles fuentes de riesgo operativo y financiero.
Cuatro obstáculos de infraestructura que frenan la implantación a gran escala de la IA
Desde el punto de vista de la infraestructura operativa, me encuentro con los mismos cuatro problemas que surgen al pasar de la fase piloto a la expansión, independientemente del sector. Estos son:
- Las integraciones creadas a medida no son escalables. Las primeras iniciativas de IA suelen basarse en integraciones personalizadas, como interfaces de programación de aplicaciones (API) puntuales, scripts o flujos de datos punto a punto creados específicamente para un caso de uso piloto. Estas integraciones permiten ganar en rapidez, pero rara vez están diseñadas para ofrecer la fiabilidad, el control o la reutilización que requieren las empresas en múltiples aplicaciones de IA.
A medida que surgen nuevos casos de uso, las organizaciones acumulan conexiones frágiles que resultan difíciles de mantener y arriesgadas de ampliar.
- Imposibilidad de recopilar datos de los activos operativos. Una parte significativa de los datos de los que depende la IA se genera fuera de los sistemas informáticos empresariales tradicionales. Por ejemplo, los equipos, la maquinaria y las plataformas operativas especializadas de las plantas de producción y las instalaciones sobre el terreno generan gran parte de los datos que necesitan los modelos de IA. Sin embargo, este tipo de datos no siempre está disponible ni es fácilmente accesible. Los activos heredados de las instalaciones industriales y de fabricación se diseñaron para un entorno anterior a la conectividad. Los datos quedan atrapados en el propio activo o dentro de redes de tecnología operativa (OT) propietarias independientes. Otros no están equipados con los sensores necesarios para recopilar las señales que requieren los modelos de IA.
Cuando los datos operativos son incompletos, inconsistentes o de difícil acceso, los sistemas de IA operan con puntos ciegos. La información se vuelve parcial. Los modelos rinden por debajo de lo esperado. La IA no puede optimizar ni actuar sobre lo que no puede ver.
- Imposibilidad deautomatizar la ejecución de los conocimientos generados por la IA. Muchos sistemas de IA generan con éxito predicciones, recomendaciones o alertas, pero carecen de los medios para activar medidas de forma fiable y autónoma. Para actuar en función de los resultados de la IA, suele ser necesaria la integración con los sistemas operativos a fin de iniciar flujos de trabajo, actualizar los sistemas empresariales, ajustar los parámetros operativos o interactuar con equipos y activos sobre el terreno.
En entornos piloto, esta limitación suele quedar oculta porque los equipos revisan manualmente los resultados de la IA y toman medidas por sí mismos o se basan en integraciones temporales creadas para un único caso de uso. A escala empresarial, estas integraciones puntuales no son sostenibles. Cuando los sistemas operativos no están conectados o integrados de forma coherente en los flujos de trabajo de ejecución, la IA no puede influir de forma fiable en los procesos del mundo real. El resultado es una «información sin ejecución», en la que la IA demuestra su valor analítico, pero no logra generar un impacto operativo medible.
- La infraestructura no está gestionada para operaciones basadas en la IA. La ampliación de la IA requiere que la infraestructura operativa se gestione de forma que garantice un flujo continuo de datos, la accesibilidad de los sistemas y la ejecución automatizada en entornos distribuidos. Las empresas necesitan flujos de datos fiables, sistemas a los que se pueda acceder de forma constante y una conectividad, seguridad y gobernanza supervisadas a nivel global.
Parte de la infraestructura empresarial y operativa se diseñó y gestionó originalmente pensando principalmente en el tiempo de actividad y la fiabilidad local, no en el intercambio continuo de datos entre sedes, sistemas y socios. La conectividad suele implementarse de forma fragmentada, la visibilidad se limita a sistemas o ubicaciones individuales, y la disponibilidad de los datos no se supervisa de forma constante como requisito operativo. Como resultado, la infraestructura puede estar técnicamente «en funcionamiento», pero seguir sin ofrecer el acceso predecible a los datos en toda la empresa que requieren los sistemas de IA.
La expansión es un reto de liderazgo
Es tentador considerar los retos de escalabilidad como problemas técnicos y operativos que deben resolver los equipos de IA o de TI. En realidad, las limitaciones aquí descritas traspasan las fronteras organizativas, arquitectónicas y operativas. Implican la asignación de capital, las estructuras de gobernanza, las prioridades de modernización y la coordinación interfuncional.
La implantación a gran escala de la IA no es simplemente una ampliación de una prueba piloto. Es un reto para la preparación de la empresa.
Para los directivos de las empresas, este cambio de perspectiva es fundamental. A medida que la IA se va integrando en los procesos de toma de decisiones y en los flujos de trabajo operativos, las deficiencias en la infraestructura pasan de ser un problema de eficiencia a convertirse en posibles fuentes de riesgo operativo y empresarial. La inconsistencia de los datos, las integraciones poco sólidas y la visibilidad limitada socavan la confianza en la automatización y frenan su adopción por parte de las empresas.
Las organizaciones que abordan estas limitaciones fundamentales desde el principio obtienen una ventaja desproporcionada. Las que se demoran suelen encontrarse con que sus competidores implementan la IA más rápidamente, integran los sistemas de ejecución de forma más profunda y elevan las expectativas de rendimiento de maneras que resultan difíciles de igualar.
Lo que deben hacer ahora los líderes
Para pasar de la fase experimental a generar un impacto en la empresa, los líderes empresariales deben ampliar la definición de «preparación para la IA» más allá del desarrollo de modelos. Deben considerar la ampliación como una iniciativa de modernización empresarial, y no como una simple extensión de un proyecto piloto.
La ampliación de la IA requiere una acción coordinada entre los departamentos de TI, tecnología operativa, seguridad y la dirección de la empresa. Hay que dar prioridad a la preparación de la infraestructura y a la conectividad como aspectos fundamentales para la empresa.
Estas medidas hacen que la IA pase de ser una experimentación aislada a una capacidad operativa sostenida.
- Incorpora la conectividad y la preparación de los datos en las decisiones de ampliación. Al valorar si se debe seguir adelante con un proyecto piloto, comprueba si se puede acceder de forma fiable a las fuentes de datos necesarias y si las integraciones pueden soportar el uso en producción. Si es necesaria una modernización, inclúyela en la hoja de ruta y en el modelo de financiación.
- Diseña los proyectos piloto teniendo en cuenta las operaciones. Estructura los proyectos piloto de modo que reflejen el futuro entorno operativo. Comprueba no solo el rendimiento del modelo, sino también la conectividad, los flujos de trabajo de ejecución operativa y los mecanismos de gobernanza necesarios para la implementación.
- Aumente la visibilidad de la empresa sobre la infraestructura operativa. Realice auditorías y establezca una base de referencia para saber qué activos están conectados, de dónde proceden los datos y dónde existen deficiencias en materia de fiabilidad o gobernanza. La visibilidad reduce las sorpresas durante la expansión.
- Invierta de forma estratégica en infraestructuras que respalden las operaciones basadas en la inteligencia artificial. Evalúe las inversiones en infraestructura no solo en función del tiempo de actividad, sino también de su capacidad para facilitar el intercambio continuo de datos, la supervisión empresarial y la automatización segura a gran escala.
Reflexiones finales y orientación final
El éxito de la IA depende cada vez más no solo del nivel de inteligencia de los sistemas, sino también de la capacidad del entorno empresarial para respaldarlos. Las organizaciones que reconocen esta realidad van más allá del éxito de las fases piloto y comienzan a observar cambios cuantificables en el rendimiento operativo.
La cuestión ya no es si la IA puede aportar información valiosa, sino si las empresas están creando la infraestructura, la conectividad y los mecanismos de gobernanza necesarios para que la IA funcione de forma fiable a gran escala.
Los que lo hagan pasarán de la fase experimental a la transformación. Los que no lo hagan quizá sigan alabando los proyectos piloto mientras esperan que se produzcan resultados.
Si sus iniciativas de IA no están llegando a la fase de producción, es posible que su éxito dependa de datos operativos, activos remotos o una infraestructura heredada. Póngase en contacto con nosotros para descubrir cómo las soluciones de gestión de infraestructura de Digi proporcionan la conectividad, la visibilidad y el control necesarios para hacer posible la IA.
Preguntas frecuentes sobre la escalabilidad de la IA empresarial
¿Qué preguntas clave debería plantearme para determinar si nuestra infraestructura operativa está preparada para el futuro y para la expansión de la IA?
Todos los líderes deberían plantearse esta pregunta, independientemente de en qué punto del proceso de implantación de la IA se encuentren. Empiece por formular una serie de preguntas de diagnóstico iniciales a los líderes de las distintas organizaciones que componen la empresa. Estas preguntas abiertas deben considerarse preguntas exploratorias que den lugar a otras preguntas específicas para su organización y sus iniciativas.
- ¿Disponemos de un acceso constante y fiable a los datos operativos de los que depende la IA en todas las sedes y sistemas, o seguimos dependiendo de extractos manuales e integraciones puntuales?
- ¿Pueden los datos generados por la IA activar automáticamente acciones en nuestros sistemas centrales, o dependen de la intervención humana?
- ¿Sabemos qué activos están conectados, de dónde proceden los datos y dónde hay brechas de conectividad?
- ¿Nuestras integraciones están estandarizadas y reguladas, o son personalizadas y difíciles de mantener?
- Si ampliáramos nuestro proyecto piloto actual a diez centros en lugar de uno, ¿podría la infraestructura soportarlo sin necesidad de un rediseño importante?
- ¿Se financia y gestiona la preparación de las infraestructuras como una prioridad empresarial, o se considera una cuestión secundaria dentro de los proyectos individuales de IA?
Si estas preguntas ponen de manifiesto incertidumbre, fragmentación o dependencias manuales, es probable que surjan dificultades a la hora de escalar. Abordarlas no implica detener los proyectos de IA, pero sí requiere prestar especial atención a la conectividad, la visibilidad de la infraestructura y los mecanismos de ejecución, como parte de una modernización empresarial más amplia.
¿Cuál es la diferencia entre la modernización de las tecnologías de la información y la modernización para la inteligencia artificial?
La modernización de las tecnologías de la información suele centrarse en actualizar las aplicaciones empresariales, migrar los sistemas a la nube, mejorar la ciberseguridad y estandarizar las plataformas principales, como los sistemas ERP, CRM y las herramientas de colaboración. Estas iniciativas son esenciales y, a menudo, mejoran la eficiencia, la resiliencia y la escalabilidad de los sistemas empresariales tradicionales.
Sin embargo, la modernización para la IA va más allá de las plataformas de TI. Implica garantizar que la tecnología operativa (OT), los activos de campo, los sistemas heredados y la infraestructura distribuida puedan generar, transmitir y actuar sobre los datos de forma fiable a escala empresarial. La IA no solo depende de aplicaciones modernas, sino también de un acceso constante a las señales operativas, de la integración con los sistemas de ejecución y de la visibilidad en entornos que pueden haber evolucionado de forma independiente a lo largo de muchos años.
Una organización puede haber modernizado su infraestructura de TI y, aun así, tener dificultades para ampliar la IA si los sistemas operativos siguen estando aislados, conectados de forma inconsistente o son difíciles de integrar. Por lo tanto, la modernización para la IA requiere una visión más amplia e interdisciplinar, que armonice las capacidades de TI, OT, visibilidad de la infraestructura, gobernanza y ejecución para respaldar las operaciones impulsadas por la IA.
La modernización para la IA no consiste tanto en sustituir sistemas como en garantizar que el entorno empresarial esté preparado para un flujo continuo de datos y la toma de decisiones automatizada.
¿Es necesario modernizarlo todo para implementar con éxito la inteligencia artificial?
No. La ampliación de la IA no requiere sustituir todos los sistemas heredados ni poner en marcha una transformación amplia y disruptiva. En la mayoría de los casos, la modernización para la IA es selectiva y específica. El objetivo no es reconstruir la empresa, sino garantizar que los sistemas, los activos y la infraestructura de los que depende la IA puedan generar datos de forma fiable, integrarse con otras plataformas y permitir la ejecución automatizada.
Los responsables deben centrarse en identificar los sistemas operativos específicos y las deficiencias de conectividad que limitan la escalabilidad. En algunos entornos puede ser necesario estandarizar la integración, mejorar la visibilidad o potenciar la conectividad, en lugar de proceder a una sustitución completa. En otros, puede que baste con realizar pequeños ajustes. El objetivo no es una modernización a gran escala, sino eliminar los cuellos de botella estructurales que impiden que la IA funcione de manera coherente a gran escala.
La modernización orientada a la inteligencia artificial debe guiarse por el impacto en el negocio y los requisitos de escalabilidad, y no por la suposición de que todo debe cambiar.
Próximos pasos
Sobre el autor
Benson Chan es director de operaciones de Strategy of Things, una empresa con sede en Silicon Valley que ayuda al gobierno y a las empresas a innovar con inteligencia artificial e Internet de las cosas. Cuenta con más de 30 años de experiencia trabajando con tecnologías innovadoras en empresas de la lista Fortune 500, empresas emergentes y organizaciones gubernamentales. Ha sido presidente del Consejo IoT del NIST, asesorando al gobierno federal sobre el Internet de las cosas, copresidente del Consejo Asesor IoT de CompTIA y GTIA, y mentor de la industria en el programa IMPEL de la Oficina de Tecnología de la Construcción del Departamento de Energía de los Estados Unidos, que emparejó a la industria con investigadores de los Laboratorios Nacionales para fomentar el pensamiento emprendedor.
Referencias