El debate sobre la inteligencia artificial en la empresa ha entrado en una supuesta fase de ‘postefervescencia’. Tras dos años de expectativas desbordadas, proliferación de pilotos y presión mediática, la percepción general es que el mercado ha madurado y las conversaciones estratégicas se han vuelto más prudentes en el lenguaje. Sin embargo, esta lectura es engañosa. El ruido ha disminuido, sí, pero las expectativas siguen infladas y muchas organizaciones continúan operando bajo supuestos heredados del hype inicial.
El último estudio ‘Penteo AI Day’, realizado en más de 100 organizaciones españolas de múltiples sectores, aporta datos relevantes, pero también expone contradicciones y lagunas conceptuales que la narrativa dominante no suele abordar. En las próximas líneas nos cuestionaremos si las organizaciones han evaluado con realismo su capacidad para generar valor y si su modelo operativo está alineado con lo que exigen las tecnologías actuales. El discurso convencional repite mantras sobre estrategia, talento y gobernanza y quizás lo que falta es una lectura crítica sobre la naturaleza real de los obstáculos y sobre las decisiones que las empresas evitan tomar.
Índice de temas
Estrategias formales escasas, ¿síntoma más que causa?
Menos del 45% de las empresas encuestadas dispone de una estrategia formal de IA. Este dato suele interpretarse como una carencia a resolver: falta definición, falta priorización y falta ejecución. Sin embargo, esta lectura, aunque cierta, puede ser más un síntoma que una causa. La ausencia de estrategias consolidadas puede reflejar que muchas organizaciones todavía no han identificado casos de uso con retorno suficiente como para justificar inversiones estructurales. En otras palabras, la estrategia puede faltar porque aún no existe un conjunto sólido de oportunidades que justifiquen su formalización.
En contraposición, un 66% afirma promover una ‘cultura orientada a la IA’. Declarar cultura sin definir procesos, roles, métricas o financiación no es estrategia, es discurso aspiracional. Esta disociación revela un sesgo importante: se ha priorizado la narrativa de transformación antes de tener fundamentos operativos. Mejor eso que nada, pero se habla de cultura como si pudiera surgir de la voluntad, cuando en realidad deriva de prácticas repetidas y resultados verificables. En numerosos casos, la falta de estrategia no es un obstáculo, sino un indicador de que las expectativas sobre la IA permanecen desalineadas con la realidad concreta de cada negocio.
Ante la pregunta abierta sobre qué proyectos de IA están actualmente en marcha, estos se concentran básicamente en dos áreas: reducción de costes y mejora en la calidad de las decisiones
MARC ISERN, PENTEO
El rol del departamento legal
La encuesta también apunta a que el principal freno a la adopción de la IA no es la regulación en sí, sino la interpretación que hace el Departamento Legal. Aunque la EU AI Act y las obligaciones sobre datos y responsabilidad algorítmica requieren atención –ahora ligeramente aliviada con la propuesta de Reglamento Digital Omnibus en materia de IA–, el bloqueo suele surgir por modelos de análisis excesivamente conservadores, falta de criterios operativos para evaluar riesgos y escasa integración entre Legal y las áreas técnicas. En ausencia de un marco interno claro, Legal actúa como mecanismo de protección genérico y frena iniciativas por precaución. El problema no es solo normativo, sino organizativo: la incapacidad de traducir requisitos regulatorios en procesos concretos de diseño, despliegue y supervisión.
Inversión creciente pero poco focalizada
El segmento de empresas que facturan por encima de 500 millones de euros concentra la mayor parte de la inversión en IA. Este dato es esperable: donde hay presupuesto y escala, hay experimentación. Sin embargo, la distribución de la inversión revela un patrón significativo: la mayoría de los casos de uso implementados se basan en modelos generativos estándar, mientras que la adopción de técnicas más avanzadas –RAG sofisticado, pipelines de evaluación continua, modelos entrenados con datos propios, integración con sistemas de negocio en tiempo real– sigue siendo marginal.
Este retraso tecnológico no se debe exclusivamente a falta de capacidad técnica, sino a limitaciones estructurales:
• Datos dispersos o sin gobernanza consistente.
• Procesos sin estandarización suficiente para automatizar con garantías.
• Falta de mecanismos de versionado y control de calidad de modelos.
• Incapacidad para cerrar el ciclo entre diseño, despliegue y medición.
La narrativa habitual sostiene que la “tecnología está lista y la organización no”.
Esa frase es cierta solo a medias. En realidad, la tecnología avanzada solo tiene sentido cuando existe una base operativa mínima. La mayoría de las organizaciones no dispone de ella. Implementar soluciones complejas en infraestructuras desalineadas conduce a costes innecesarios, ciclos de vida inestables y resultados difíciles de escalar.
Costes crecientes y gobernanza insuficiente
Más del 10% del OPEX de TI ya está vinculado a iniciativas relacionadas con IA. Los costes, además, superan las previsiones iniciales en una mayoría significativa. Este incremento es coherente con el coste real de integrar servicios generativos, aumentar capacidades de procesamiento y gestionar repositorios de datos crecientes. El problema no es que cueste más; es que muchas organizaciones no han ajustado su modelo de gobierno para controlar ese aumento. De hecho, ante las preguntas sobre mecanismos de control y gobierno, alrededor del 25% de las organizaciones han contestado NS/NC, reforzando esta percepción.
Solo la mitad cuenta con estructuras formales de gobierno de IA. La pregunta relevante aquí es si dicha estructura es la adecuada. Algunas organizaciones centralizan la supervisión en áreas de TI que operan con criterios propios de software tradicional, ignorando la naturaleza probabilística y cambiante de los modelos. Otras adoptan modelos federados sin mecanismos de control suficientes. En ambos extremos, el resultado es el mismo: proyectos que escalan mal, inconsistencias en criterios de calidad y falta de propiedad clara sobre resultados.
La gobernanza de IA no debería consistir en un comité o una política, sino en un sistema utilizable capaz de gestionar todo el ciclo de vida: desde la preparación de datos hasta la monitorización en producción. La mayoría está lejos de este objetivo.
Necesidad de talento no solo técnico
Menos de la mitad de las empresas, un 43%, desarrolla programas de formación estructurados para sus equipos. Las áreas funcionales son las que menos se benefician, pese a ser las responsables de identificar y operar los casos de uso.
El discurso habitual atribuye esta situación a la “escasez de talento especializado”. Sin embargo, esta explicación es incompleta. El mercado está cambiando. Las herramientas actuales (soluciones low code/no code, copilotos para desarrollo, frameworks simplificados) reducen parcialmente la necesidad de perfiles extremadamente especializados. El problema no es únicamente la falta de talento técnico, sino la ausencia de un diseño organizativo que permita a perfiles de negocio interactuar con modelos y flujos de datos sin depender totalmente de TI. Las organizaciones saturan a los mismos equipos técnicos mientras infrautilizan capacidades y conocimiento distribuidos en el resto de los departamentos.
Los casos de uso generalistas inducen a un impacto modesto
Ante la pregunta abierta sobre qué proyectos de IA están actualmente en marcha, estos se concentran básicamente en dos áreas: reducción de costes y mejora en la calidad de las decisiones. Esta tendencia, unida a la percepción de impacto limitado en competitividad, suele atribuirse a “baja madurez” o “falta de escala”. Pero la causa principal parece otra: la mayoría de los casos de uso implementados son horizontales y replicables por cualquier organización. Asistentes genéricos, automatización administrativa, generación de documentos o copilotos de productividad aportan eficiencia, pero no generan diferenciación real.
Confiar en obtener ventaja competitiva a partir de casos de uso que cualquiera puede replicar es un planteamiento erróneo. Para obtener impacto estructural, la IA debe aplicarse a procesos nucleares del negocio. Esto exige capacidades de datos específicas, conocimiento profundo del dominio y una estrecha integración con sistemas críticos. Muy pocas organizaciones han hecho ese recorrido.
Proveedores especializados, los mejor valorados
La encuesta muestra una valoración superior de los proveedores especializados frente a los generalistas, coherente con la especialización creciente del mercado. En ámbitos como evaluación de modelos, optimización de prompts, integración semántica o el desarrollo RAG avanzado, aportan una profundidad técnica que los generalistas no pueden igualar. Sin embargo, recurrir a múltiples especialistas puede introducir dependencia, fragmentación tecnológica y proliferación de soluciones no integradas con la arquitectura corporativa.
El impacto llegará, pero no del marco conceptual dominante
Para que la IA genere valor sostenible, las organizaciones deben abandonar la narrativa heredada del hype comercial. Las prioridades reales no son más modelos, más pilotos o más formación generalista. Son otras:
- Seleccionar casos de uso con impacto estructural, no solo mejoras incrementales de eficiencia.
- Construir modelos de gobierno alineados con el ciclo de vida de los modelos, no con estructuras de TI heredadas.
- Crear métricas rigurosas de calidad, coste y valor, que permitan desinvertir en iniciativas sin retorno.
- Reorganizar el modelo operativo, integrando negocio, datos y tecnología en flujos de trabajo conjuntos.
- Desarrollar talento aplicado, más centrado en cómo funcionan los procesos y los datos que en tecnología abstracta.
- Alinear la inversión con la madurez real, no con expectativas infladas ni modas tecnológicas.
Como siempre, la tecnología va por delante, aparece y sacude las estructuras clásicas, en este caso es el marco conceptual con el que muchas organizaciones abordan la adopción de la IA. Solo cuestionando ese marco se obtendrán resultados que trasciendan el discurso y se conviertan en ventaja competitiva real.
