A finales de los años setenta y principios de los ochenta, IBM dominaba la conversación sobre computación personal y tenía los recursos, la infraestructura, la reputación y el músculo corporativo para definir el futuro de la industria tecnológica. Microsoft, en comparación, todavía era una empresa mucho más pequeña y concentrada en software.
Sin embargo, este equilibrio cambió rápido. Microsoft terminó acumulando mucho más poder que IBM dentro del ecosistema de computación personal. ¿Por qué? Porque entendió antes una dinámica que después cambiaría la economía tecnológica completa: que en ciertos mercados, quien logra posicionarse primero crea condiciones para seguir ganando en un futuro cada vez más rápido.
Mientras IBM seguía pensando en vender hardware, Microsoft entendió que el verdadero valor estaba en controlar el sistema operativo. Cada nueva computadora que utilizaba Windows hacía más atractivo desarrollar software para Windows, y cada nuevo software disponible hacía todavía más atractivo comprar computadoras compatibles con Windows. La ventaja se volvió cada vez más difícil de alcanzar.
Este ejemplo sirve para entender cómo funciona gran parte de la tecnología actualmente. Las bases de esta lógica fueron desarrolladas por el economista W. Brian Arthur, quien llamó a este fenómeno “rendimientos crecientes”. Su teoría rompía con una idea tradicional de la economía, según la cual con el tiempo las ventajas entre competidores tienden a equilibrarse porque, en la mayoría de las industrias, crecer se vuelve progresivamente más costoso y menos eficiente.
Por ejemplo, en sectores como la minería, la agricultura o la manufactura, producir más suele implicar enfrentar mayores costos, recursos más escasos o una complejidad operativa creciente, lo que eventualmente limita la ventaja de quien va adelante. Arthur planteó que en los mercados tecnológicos ocurre muchas veces lo contrario: quien obtiene una ventaja temprana acumula más usuarios, más aprendizaje, más inversión y más capacidad para seguir creciendo, de modo que la distancia entre quienes avanzan rápido y quienes se rezagan se vuelve cada vez más grande y más difícil de revertir.
La inteligencia artificial es hoy uno de los mejores ejemplos de esa lógica, porque quien logra integrarla primero a su operación gana eficiencia pero también velocidad de aprendizaje que le permite aprender más rápido, una cualidad que, en un entorno tan cambiante como el actual, empieza a convertirse en la ventaja más importante de todas.
Para entender cómo este mercado funciona y qué se necesita para que una empresa pueda convertir la IA en una ventaja competitiva real, es importante dar un recorrido a cómo se ha desarrollado esta tecnología en los últimos años. En este sentido, gran parte de la conversación alrededor de la IA se ha planteado como una carrera de adopción, en la que ganaba quien implementara más herramientas, automatizara más procesos o lanzara más pilotos internos. Parecía suficiente con incorporar inteligencia artificial antes que los demás para no quedarse atrás. Pero conforme las empresas empiezan a pasar del entusiasmo inicial a la operación cotidiana, es evidente que la inteligencia artificial no está produciendo el mismo resultado para todos.
Inteligencia artificial en empresas: ¿qué es lo que está pasando?
Mientras que algunas organizaciones están logrando aumentos reales en productividad, velocidad de decisión y capacidad de adaptación, otras acumulan pruebas inconclusas, herramientas subutilizadas y equipos agotados por iniciativas que nunca terminan de integrarse al negocio.
Boston Consulting Group reportó en 2024 que el 74% de las empresas todavía tiene dificultades para generar y escalar valor tangible a partir de inteligencia artificial. Es decir, la mayoría ya experimentó con IA, pero todavía no logra convertirla en una ventaja operativa consistente.
Sin embargo, el mismo estudio encontró que las empresas que sí están logrando capturar valor de la IA son las que desarrollaron capacidades organizacionales distintas. De hecho, las compañías líderes tienden a enfocarse en menos oportunidades de implementación que sus pares menos avanzados, concentrando esfuerzos en aquellas iniciativas con mayor potencial de escalabilidad e impacto dentro del negocio.
Además, las empresas líderes no utilizan la IA únicamente en funciones de soporte o automatización básica, sino directamente en procesos centrales del negocio. De acuerdo con el reporte, el 62% del valor generado por IA proviene precisamente de áreas núcleo como operaciones, ventas, marketing e investigación y desarrollo.
El hallazgo más relevante de este ejercicio es que alrededor del 70% de los obstáculos para implementar inteligencia artificial no proviene de problemas técnicos, sino de personas y procesos. El estudio identifica barreras relacionadas con gestión del cambio, coordinación interna, optimización de flujos de trabajo, talento y gobernanza, mientras que apenas el 10% de los problemas está relacionado directamente con los algoritmos.
Con base en toda esta evidencia, es posible entender que la diferencia entre las empresas que sí logran convertir la IA en una ventaja competitiva y las que no está menos relacionada con la tecnología de lo que normalmente se piensa, y más con la capacidad organizacional de adaptarse mientras el entorno cambia, y eso cambia profundamente la conversación estratégica, porque durante años la transformación digital se entendió principalmente como un problema de adopción tecnológica.
¿De qué depende el éxito de implementar inteligencia artificial en empresas?
Reportes recientes como el de RAND sugieren que implementar IA exitosamente depende mucho más de la capacidad adaptativa de una organización para ajustar procesos, reorganizar flujos de trabajo, coordinar equipos, incorporar aprendizaje continuo y modificar la operación conforme aparecen nuevos hallazgos y limitaciones.
El estudio, que analiza las razones más frecuentes detrás del fracaso de proyectos de inteligencia artificial, encontró patrones que se repiten constantemente: expectativas irreales, mala comunicación entre áreas, incapacidad para adaptar procesos existentes, problemas de gobernanza y dificultades para traducir experimentos en cambios operativos sostenibles.
De hecho, varias de las recomendaciones que RAND hace para aumentar la probabilidad de éxito en proyectos de IA apuntan precisamente en esa dirección. El reporte insiste, por ejemplo, en la necesidad de que los equipos técnicos entiendan el contexto operativo y el problema real que intentan resolver, y recomienda dejar de perseguir herramientas “de moda” para enfocarse en problemas concretos y suficientemente relevantes como para sostener esfuerzos de largo plazo.
También subraya que los proyectos exitosos suelen ser aquellos donde las organizaciones son capaces de ajustar procesos internos, invertir en infraestructura que facilite el aprendizaje y entender las limitaciones reales de la tecnología antes de implementarla.
Así que más que una cuestión de incorporar IA rápidamente, el reto parece estar en construir organizaciones capaces de aprender, reorganizarse y seguir adaptándose conforme aparecen nuevos obstáculos, hallazgos y oportunidades.