En 2024, el porcentaje de empresas que abandonaron la mayoría de sus proyectos piloto de inteligencia artificial se disparó al 42%, frente al 17% del año anterior. Es decir, que en las empresas, hay pilotos que se desarrollan, funcionan, entregan resultados, generan tracción interna y durante un breve periodo parecen abrir una nueva dirección estratégica. Después, sin un cierre formal ni una decisión explícita de abandonarlos, dejan de existir en la operación.
Lejos de ser ejercicios marginales, los pilotos cumplen una función crítica dentro de las organizaciones: son el principal mecanismo para explorar nuevas formas de crear valor sin comprometer de inmediato la operación existente. Permiten probar hipótesis, reducir incertidumbre y aprender en condiciones controladas antes de tomar decisiones de mayor escala. En ese sentido, no son solo experimentos, sino el punto de entrada para la evolución del negocio.
¿Qué es lo que está impidiendo que un piloto —incluso uno exitoso— logre escalar?
La respuesta no es sencilla, pero puede encontrar sus raíces en cómo la organización interpreta y se relaciona con este piloto. En la práctica, estos suelen diseñarse como ejercicios de validación; buscan comprobar si una solución funciona y, bajo ese enfoque, demostrar impacto es suficiente para considerarlos exitosos.
Sin embargo, esta lectura deja fuera una dimensión crítica: las condiciones que hicieron posible ese desempeño.
Un piloto no ocurre en el vacío. Se construye deliberadamente en un entorno protegido, con métricas específicas, acceso preferencial a recursos y, muchas veces, con un margen de tolerancia que no existe en la operación cotidiana. En ese sentido, funciona en un espacio de excepción, donde las reglas habituales de la organización dejan de aplicarse.
Desde la perspectiva de los académicos Chris Argyris y Donald Schön, esto corresponde al primer nivel de aprendizaje, conocido como single-loop learning: un nivel en el que se ajustan acciones para mejorar resultados, pero sin cuestionar las variables que estructuran el sistema. Es decir, el piloto funciona, pero lo hace sin alterar las reglas que determinan cómo opera la organización normalmente.
Y cuando algo se mantiene en este nivel, su desempeño depende precisamente de esas condiciones excepcionales que lo hicieron posible.
En cambio, cuando un piloto logra elevarse al segundo nivel —el double-loop learning— el foco deja de estar en optimizar la solución y pasa a cuestionar el sistema que la contiene.
Esto implica revisar y modificar las variables que gobiernan el comportamiento organizacional: cómo se mide el desempeño, cómo se asignan los recursos y qué comportamientos se incentivan. Solo en ese nivel el cambio deja de ser una excepción y puede sostenerse en el tiempo como una capacidad real del negocio.
Las reglas que realmente importan
Toda organización tiene un conjunto de variables que, aunque rara vez se cuestionan explícitamente, determinan su comportamiento real. Son las que definen qué se prioriza, qué se sostiene y qué se descarta.
Tres de ellas resultan particularmente decisivas al momento de escalar un piloto. La primera son las métricas. Mientras el piloto se evalúa con indicadores diseñados para resaltar su valor, la operación sigue respondiendo a métricas estándar, y si no hay convergencia entre ambas, el piloto queda fuera del sistema de decisiones relevante.
La segunda es la asignación de recursos. Durante su fase experimental, un piloto suele contar con presupuesto dedicado y atención ejecutiva. Pero al intentar escalar, entra en competencia con iniciativas ya consolidadas. En ese terreno, lo nuevo difícilmente prevalece.
La tercera son los incentivos. Los comportamientos que permiten que el piloto funcione no siempre coinciden con aquello que la organización premia formalmente. Y en última instancia, las personas ajustan su conducta a lo que tiene consecuencias reales, y a lo que les traerá mayor beneficio. Y un piloto que apenas está despegando no suele entrar en este comportamiento.
Estas variables son mecanismos de estabilidad, y cuando no se modifican, el sistema tiende a absorber cualquier desviación y regresar a su estado anterior, o sea, a descartar el piloto.
El momento que define el destino del piloto
Existe una suposición extendida en la que se piensa que primero se valida un piloto y luego se decide cómo escalarlo, pero en la práctica, esta secuencia suele ser la razón por la que los pilotos no prosperan; porque la posibilidad de institucionalizar una iniciativa no se juega al final, sino durante su ejecución.
Es en ese momento cuando la organización puede identificar qué tendría que cambiar para sostener los resultados observados sin depender de condiciones especiales.
¿Cómo lograrlo? El punto de partida es cambiar la pregunta. En lugar de enfocarse en si una solución funciona, la organización debe preguntarse qué condiciones permitirían sostener ese funcionamiento en el tiempo. Este cambio de enfoque es consistente con la teoría de capacidades dinámicas desarrollada por David Teece, profesor de la Escuela de Negocios Haas en UC Berkeley, que plantea que la ventaja competitiva no proviene de implementar soluciones aisladas, sino de la habilidad de integrarlas, sostenerlas y reconfigurarlas dentro del sistema organizacional a lo largo del tiempo.
Esto desplaza la conversación hacia el sistema: qué métricas deben modificarse, cómo se reasignan los recursos, qué incentivos necesitan alinearse y qué procesos requieren rediseño para que el piloto deje de operar como una excepción y pueda integrarse a la operación real.
Cuando un piloto exitoso desaparece, la lectura más común apunta a fallas de ejecución: falta de seguimiento, resistencia al cambio o pérdida de impulso. Sin embargo, estas explicaciones suelen quedarse en la superficie, porque la verdadera pregunta no es qué tan bueno fue el piloto o qué condiciones necesita para desarrollarse, sino qué tan dispuesta está la organización a modificar sus propios supuestos para que el piloto pueda convertirse en parte del sistema.