El informe The GenAI Divide: State of AI in Business 2025 (NANDA, MIT) analiza 150 entrevistas, 350 encuestados y 300 despliegues públicos y concluye que apenas el 5% de los pilotos de IA logra una aceleración rápida de ingresos. La causa central no es el modelo, sino la integración organizacional: existe una “brecha de aprendizaje” entre herramientas y procesos.
El estudio, realizado por la iniciativa NANDA del MIT y titulado The GenAI Divide: State of AI in Business 2025, combina 150 entrevistas, una encuesta a 350 empleados y el análisis de 300 implementaciones públicas. Sus hallazgos son contundentes: alrededor del 95% de los proyectos piloto de IA generativa “se estancan” y no generan un impacto medible en el P&L; sólo un 5% consigue una aceleración rápida de ingresos.
Aditya Challapally, autor principal del informe, sintetiza el hallazgo con ejemplos concretos: “Algunos pilotos de grandes empresas y startups jóvenes realmente están destacándose con la IA generativa”, y añade que ciertas startups —“dirigidas por jóvenes de 19 o 20 años”— “han visto ingresos pasar de cero a U$S 20 millones en un año”. Según Challapally, la diferencia radica en que esas compañías “eligen un punto de dolor, ejecutan bien y se asocian inteligentemente con empresas que usan sus herramientas”.
El reporte también detecta una desproporción en la asignación de recursos: más de la mitad de los presupuestos destinados a IA generativa se concentra en ventas y marketing, mientras que el mayor retorno económico (ROI) identificado por MIT proviene de la automatización de back-office —reducción de outsourcing, menor gasto en agencias externas y optimización de operaciones internas.
Por qué fallan la mayoría de los pilotos y qué funciona
El documento apunta a una causa menos técnica y más organizacional: una “brecha de aprendizaje” entre las herramientas y las empresas. No es (salvo en casos puntuales) que los modelos sean malos; es que las soluciones genéricas —como las versiones de escritorio de ChatGPT— funcionan excepcionalmente bien a nivel individual, pero no aprenden ni se adaptan a flujos de trabajo empresariales sin una integración profunda.
Otras conclusiones operativas relevantes del informe:
- Comprar e integrar vs. construir internamente: las empresas que compran soluciones a proveedores especializados y establecen alianzas generan éxito en torno al 67% de los casos; en cambio, las construcciones internas triunfan apenas un tercio de las veces (≈33%).
- Empoderar mandos de línea: el estudio subraya que la adopción efectiva suele impulsarla la gerencia operativa, no únicamente los equipos centrales de IA.
- Shadow AI: el uso no sancionado de herramientas (el llamado “shadow AI”, p. ej. ChatGPT en flujos no regulados) es generalizado y complica la medición del impacto real.
- Impacto laboral: la disrupción ya se manifiesta en áreas de soporte al cliente y tareas administrativas; el cambio, más que despidos masivos, suele darse mediante no reemplazo de vacantes y reconversión de roles antes tercerizados.
- Futuro agentic: las organizaciones más avanzadas prueban sistemas agénticos que pueden aprender, recordar y actuar de forma autónoma dentro de límites definidos, anticipando la próxima fase de la IA empresarial.
El informe también destaca que en sectores regulados (p. ej., servicios financieros) muchas firmas están optando por desarrollar modelos propietarios en 2025, aun cuando los datos del MIT sugieren que esto incrementa la tasa de fracaso frente a soluciones externas bien integradas.
La promesa de la IA generativa no desaparece, pero su materialización en valor económico exige seleccionar casos de uso concretos, alinear procesos, apoyarse en socios especializados y dotar a las herramientas de capacidad de aprendizaje integrada. Como resume Challapally, los ganadores “eligen un punto de dolor, ejecutan bien y se asocian inteligentemente”.