Solo el 19 % de Empresas Logra Beneficios Reales con IA Tras Grandes Inversiones

¿Alcanza con escribir una buena instrucción para que una empresa use inteligencia artificial de verdad? La pregunta parece simple, pero toca un cableado mucho más complejo: detrás de cada sistema que detecta fraudes o automatiza tareas hay piezas que no se ven y que suelen faltar.

Ese es el hallazgo que pone sobre la mesa Red Hat, a partir del análisis de la expansión de la IA en finanzas, energía, servicios básicos y aseguradoras. La tecnología ya salió del laboratorio, pero su adopción masiva revela un problema menos visible: la escasez de talento especializado para hacerla funcionar con resultados sostenibles.

Carlos Estay, vocero de la compañía, lo subraya con claridad: el prompt engineering (diseño de instrucciones para dialogar con la IA) puede ser una habilidad transversal, pero no resuelve por sí solo un proyecto. La pieza clave está en otros perfiles, como los científicos de datos y los expertos en MLOps (puesta en producción de modelos), que convierten una promesa en una herramienta útil.

De hecho, un caso práctico citado en este contexto mostró una mejora de precisión del 60% al 92% después de analizar y seleccionar mejor los datos. No fue magia. Fue ajuste fino sobre la materia prima, como quien revisa tuberías antes de culpar a la canilla por no dar agua.

La pieza crítica que no suele verse

Luego aparece otro rol central: el especialista en MLOps. Su tarea consiste en llevar los modelos a producción, es decir, sacarlos del entorno de prueba y ponerlos a trabajar en la operación real de una empresa. Es el equivalente al técnico que no solo instala la caldera, sino que además verifica que soporte el uso diario sin apagarse a mitad de camino.

Este punto tiene impacto directo en la rentabilidad. Las empresas de Estados Unidos ya invirtieron más de 37.000 millones de dólares en inteligencia artificial, pero solo el 19% obtiene ingresos proporcionales a ese gasto. La cifra revela que el problema no siempre es la tecnología, sino la forma de elegirla, ajustarla y sostenerla.

Además, no toda necesidad exige el modelo más grande ni la opción más vistosa. En muchos casos, usar modelos más pequeños y diseñados para un problema concreto resulta más eficiente que desplegar una IA generativa sobredimensionada. Es como querer arreglar una lámpara con una central eléctrica.

En sectores como finanzas y seguros, esta diferencia ya se nota. La IA se usa para detectar fraudes sofisticados o reclamaciones falsas. Y en esos escenarios, varios modelos predictivos (sistemas que anticipan patrones) pueden rendir mejor que un único modelo generativo, pensado para producir texto, imágenes o respuestas abiertas.

Incluso se documentó el caso de una empresa que fracasó por intentar resolver un problema complejo con IA generativa cuando necesitaba varios modelos predictivos especializados. El error no estuvo en usar inteligencia artificial, sino en elegir el engranaje equivocado para esa máquina.

Estay advierte que el retorno de la inversión no depende solo de generar ingresos, sino de usar la tecnología adecuada para cada necesidad.

Por eso, el avance de la IA en gobierno, energía, banca y servicios básicos abre una oportunidad concreta, pero también una lección. El futuro no se juega solo en quién tiene acceso al mejor modelo, sino en quién sabe instalarlo, alimentarlo y mantenerlo encendido.

Cuando esa arquitectura humana está completa, la IA deja de ser una promesa ruidosa y empieza a funcionar como debería: como un sistema robusto, útil y casi invisible, igual que la electricidad cuando la casa está bien cableada.

Sofía Sicilia

Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.