No toda tarea necesita Inteligencia Artificial

Para el tercer trimestre de este año he planteado una serie de artículos sobre Inteligencia Artificial, con el objetivo de explorar algunas de las preguntas que considero fundamentales para su adopción en las organizaciones.

En el primero sostuve que nuestra estrategia de adopción de Inteligencia Artificial debe servir al negocio y no al revés, y que la brecha entre la tecnología y las organizaciones es, antes que un problema tecnológico, un problema de liderazgo. En el segundo revisé qué es lo que la Inteligencia Artificial realmente amplifica, el conocimiento de la organización, y cuánto de ese conocimiento nunca llega a documentarse, razón por la cual fracasan tantas iniciativas de adopción tecnológica.

Los dos primeros artículos hablaban de preparación. Este tercer artículo habla de retorno, de una ecuación. Menos inspirador que los anteriores, pero más pragmático para la toma de decisiones.

Porque incluso una organización con una visión clara y un mapa honesto de su propio conocimiento todavía tiene que responder algo que ningún documento estratégico responde por ella: ¿vale la pena hacer esta tarea específica con Inteligencia Artificial? No la empresa. No el departamento. La tarea.

Gartner proyecta que el gasto mundial en Inteligencia Artificial alcanzará los 2,59 billones de dólares en 2026, un 47% más que el año anterior, y observa que las organizaciones siguen prefiriendo iniciativas tácticas de mejora incremental mientras sus CIO batallan por demostrar retorno. La misma firma había pronosticado que un 30% de los proyectos de IA generativa se abandonarían después de la prueba de concepto al cierre de 2025, y hoy anticipa que más del 40% de los proyectos de IA agéntica se cancelarán antes de que termine 2027 por tres razones que vale la pena anotar: costos que se disparan, valor de negocio poco claro y controles de riesgo insuficientes.

Ninguna de las tres es una falla técnica. Las tres son decisiones que nunca se tomaron bien.

Más que una fórmula, un filtro

Este año tuve el honor de conocer a Rama Ramakrishnan, profesor de práctica en Inteligencia Artificial y aprendizaje automático del MIT Sloan, y de quien aprendí, y pude poner en práctica, una manera de encuadrar esta decisión que me ha resultado genuinamente útil en campo: “La ecuación de costos de la IA generativa”. No produce un número, y ahí está justamente su virtud. Es un filtro que un equipo directivo puede aplicar a una sola tarea, en una reunión, sin necesidad de un consultor.

Se lee de izquierda a derecha y plantea que en la mayoría de los casos tiene mayor sentido entregar una tarea a la IA generativa cuando lo que esa tarea cuesta hoy es mayor que la suma de todo lo que costará la alternativa con IA y, al mismo tiempo, cuando las consecuencias de que la IA se equivoque son consecuencias que la organización puede absorber. Son dos condiciones que se deben analizar con cuidado.

El lado izquierdo de la ecuación es el que las organizaciones se saltan más rápido (cuánto cuesta hoy hacer la tarea que estamos evaluando), y es el que conecta directamente con mi artículo anterior. Muy pocas organizaciones pueden decir cuánto les cuesta realmente un proceso: cuántas horas, cuánta gente, cuánto retrabajo. Cuando el conocimiento que sostiene ese proceso vive en la cabeza de alguien y nunca se documentó, no hay línea base contra la cual comparar. Bastantes casos de negocio de IA se caen en el primer término.

El lado derecho tiene tres costos que se suman, y conviene nombrarlos por separado porque cada uno esconde un problema distinto:

●Adaptar el modelo. Lo que cuesta llevar una herramienta de propósito general al grado de exactitud que la tarea realmente exige. Un borrador de mercadeo y una decisión de crédito no piden el mismo estándar, y fingir que sí sale caro en las dos direcciones.

●Usarlo. Licencias, tokens, infraestructura. La trampa aquí es suponer que este término solo baja.

●Atrapar y corregir sus errores. El término invisible y, con mucha frecuencia, el que decide.

Una vez analizado lo anterior existe una última condición por evaluar, la que se une a la ecuación con una "y": “el costo de fallar”. En octubre del año pasado, Deloitte aceptó reembolsarle parcialmente al gobierno australiano un informe que traía citas inventadas, incluidas referencias a resoluciones judiciales que no existían. El reembolso fue una fracción del contrato. El costo reputacional no, y a ese nadie le va a poner cifra.

Con eso llego al punto de este artículo. Aplicar esta ecuación con honestidad significa aceptar que para buena parte de nuestros procesos la respuesta correcta es no. No "todavía no". No.

Esa respuesta nadie la presenta en una junta directiva, no entra en un informe anual y ningún proveedor nos va a ayudar a llegar a ella. Y sin embargo, la disciplina de decir que no es justamente lo que protege el presupuesto de las iniciativas que sí lo merecen. Una organización que automatiza veinte procesos de forma indiscriminada casi con seguridad va a tener peor retorno que una que automatiza cinco después de aplicar la ecuación.

Es también, otra vez, un asunto de gobernanza. Alguien tiene que ser responsable de la decisión de no automatizar, y esa decisión debería estar tan documentada y ser tan defendible como la decisión de invertir. En la mayoría de organizaciones que conozco, solo una de las dos queda por escrito.

Gastamos mucha energía preguntándonos si Costa Rica está lista para la Inteligencia Artificial. Yo me conformaría con algo más pequeño y más útil: organizaciones capaces de explicar, en una sola página, por qué escogieron automatizar esto y no aquello. Aquí, donde casi todo el parque empresarial son empresas pequeñas y medianas y el capital es escaso, una iniciativa mal evaluada no solo rinde menos de lo esperado. Se come el presupuesto de la que sí hubiera funcionado.

La Inteligencia Artificial va a seguir siendo más barata por unidad y más cara por decisión. Las organizaciones que vean retorno no van a ser las que la adoptaron más rápido, sino las que fueron más rigurosas al escoger dónde no usarla.

Fuentes y referencias:

●Deloitte / Departamento de Servicios Sociales de Australia. (2025). Deloitte Refunds Australia After AI-Generated Report Errors. OECD AI Incidents Monitor. https://oecd.ai/en/incidents/2025-10-05-be45

●Gartner. (2024). Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept by End of 2025. https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

●Gartner. (2025). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027

●Gartner. (2026). Gartner Forecasts Worldwide AI Spending to Grow 47% in 2026. https://www.gartner.com/en/newsroom/press-releases/2026-05-19-gartner-forecasts-worldwide-ai-spending-to-grow-47-percent-in-2026

●Ramakrishnan, R. (2024). A Practical Guide to Gaining Value From LLMs. MIT Sloan Management Review. https://sloanreview.mit.edu/article/a-practical-guide-to-gaining-value-from-llms/