Estrategia de IA
Por qué se estancan los pilotos de IA y cómo llevar uno a producción en cuatro semanas
Publicado por
SME Analytica
Fecha
20 de noviembre de 2026

Respuesta corta: la mayoría de los pilotos de IA se estancan porque se diseñan para demostrar que el modelo funciona, no para cambiar un proceso: usan datos de muestra, no tienen un responsable con una cifra que mover y dejan la conexión con los sistemas para después. Las grandes encuestas apuntan en la misma dirección, con un 56 % de los CEO que, según PwC, todavía no ha visto un beneficio financiero significativo de la IA. En una pyme, el camino corto es llevar un solo flujo a producción en cuatro semanas, con datos reales, una persona que revisa y una línea base medida antes de empezar.
¿Cuántos pilotos de IA llegan a producción?
No hay una cifra única, y las que circulan sin fuente conviene dejarlas pasar. Lo que sí publican las grandes consultoras, a partir de encuestas a directivos de empresas grandes, es un patrón que se repite: muchas prueban y pocas convierten la prueba en resultado.
- En la 29.ª Encuesta Mundial de CEO de PwC (enero de 2026, 4.454 CEO de 95 países y territorios), solo el 12 % dice que la IA le ha dado a la vez menos costes y más ingresos. El 33 % ha visto una de las dos cosas y el 56 % no ha visto un beneficio financiero significativo hasta la fecha.
- En el informe State of AI in the Enterprise de Deloitte (publicado en enero de 2026, con 3.235 directivos de negocio y TI de 24 países encuestados entre agosto y septiembre de 2025), solo el 25 % de los encuestados ha pasado a producción el 40 % o más de sus pilotos de IA.
- En The state of AI in 2026 de McKinsey (agosto de 2026, 1.719 participantes de 97 países), el 37 % atribuye a la IA algún efecto en el EBIT, prácticamente lo mismo que un año antes. Los que McKinsey llama high performers, con al menos un 5 % del EBIT atribuible a la IA, se quedan en torno al 6 %.
- BCG, en The Widening AI Value Gap (septiembre de 2025, 1.250 directivos), clasifica al 60 % de las empresas como rezagadas, con ganancias mínimas de ingresos y costes. Un 35 % está escalando y un 5 % obtiene valor sustancial.
- Gartner predijo en julio de 2024 que al menos el 30 % de los proyectos de IA generativa se abandonaría después de la prueba de concepto antes de terminar 2025, y en junio de 2025, que más del 40 % de los proyectos de IA agéntica se cancelará antes de terminar 2027. Son predicciones, no recuentos. Las causas que cita se repiten en las dos: costes que crecen, valor de negocio poco claro y controles de riesgo insuficientes, y en la de 2024, además, la mala calidad de los datos.
Estas encuestas miden empresas grandes. La lectura para una pyme es nuestra: si a organizaciones con equipos de datos y presupuesto les cuesta pasar de la prueba al resultado, a una empresa de veinte personas le costará más si copia su forma de pilotar.
Un piloto de IA no se estanca porque el modelo falle, sino porque nadie diseñó el día después: los datos reales, el responsable, la conexión con los sistemas y la persona que revisa.

¿Por qué se estanca un piloto de IA?
Los mecanismos se repiten, y ninguno tiene que ver con lo listo que es el modelo:
- Datos de demostración. El piloto funciona con veinte documentos limpios que alguien eligió. El buzón real trae escaneos torcidos, abonos, facturas de varias páginas, correos reenviados tres veces y mezclas de idiomas. La primera semana con datos reales los aciertos caen y el piloto pierde a quien lo defendía. En su predicción de 2024, Gartner cita la mala calidad de los datos entre las causas.
- Nadie tiene una cifra que mover. Si no se midió cuánto tarda hoy el proceso, cuántos errores tiene o cuánto cuesta, al final del piloto nadie puede decir si mejoró. McKinsey encuentra que los high performers tienen el doble de probabilidades que el resto de contar con procesos definidos para medir el impacto de sus iniciativas de IA.
- La integración se deja para después. El piloto vive en una pantalla aparte y alguien copia el resultado al ERP o al CRM. Mientras haya que copiar a mano, el ahorro es teórico. Gartner lo dice de los agentes: integrarlos en sistemas heredados puede ser técnicamente complejo, interrumpir flujos de trabajo y exigir modificaciones costosas.
- No hay un punto de control humano diseñado. Si nadie sabe qué revisa una persona y qué pasa sin revisar, ocurre una de dos cosas: el equipo no se fía y lo revisa todo dos veces, o se fía demasiado y un error llega al cliente. Las dos acaban con el piloto.
- El coste de operar no se miró. Una demostración con cien llamadas al modelo es barata; un proceso con diez mil al mes no siempre lo es. McKinsey encuentra que los costes de operación de la IA ya limitan su uso en aproximadamente una de cada cinco organizaciones.
- Se añade IA a un proceso que sigue igual. Según Deloitte, solo el 30 % de las organizaciones está rediseñando procesos clave en torno a la IA y el 37 % la usa de forma superficial, sin apenas cambiar los procesos de fondo. En McKinsey, casi tres cuartas partes de los high performers dicen haber rediseñado a fondo sus flujos de trabajo, frente a solo una cuarta parte del resto.
¿Qué tiene un piloto que sí llega a producción?
La diferencia cabe en una tabla. La última columna resume lo que dicen las fuentes; las otras dos son nuestra lectura para una pyme.
| Aspecto | Piloto que se estanca | Piloto que llega a producción | Qué dicen las fuentes |
|---|---|---|---|
| Datos | Una muestra limpia elegida a mano | Una exportación real de los últimos meses, con sus defectos | Gartner (2024) cita la mala calidad de los datos entre las causas de abandono tras la prueba de concepto |
| Responsable | El equipo de innovación, en general | Una persona de negocio con una cifra medida antes de empezar | McKinsey: los high performers tienen el doble de probabilidades de medir el impacto con procesos definidos |
| Sistemas | Una pantalla aparte y copiar y pegar | Escribe en el ERP, el CRM o la hoja que el equipo ya usa | Gartner: integrar agentes en sistemas heredados puede exigir modificaciones costosas |
| Revisión | Sin definir | Una persona aprueba lo que sale hacia fuera o cambia un registro | Deloitte: solo el 21 % de las empresas que planean usar agentes tiene un modelo maduro de gobierno de agentes |
| Proceso | El mismo de antes, con IA encima | Rediseñado alrededor de lo que la IA hace bien | Deloitte: solo el 30 % rediseña procesos clave en torno a la IA |
| Coste | Sin medir | Coste por operación conocido antes de crecer | McKinsey: los costes de operación ya limitan el uso de la IA en aproximadamente una de cada cinco organizaciones |
| Final | Una presentación | Una decisión: seguir, ajustar o parar | PwC: los CEO con bases sólidas de IA tienen tres veces más probabilidades de declarar rendimientos financieros significativos |
¿Cómo se pasa de piloto a producción en cuatro semanas?
Cuatro semanas no es una cifra mágica: es lo que tarda un solo flujo bien acotado cuando se trabaja con datos reales desde el primer día. Es también el formato de nuestro Lanzamiento. El plan:
Semana 1: un flujo, una cifra y datos reales
- Elige un solo flujo con principio y fin claros: facturas de proveedor, consultas entrantes, partes de trabajo, presupuestos.
- Mide la línea base: volumen al mes, minutos por caso, errores y quién lo hace hoy.
- Exporta los datos reales de los últimos tres meses, con sus defectos.
- Nombra a un responsable de negocio y deja por escrito qué significa que funciona y qué resultado haría parar el proyecto.
Semana 2: construir y correr en sombra
- Construye sobre la exportación real, no sobre una muestra.
- Pon el sistema a funcionar en sombra: propone, pero el equipo sigue haciendo el trabajo como siempre.
- Compara cada día lo que propuso con lo que hizo la persona y anota los fallos por tipo. Así se miden con datos reales antes de que lleguen a un cliente.
Semana 3: conectar y poner el punto de control
- Conecta con los sistemas que ya usas por la vía menos invasiva: una API si existe y un fichero de importación si no. Lo explicamos en integración de sistemas.
- Decide qué aprueba una persona: todo lo que sale hacia un cliente, cambia un importe o modifica un registro.
- Registra cada lectura, propuesta y escritura, con fecha y autor.
Un ejemplo nuestro: Conversa no se conecta a cada portal inmobiliario. Las consultas de Idealista, Fotocasa o del formulario web de la agencia ya llegan por email, así que Conversa revisa ese buzón cada cinco minutos, identifica por qué inmueble pregunta el comprador y le envía el primer WhatsApp, con la referencia o el enlace del inmueble por el que preguntó. A partir de ahí cualifica la consulta con un objetivo: una visita con la agencia. Ningún portal tuvo que cambiar nada, y la agencia conserva el buzón que ya tenía.
A nuestros propios productos les aplicamos la misma regla sobre la revisión. En Facturia, la parte que envía los registros de facturación a la AEAT sigue desactivada hasta que un caso real haya pasado de principio a fin por el entorno de pruebas de la AEAT. Hasta entonces, las facturas de nadie dependen de ella.
Semana 4: producción con revisión y una decisión
- Pasa a producción con la revisión humana activa.
- Mide contra la línea base de la semana 1, con el mismo método.
- Decide con el responsable: seguir, ajustar o parar. Parar también es un buen resultado si se decide con datos.
¿Va tu piloto camino de producción?
Si ya tienes un piloto en marcha, estas ocho preguntas dicen si va camino de producción:
- ¿Funciona con datos reales de los últimos meses, no con una muestra elegida?
- ¿Hay una persona de negocio con nombre y una cifra medida antes de empezar?
- ¿Está escrito qué resultado haría parar el proyecto?
- ¿Escribe en el sistema que el equipo ya usa, o alguien copia y pega?
- ¿Está decidido qué revisa una persona antes de que algo salga?
- ¿Queda registro de lo que leyó, propuso e hizo?
- ¿Sabes cuánto cuesta cada operación y cuánto costará con el volumen real?
- ¿Hay una fecha para decidir si sigue, se ajusta o se para?
Cada «no» es una razón concreta por la que el piloto puede quedarse donde está.
Un ejemplo: las facturas de proveedor que llegan por correo
Ejemplo ilustrativo. No describe a ningún cliente y las cifras están inventadas para mostrar el método.
Una distribuidora de veinte personas recibe unas 400 facturas de proveedor al mes por correo, en PDF. Una persona de administración las abre, teclea proveedor, fecha, base, IVA y total en el ERP y archiva el PDF. Alguien prueba un modelo con veinte facturas de muestra y extrae bien casi todos los campos. Todos de acuerdo en que funciona. Tres meses después, nadie lo usa.
Qué pasó: las facturas reales incluían escaneos, abonos y documentos de varias páginas; el ERP no tenía API y el resultado había que copiarlo a mano; y nadie había medido cuánto tiempo llevaba el trabajo antes, así que nadie podía decir si ahorraba algo.
El mismo flujo, en cuatro semanas:
- Semana 1. Se mide: 400 facturas al mes, unos tres minutos cada una, unas veinte horas al mes. Se exportan los PDF de los últimos tres meses, abonos y escaneos incluidos. La responsable de administración fija la regla: si en una factura la base más el IVA no da el total, no entra sola.
- Semana 2. El sistema procesa en sombra las facturas del mes anterior y cada fallo se clasifica: escaneo ilegible, abono, proveedor nuevo.
- Semana 3. Como el ERP no tiene API, el sistema genera el fichero de importación que el ERP ya acepta. Las facturas que cuadran pasan a una cola de aprobación; las que no, a una persona, con el campo dudoso marcado.
- Semana 4. Producción. La responsable aprueba por lotes y se mide el tiempo con el mismo método que en la semana 1. Con ese dato se decide si sigue, se ajusta o se para.
Lo que convirtió la prueba en un flujo que se usa fue la exportación real, el fichero de importación, la regla de cuadre y una persona que aprueba.
¿Cómo lo hacemos en SME Analytica?
Llevar un flujo de piloto a producción es lo que hace nuestro Lanzamiento: de 3 a 4 semanas sobre tus sistemas reales, con su registro y su revisión humana. Si no tienes claro qué flujo, un Reconocimiento de precio cerrado mapea antes tus sistemas y se descuenta del Lanzamiento; ya En órbita, en producción, Control de Misión es la cuota mensual para el soporte y el siguiente flujo.
Si el piloto se ha quedado a medias porque los sistemas son antiguos, empieza por cómo integrar IA en sistemas heredados sin sustituirlos. Si dudas entre un agente y un flujo, lee agentes de IA vs flujos de trabajo. Y si quieres que miremos el tuyo, cuéntanos en qué punto está.
Fuentes
- PwC, 29th Global CEO Survey, nota de prensa, enero de 2026.
- Deloitte, State of AI in the Enterprise, nota de prensa, enero de 2026.
- McKinsey, The state of AI in 2026: On the road to ROI, 25 de agosto de 2026.
- BCG, The Widening AI Value Gap: Build for the Future 2025, nota de prensa, 30 de septiembre de 2025.
- Gartner, notas de prensa del 29 de julio de 2024 (IA generativa) y del 25 de junio de 2025 (IA agéntica).
Fuentes leídas el 19 de noviembre de 2026. Son encuestas a empresas grandes y predicciones de analistas; la lectura para pymes es nuestra.
Preguntas frecuentes
¿Por qué se estancan los pilotos de IA?
Casi nunca por el modelo. Se estancan porque se prueban con datos de muestra, sin un responsable con una cifra medida antes de empezar, sin conexión con los sistemas que el equipo ya usa, sin un punto de control humano definido y sin conocer el coste de operar con el volumen real.
¿Qué porcentaje de pilotos de IA llega a producción?
No hay una cifra única y fiable. En la encuesta de Deloitte publicada en enero de 2026, con 3.235 directivos de negocio y TI, solo el 25 % de los encuestados había pasado a producción el 40 % o más de sus pilotos de IA.
¿Cuánto se tarda en pasar un piloto de IA a producción?
Un solo flujo bien acotado puede llegar a producción en unas cuatro semanas si se trabaja con datos reales desde el primer día: una semana para medir y preparar los datos, una para construir y correr en sombra, una para conectar con los sistemas y una para pasar a producción con revisión humana y decidir.
¿Qué es correr un sistema de IA en sombra?
Ponerlo a funcionar junto al proceso actual sin que actúe: propone, pero el equipo sigue haciendo el trabajo como siempre, y cada día se compara lo que propuso con lo que hizo la persona. Así se miden los fallos con datos reales antes de que lleguen a un cliente.
Compartir este artículo
¿Tienes un flujo como este?
Lo mapeamos con tu equipo, lo conectamos a las herramientas que ya usas y lo mantenemos en producción.
Hablemos