El 75% de los proyectos de IA no generan retorno. Cómo no ser uno de ellos

Más de 500.000 millones de dólares anuales. Eso es lo que la industria de la inteligencia artificial invierte en infraestructura. Meta ha elevado su guía de capex a 115.000-135.000 millones. Microsoft supera los 120.000 millones anualizados. Amazon se acerca a los 200.000 millones.

Solo el 5%. Eso es lo que genera valor real a escala con IA.

Ese dato, publicado por BCG en 2025, debería ser la primera diapositiva de cualquier comité de dirección que esté evaluando inversiones en inteligencia artificial. No porque la IA no funcione — funciona — sino porque la distancia entre “la tecnología funciona” y “la inversión tiene retorno” es enorme, y la mayoría de organizaciones la cruzan mal.

Los números que la industria prefiere no juntar

Lo que se invierte

La concentración de capital en IA no tiene precedente en la historia de la tecnología:

• 2023: 75.000 millones de dólares en capital riesgo para IA (~30% del VC global)
• 2024: 131.000 millones (45% del VC global)
• 2025: 258.700 millones (61% del VC global, según la OCDE)
• Q1 2026: Solo cuatro mega-rondas (OpenAI, Anthropic, xAI, Waymo) acapararon el ~65% de todo el capital riesgo del trimestre

189.000 millones de dólares en un solo mes. En febrero de 2026, el 83% de esa financiación global se concentró en tres empresas. Es la concentración más extrema de la historia del sector tecnológico.

Lo que se obtiene

• Solo el 5% de las empresas genera valor sustancial a escala con IA (BCG, 2025)
• El 75% de los proyectos de IA no alcanza el ROI esperado
• Errores de estimación: los costes reales de proyectos de IA superan el 500-1.000% del presupuesto inicial
• Costes ocultos: preparación de datos, mantenimiento, reentrenamiento, gobernanza — pueden representar el 60-80% del coste total de propiedad

Se invierte más que nunca. Se obtiene menos de lo esperado. La brecha entre capital y retorno no se cierra — se ensancha.

Tres curvas a velocidades distintas

Lo que define la situación actual es que tres curvas fundamentales avanzan a velocidades muy diferentes:

1. Mejora técnica — Se está desacelerando. Cada salto de rendimiento cuesta más y es más incremental. El paso de GPT-4 a GPT-5 costó significativamente más que el de GPT-3 a GPT-4, con mejoras proporcionalmente menores.

2. Adopción — Es rápida pero superficial. Muchas empresas usan IA, pero pocas la integran en procesos críticos de negocio. La brecha de adopción entre grandes empresas y pymes se duplica respecto a otras tecnologías.

3. Monetización sostenible — Es la más lenta. La mayoría de modelos de negocio basados en IA generativa aún no demuestran márgenes sanos a escala. El caso de Sora (ingresos totales de 2,1 millones de dólares frente a costes de 15 millones diarios antes de su cierre en marzo 2026) es un recordatorio brutal de lo difícil que es convertir capacidad técnica en negocio viable.

Cuando la inversión va por delante de las tres curvas, hay un problema. No necesariamente una burbuja — el capital de los hiperescaladores se apoya en efectivo, no en deuda — pero sí un desequilibrio que tarde o temprano se ajusta.

Por qué fracasa el 75%

Analizando los patrones de fracaso documentados, las causas se repiten con una consistencia reveladora.

1. Dispersión de esfuerzos

Las empresas que fracasan intentan abordar 6 o más casos de uso simultáneamente. Las que triunfan se concentran en 3-4 y los llevan a producción antes de expandir.

La tentación de “hacer algo con IA en cada departamento” es la forma más cara de no conseguir nada.

2. No medir el retorno

Muchos proyectos de IA se lanzan sin una métrica clara de éxito. “Mejorar la productividad” no es una métrica. “Reducir el tiempo de procesamiento de reclamaciones de 4 horas a 20 minutos” sí lo es.

Sin medición, no hay optimización posible.

3. Subestimar los costes ocultos

El precio de la API es la parte visible del iceberg. Por debajo está todo lo demás:

• Preparación de datos: 100.000-380.000 dólares para un proyecto medio
• Mantenimiento anual: 15-30% del coste de infraestructura
• Reentrenamiento: cada vez que cambian los datos o el contexto
• Gobernanza: cumplimiento normativo, sesgo, privacidad
• Deuda técnica: integraciones frágiles que acumulan coste con el tiempo

La factura de la API puede ser el 20% del coste real. El otro 80% no aparece en ningún pitch deck.

4. Automatizar sin plan humano

La IA que elimina tareas sin ofrecer alternativas a las personas afectadas genera resistencia interna, pérdida de conocimiento institucional y riesgo reputacional.

Las empresas exitosas usan la IA para liberar tiempo de sus equipos, no para prescindir de ellos.

5. Usar el modelo equivocado

Existe una tendencia a usar el modelo más potente disponible para cualquier tarea. Pero usar GPT-5 para clasificar emails es como usar un camión de 40 toneladas para ir a comprar el pan.

La diferencia de consumo — y de coste — entre un modelo flash y uno frontier puede ser de x10 para el mismo resultado.

Qué hacen diferente las empresas del 5%

Las empresas que sí generan valor a escala con IA comparten un patrón consistente. No es suerte — es método.

Se concentran. 3-4 casos de uso bien definidos, con métricas claras, llevados a producción completa antes de añadir más.

Miden obsesivamente. No solo miden el rendimiento del modelo — miden el impacto de negocio. Tiempo ahorrado. Errores evitados. Ingresos incrementales. Coste total de propiedad.

Invierten en personas. El 70% de sus recursos van a personas y procesos, no a tecnología. La IA es la herramienta; el equipo es quien la hace funcionar.

Empiezan pequeño. Prototipo en semanas, piloto en meses, escala en trimestres. No intentan transformar toda la organización de golpe.

Eligen el modelo adecuado. No el más potente — el más apropiado para cada tarea. Un modelo de 3.000 millones de parámetros bien afinado puede superar a uno de 400.000 millones mal aplicado.

El patrón de éxito no es gastar más. Es concentrar, medir y escalar solo lo que funciona.

¿Burbuja o transformación? La pregunta del medio billón

La pregunta “¿está la IA en una burbuja?” no tiene una respuesta binaria. La realidad es más matizada:

• La tecnología funciona. Los modelos son capaces, los casos de uso son reales, el valor potencial es enorme.
• Los ingresos existen. Las empresas de IA generan miles de millones en facturación real.
• Pero el capital va muy por delante. La inversión en infraestructura supera con creces la demanda demostrada. La brecha entre capex e ingresos del ecosistema IA es de casi 600.000 millones de dólares anuales.

La analogía más útil es la burbuja de la fibra óptica de 1998-2000: la infraestructura resultó valiosa a largo plazo, pero los inversores originales perdieron dinero. La IA probablemente seguirá un patrón similar — la tecnología se queda, pero no todo el capital invertido tendrá retorno.

No es momento de no invertir en IA. Es momento de invertir con criterio. Cada euro debe tener una métrica de retorno clara, un plazo realista y un plan B.

¿Qué puedo hacer yo?

• Si diriges una empresa: Antes de aprobar una inversión en IA, exige respuesta a tres preguntas: ¿qué métrica de negocio mejora? ¿Cuál es el coste total de propiedad (no solo la API)? ¿Qué pasa con las personas cuyas tareas se automatizan? Si no hay respuesta clara a las tres, el proyecto no está listo.

• Si estás evaluando proveedores de IA: Pide datos de consumo energético por servicio. Bajo el marco CSRD europeo, tu huella de carbono incluye los servicios que contratas. Si un proveedor no puede decirte cuánto consume su servicio, pregúntate por qué.

• Si eres CTO o responsable técnico: Empieza con el modelo más pequeño que resuelva la tarea. Escala solo cuando los datos lo justifiquen. Mide el coste total — no solo la latencia y la precisión, también la energía y el mantenimiento.

• Si eres profesional preocupado por tu empleo: La IA no sustituye a todos los profesionales, pero sí transforma la mayoría de las profesiones. Invertir en entender las herramientas — qué pueden hacer, qué no, cuánto cuestan realmente — es la mejor inversión profesional que puedes hacer ahora mismo.

• Para todos: Haz nuestro test de madurez en IA sostenible para evaluar dónde está tu organización y qué pasos dar.