Al principio no lo notó.

Las metas de velocidad del sprint subieron. Los plazos esperados para las solicitudes de funcionalidades se acortaron. Su backlog creció un tercio en dos meses. Cuando lo planteó con su jefe, la respuesta fue casual — casi alegre: “Acabamos de incorporar Copilot y Claude Code para todo el equipo de ingeniería. Deberíamos estar avanzando más rápido ahora.”

Es product manager en una empresa de tecnología de tamaño mediano. Su trabajo es traducir entre los objetivos de negocio y la capacidad de ingeniería. Y de la noche a la mañana, la traducción cambió. Los líderes habían comprado herramientas de programación con IA y asumieron que la ecuación era simple: el mismo equipo más IA equivale a más producción. Su calendario no se alivió. Se llenó más — porque ahora se esperaba que definiese el alcance de más funcionalidades al mismo ritmo, para un equipo que todavía estaba aprendiendo a usar las herramientas que le habían entregado tres semanas antes.

Cuando protestó — explicando que las herramientas de IA requieren rediseño de flujos de trabajo, que el equipo necesitaba capacitación, que “más rápido” no significa “más” — la respuesta de los líderes fue tres palabras que capturaron un problema de 684 mil millones de dólares: “Solo añade el botón de chat a la app.”

Un botón. Una burbuja. Un pequeño dibujo en pantalla.

Él no lo sabía entonces, pero acababa de describir cómo se ve el 80% de la adopción de IA desde adentro — y dos de las mayores empresas de IA del mundo acababan de gastar $11,5 mil millones confirmando que tenía razón.

Los números que nadie quería publicar

En 2025, las grandes empresas a nivel global invirtieron 684 mil millones de dólares en iniciativas de IA. Según el análisis de RAND Corporation, el 80,3% de esos proyectos no logró entregar el valor de negocio esperado.

Ese número merece ser considerado un momento. Ocho de cada diez proyectos de IA — financiados, dotados de personal, lanzados — no hicieron lo que se suponía que debían hacer.

El desglose es revelador. De los fracasos, el 33,8% fue abandonado antes de llegar a producción — murieron en la etapa piloto, en la prueba de concepto, en la reunión donde alguien finalmente preguntó “¿qué problema estamos resolviendo?”. Otro 28,4% llegó a completarse pero no entregó el valor esperado — el sistema funcionó, técnicamente, pero nadie lo usó, o resolvió el problema equivocado, o el flujo de trabajo que se suponía debía mejorar ya se había adaptado alrededor de él.

El porcentaje de organizaciones que abandonaron al menos una iniciativa de IA saltó del 17% al 42% en dos años. Los servicios financieros — la industria que más gasta en IA — lidera la tasa de fracaso con un 82,1%. La salud está en el 78,9%. La manufactura en el 76,4%.

Y este es el hallazgo que explica casi todo lo demás: los proyectos con recursos dedicados a la gestión del cambio tienen éxito a 2,9 veces la tasa de los que no los tienen. La diferencia entre el 20% que funciona y el 80% que no es, ni el modelo, ni el cómputo, ni los datos. Es si alguien preparó a las personas.

El problema del botón

El tomador de decisiones que cree que la IA es un botón representa un modo de fallo específico que la industria ha sido reacia a nombrar: analfabetismo ejecutivo en IA.

No es que estos ejecutivos sean estúpidos. Muchos de ellos construyeron empresas exitosas, navegaron mercados complejos, tomaron decisiones bajo incertidumbre durante décadas. Pero la IA no es como las adopciones tecnológicas anteriores. Cuando le dabas a un equipo Excel, podían empezar a usarlo al día siguiente — la metáfora de la hoja de cálculo era intuitiva, la curva de aprendizaje era manejable, el resultado era visible. Cuando le dabas a un equipo una herramienta de gestión de proyectos, el cambio de flujo de trabajo era significativo pero acotado — podías ver dónde terminaba el proceso antiguo y dónde comenzaba el nuevo.

La IA no funciona así. La IA cambia la forma del trabajo en sí misma. Un asistente de programación no solo acelera la escritura de código — desplaza en qué invierte su tiempo un desarrollador, lo que cambia el significado de la revisión de código, lo que cambia cómo se gestiona la deuda técnica, lo que cambia cómo se definen los alcances de los proyectos. Un agente de soporte al cliente no solo responde más rápido — cambia lo que gestionan los agentes humanos, lo que cambia los perfiles de contratación, lo que cambia los programas de capacitación, lo que cambia toda la estructura de costos del soporte.

El ejecutivo que dice “añade el botón de chat” está aplicando el modelo mental del software antiguo a un problema de IA. Instala la herramienta, capacita al equipo, mide el resultado. Pero la IA no tiene un cambio de flujo de trabajo acotado. Tiene uno en cascada. Y si los líderes no entienden eso — si creen que están comprando un botón cuando en realidad están comprando una transformación de procesos — el proyecto se unirá al 80%.

Hay un modo de fallo que las estadísticas no capturan: la vergüenza. Cuando una herramienta nueva no funciona como alguien espera, la mayoría de la gente no levanta la mano. Lo intenta de nuevo. Y otra vez. Y otra vez más — creando silenciosamente duplicados, soluciones alternativas y errores que se acumulan antes de que alguien lo note. En un despliegue real que observamos, una operaria creó cuatro registros duplicados sin decirle nada a nadie porque le daba vergüenza preguntarle a su jefe cómo funcionaba el sistema. El problema no era la herramienta. Tampoco era la capacitación — no había capacitación. Era que nadie había creado un espacio seguro para decir “no entiendo”. La gestión del cambio no es solo un marco de procesos. Es permiso para estar confundido en voz alta.

La confesión

El 4 de mayo de 2026 — el mismo día, con pocas horas de diferencia — OpenAI y Anthropic anunciaron cada uno iniciativas de consultoría empresarial.

OpenAI lanzó “The Deployment Company”, un vehículo de $10 mil millones respaldado por TPG y 19 inversores, con un retorno anual garantizado del 17,5%. Liderada por el COO Brad Lightcap, ya está en conversaciones para adquirir tres firmas de servicios de IA. OpenAI simultáneamente profundizó sus alianzas con McKinsey, BCG, Accenture y Capgemini — los mismos gigantes de la consultoría que cobran $500 por hora para decirle a las empresas lo que sus propios empleados ya saben.

Anthropic anunció una empresa conjunta de $1,5 mil millones con Goldman Sachs, Blackstone y Hellman & Friedman, modelada explícitamente en el enfoque de ingeniería de despliegue avanzado de Palantir: insertar ingenieros dentro de la empresa cliente para rediseñar los flujos de trabajo desde adentro. En paralelo, EPAM lanzó un programa para capacitar a 10.000 “arquitectos certificados en Claude” y 250 ingenieros especializados “Black Belt”.

Dos empresas. El mismo día. La misma admisión: el modelo solo no es suficiente.

Esto no es un giro estratégico. Es una confesión. Durante cuatro años, los laboratorios de IA de frontera vendieron modelos — APIs, suscripciones, tokens. La promesa implícita era que el modelo haría el trabajo. Solo conéctalo. Cuanto más inteligente sea el modelo, más valor crea. Escala el modelo, escala el valor.

La tasa de fracaso del 80% es el recibo de esa promesa.

Lo que realmente están vendiendo

Mira más allá de los comunicados de prensa y los anuncios de alianzas. Lo que OpenAI y Anthropic venden ahora no es consultoría. No son “servicios de transformación de IA”. Ni siquiera es experiencia.

Están vendiendo el manual que debería haber venido con el producto.

Cuando compras un auto, el fabricante asume que sabes manejar. Si el 80% de los compradores chocara en un año, el fabricante no diría “nuestro auto está bien, los conductores son malos”. Rediseñaría el auto o empezaría a vender clases de manejo.

Los laboratorios de frontera eligieron las clases de manejo. Pero no las llamaron clases de manejo — las llamaron “iniciativas de servicios empresariales de IA” y las pusieron a precio de $10 mil millones.

Lo brillante de este movimiento — y es genuinamente inteligente — es que convierte un fracaso del producto en una fuente de ingresos. ¿El modelo no funciona en la empresa? Ese no es un problema. Es un mercado. Vende el modelo. Luego vende la consultoría para que el modelo funcione. Luego inserta tus ingenieros dentro de la empresa tan profundamente que salir significa arrancar no solo el modelo sino todo el flujo de trabajo que fue reconstruido a su alrededor.

Esto es lock-in a una profundidad que las empresas de SaaS solo podían soñar. Salesforce se inserta en tu pipeline de ventas. Oracle se inserta en tu base de datos. OpenAI y Anthropic se están insertando en tus operaciones, con sus propios ingenieros sentados junto a tus empleados, rediseñando cómo tu empresa hace su trabajo real.

El patrón Palantir

La comparación con Palantir no es incidental — tanto Anthropic como OpenAI la referencian explícitamente. Y el manual de Palantir es instructivo.

Los ingenieros de despliegue avanzado de Palantir no solo instalan software. Aprenden el negocio del cliente, identifican dónde las herramientas de Palantir pueden añadir valor, construyen integraciones personalizadas y se convierten en los custodios del conocimiento institucional sobre cómo funciona el sistema de IA dentro de esa organización específica. Con el tiempo, el ingeniero de Palantir se vuelve indispensable — no porque el software sea irremplazable, sino porque el ingeniero es la única persona que entiende cómo el software se conecta con los procesos únicos de la empresa.

Cuando llega el momento de renovar el contrato, la pregunta no es “¿vale la pena este software?”. La pregunta es “¿podemos permitirnos perder a la persona que entiende cómo funciona todo?”.

Ese es el modelo que OpenAI y Anthropic están adoptando. No licencias de software. No precios por API. Dependencia organizacional. El tipo de lock-in donde el costo de salida no es una migración — es una reorganización.

Lo que esto significa para el 80%

La verdad incómoda es que las iniciativas de consultoría probablemente mejorarán las tasas de adopción de IA empresarial. Los ingenieros incrustados que entienden tanto el modelo como el negocio del cliente producirán mejores resultados que un tomador de decisiones que cree que la IA es un botón. Los proyectos tendrán éxito con más frecuencia. El ROI se materializará. La tasa de fracaso del 80% bajará.

Y ese es exactamente el problema.

La mejora vendrá en parte de que las empresas desarrollen su propia capacidad en IA — la gente aprende con el uso, y la curva de aprendizaje es real aunque sea lenta. Pero el modelo de consultoría comprime esa curva alquilando experiencia en lugar de construirla. La empresa aprende más rápido, pero el conocimiento más profundo — cómo el modelo se conecta al flujo de trabajo específico, por qué ciertas configuraciones funcionan y otras no — vive en la cabeza del consultor, no en el organigrama del cliente.

Cuando llegue la próxima generación de modelos — y siempre llega — la empresa necesitará los mismos ingenieros incrustados para adaptar el nuevo modelo a los mismos flujos de trabajo. El contrato de consultoría se renueva. La dependencia se profundiza. El lock-in se acumula.

La tasa de fracaso del 80% era un problema. Las iniciativas de consultoría lo resuelven. Pero lo resuelven de la misma manera que un medicamento resuelve un síntoma: creando una dependencia que requiere el mismo medicamento indefinidamente.

La alternativa que nadie está vendiendo

Hay otro camino, y es el que nadie está empaquetando en un vehículo de $10 mil millones: construir la capacidad internamente.

Las empresas que caen en el 20% que tiene éxito tienen una cosa en común — no mejores modelos, no presupuestos más grandes, sino gestión del cambio dedicada. Alguien dentro de la organización cuyo trabajo es entender la herramienta, rediseñar los procesos, capacitar a las personas e iterar en la implementación. No el ingeniero de un proveedor. No un consultor que se va al terminar el encargo. Alguien que se queda, que acumula contexto, que entiende por qué la empresa hace las cosas como las hace.

La ironía es aguda. Los laboratorios de IA están construyendo equipos de ingeniería de despliegue avanzado porque saben que el contexto — profundo, específico, institucional — es lo que hace que la IA funcione en la práctica. Y tienen razón. Pero están vendiendo ese contexto como un servicio en lugar de ayudar a las empresas a construirlo por sí mismas.

Un desarrollador en Santiago corre siete instancias de IA en una mini-PC que cuesta menos que un mes de consultoría empresarial. Fijó su versión de CLI, desactivó las actualizaciones automáticas, configuró sus propios niveles de razonamiento y construyó un protocolo de comunicación entre instancias usando texto plano sobre HTTP. Sin proveedor. Sin consultor. Sin ingeniero incrustado. Solo alguien que decidió entender la herramienta en lugar de esperar a que otra persona la entendiese por él.

Ese es el 20%. No un presupuesto. No una alianza. Una decisión.

La aguja en el pajar

El product manager que describió la comprensión de su empresa sobre la IA como “un botón en la app” no sabía que estaba describiendo un problema de 684 mil millones de dólares. Solo estaba desahogándose sobre su trabajo.

Pero esa frustración — la brecha entre lo que los líderes creen que hace la IA y lo que realmente requiere — es el mercado que dos empresas de billones de dólares acaban de gastar $11,5 mil millones en abordar. No porque les importe la frustración del product manager. Sino porque se dieron cuenta de que la frustración es una fuente de ingresos.

La tasa de fracaso del 80% fue lo mejor que le pudo haber pasado a los laboratorios de IA de frontera. Demostró que el modelo no era suficiente. Y al demostrar que el modelo no era suficiente, creó el mercado para todo lo demás que querían vender.

Por qué realmente fracasan

Debajo de las estadísticas, debajo de las iniciativas de consultoría y las estrategias de lock-in, hay una explicación más simple de por qué fracasa el 80% de la adopción de IA. No es técnica. No es financiera. Es filosófica.

Las empresas que fracasan preguntan: “¿A cuántas personas podemos reemplazar?”

Las empresas que tienen éxito preguntan: “¿Qué pueden hacer ahora estas personas que antes no podían?”

La primera pregunta lleva al botón — instala la herramienta, reduce la plantilla, aumenta el margen. IA como reducción de costos. El tomador de decisiones que dice “añade el botón de chat” está respondiendo la primera pregunta. No necesita entender la herramienta porque el trabajo de la herramienta es eliminar la necesidad de comprensión. Conéctala, reduce el equipo, reporta los ahorros.

La segunda pregunta lleva a la infraestructura. Lleva a un desarrollador que fija su versión de CLI porque quiere que el modelo haga exactamente lo que necesita, no lo que el predeterminado ofrece. Lleva a una flota de nueve instancias de IA distribuidas en tres máquinas, cada una especializada, cada una acumulando contexto que la hace más útil con el tiempo. Lleva a una operaria en una notaría que — tras fallar cuatro veces en silencio — obtiene un canal de soporte dedicado construido específicamente para que pueda hacer preguntas sin vergüenza. Nadie fue reemplazado. El sistema ganó capacidades que antes no tenía.

El 80% trata la IA como un reemplazo del juicio humano. El 20% la trata como una extensión de la capacidad humana. La diferencia no es el modelo. No es el presupuesto. Es lo que la persona en la cima cree que compró.

La confesión está sobre la mesa. La pregunta es si las empresas la escucharán como una advertencia — prepara a tu gente, o alguien más lo hará por ti a un precio que nunca dejarás de pagar — o como una invitación a firmar el próximo contrato.