Por qué fracasan los proyectos de IA: checklist

Cuando analizamos por qué fracasan los proyectos de IA, casi siempre llegamos a las semanas que siguen a una demo que salió bien. El chatbot respondía con soltura y en la reunión todo el mundo asentía. Tres meses después, nadie lo usaba.

En Addmira, agencia web y de transformación digital de Barcelona, nos pasa a menudo que una empresa nos pide «terminar» algo que empezó otro equipo, y el modelo funciona pero el proyecto está parado. Los datos de Gartner y McKinsey cuentan lo mismo a mayor escala. Lo que falla suele estar alrededor del modelo, en los datos sin preparar, los costes que nadie calculó o los riesgos que no tienen responsable.

Aquí repaso las causas que más vemos y te dejo un checklist de gobernanza, límites y supervisión humana para que el proyecto pase del piloto al día a día, con ejemplos de webs, CRM y atención al cliente.

Por qué fracasan los proyectos de IA justo después de la demo

En resumen: según Gartner y McKinsey, la mayoría de los proyectos de IA fallan por lo que rodea al modelo, como un caso de uso sin indicador de negocio, datos sin preparar, costes que se disparan al escalar, riesgos sin responsable o procesos que nadie rediseña.

Un piloto está diseñado para salir bien, con datos seleccionados, preguntas conocidas y alguien vigilando cada respuesta. En producción hay clientes reales, datos incompletos, picos de uso a deshoras y consecuencias legales si algo sale mal.

Lo que dicen los datos de Gartner y McKinsey

Fuente y fecha	Dato clave
Gartner, mayo de 2026	El 40 % de las empresas degradará o retirará agentes de IA autónomos antes de 2027 por fallos de gobernanza que solo se detectan tras un incidente en producción.
Gartner, septiembre de 2026	Solo el 22 % de las organizaciones ha conseguido escalar la IA en varias unidades de negocio, según una encuesta a 1.303 empresas.
McKinsey, agosto de 2026	El 44 % de las organizaciones escala la IA en toda la empresa, pero solo el 37 % le atribuye impacto en su resultado operativo.

Lo que un piloto no te dice

Un piloto o prueba de concepto responde a «¿puede la IA hacer esta tarea?», pero no a si compensa hacerla cada día.

Por eso distinguimos entre un piloto de laboratorio, que mide la capacidad técnica, y un piloto de operación, que comprueba si el proceso completo aguanta con personas, datos y costes reales. En la mayoría de los proyectos que nos llegan solo se hizo el primero.

Cinco causas de los proyectos de IA que no llegan a producción

Un caso de uso elegido por moda

«Necesitamos un chatbot con IA» no es un objetivo. Si el caso de uso no está ligado a un indicador concreto (tiempo de respuesta, coste por lead, horas de trabajo manual), nadie podrá defender el presupuesto. Para elegir bien, revisa qué procesos conviene automatizar con agentes de IA.

Datos que nadie ha preparado

Un modelo necesita datos preparados para la IA, y en una web eso suele chocar con catálogos desactualizados o un CRM desordenado.

Costes que solo aparecen al escalar

Cincuenta conversaciones de prueba cuestan muy poco, pero cinco mil al mes ya se notan en la factura. Según McKinsey, una de cada cinco organizaciones ya limita su uso de la IA por los costes operativos, incluido el gasto en tokens. Y Gartner añade que un 11 % ni siquiera sabe cuánto gastó en IA en 2025.

Riesgos sin dueño

En febrero de 2024, un tribunal de Columbia Británica (Canadá) obligó a Air Canada a respetar una política de reembolso que su chatbot se había inventado. Si tu asistente promete algo en tu web, puede que tengas que cumplirlo.

Procesos que siguen igual que antes

Según McKinsey, casi tres cuartas partes de las empresas con mejores resultados han rediseñado a fondo sus flujos de trabajo, frente a una cuarta parte del resto.

Gobernanza de la IA en la empresa sin convertirla en burocracia

La gobernanza de la IA en la empresa consiste en decidir de antemano quién manda, qué se permite y cómo se comprueba que todo va bien. Un buen punto de partida es el Marco de Gestión de Riesgos de IA del NIST, que organiza el trabajo en cuatro funciones (gobernar, mapear, medir y gestionar).

Quién decide, quién responde y quién apaga

En Addmira lo llamamos la regla de los tres nombres, porque todo proyecto de IA en producción necesita tres personas concretas, no tres departamentos.

Quien decide define el objetivo y el indicador de éxito.
Quien responde revisa los errores y puede corregir el sistema.
Quien apaga tiene permiso y medios para desactivar la IA en minutos.

Qué datos pueden entrar en el sistema y cuáles no

¿Puede el asistente leer el CRM completo o solo las fichas de producto? ¿Se envían datos personales a un proveedor externo? Las respuestas afectan al cumplimiento del RGPD. Y si no hay una herramienta oficial clara, aparece la IA en la sombra y la gente acaba pegando información sensible en servicios gratuitos.

Hasta dónde puede actuar la IA sola

Sin límites claros, el equipo acaba revisándolo todo a mano o nada.

Tres niveles de autonomía

Sugerir. La IA propone y una persona decide, como en los borradores de respuesta o la clasificación de leads.
Actuar con aprobación. La IA prepara la acción y necesita un visto bueno, como en un presupuesto orientativo.
Actuar con auditoría. La IA ejecuta sola y alguien revisa una muestra después, como en las preguntas sobre horarios o envíos.

Los descuentos y las decisiones sobre personas se quedan en el primer nivel. Gartner recomienda algo parecido, con más controles cuanto más autonomía tiene cada agente.

Criterios para parar un piloto a tiempo

Lo que más echo en falta es decidir antes de empezar qué resultado obliga a parar. Si el coste por conversación supera un umbral o los errores graves no bajan en cuatro semanas, el piloto se para o se reorienta. Sin ese criterio, el piloto se alarga meses como un proyecto zombi que nadie cierra.

Supervisión humana de la IA que no se quede en un trámite

Para que la supervisión humana de la IA sirva de algo, quien supervisa tiene que saber qué buscar y tener permiso para actuar.

Lo que pide el Reglamento europeo de IA

El artículo 14 del Reglamento (UE) 2024/1689 de inteligencia artificial exige, para los sistemas de alto riesgo, que quienes supervisan entiendan sus limitaciones, puedan anular sus resultados y dispongan de un mecanismo para detenerlo. Tras el Ómnibus Digital aprobado en 2026, estas obligaciones se aplican a los sistemas del anexo III desde el 2 de diciembre de 2027 (lo detallamos en nuestra guía de la Ley de IA para pymes). La mayoría de los usos en una web corporativa no son de alto riesgo, pero el artículo 14 es una buena referencia.

Cómo evitar que la revisión humana se convierta en un sello de goma

El problema habitual es el sesgo de automatización. Cuando la IA acierta casi siempre, quien revisa deja de leer y empieza a aprobar, y Gartner avisa de que la revisión humana solo funciona mientras siga siendo un control real. Nos funciona revisar una muestra aleatoria con atención real, medir cuántas respuestas se corrigen y dar al revisor tiempo en su jornada.

Checklist para pasar del piloto a producción

Lo usamos como filtro y, si una casilla queda sin marcar, el proyecto no avanza.

Antes de empezar el piloto

El caso de uso está ligado a un indicador de negocio medible.
Hay una persona responsable con tiempo asignado.
Se han revisado la calidad, el origen y los permisos de los datos.
Están definidos los criterios para parar y el coste por uso a volumen real.

Durante el piloto

Se prueba con datos y usuarios reales.
Cada tarea tiene asignado un nivel de autonomía.
Los errores se registran y se clasifican por gravedad.

Antes de abrirlo a clientes o a toda la plantilla

Hay un procedimiento documentado de supervisión humana.
La política de datos cumple el RGPD.
El proceso se ha rediseñado, no solo automatizado.

Por qué fracasan los proyectos de IA en las pymes (y cómo darle la vuelta)

Según McKinsey, el 54 % de las organizaciones con más de mil millones de dólares de facturación está escalando la IA en toda la empresa, frente a solo un tercio de las más pequeñas, una brecha que también muestran los datos de adopción de IA en pymes españolas. En las pymes con las que trabajamos, el error más habitual es abarcar demasiado.

Para escalar la IA en la empresa cuando eres pequeño, recomendamos empezar con un proceso, un indicador y un responsable. Elige una tarea acotada, mide su situación actual y lanza proyectos piloto de IA de seis a ocho semanas con los criterios de parada ya definidos. Por ejemplo, un asistente de preguntas frecuentes que primero sugiere respuestas al equipo y solo después responde en la web. No garantiza el éxito, pero reduce mucho el coste de equivocarse.

De la demo al día a día

Los datos de Gartner y McKinsey apuntan a lo mismo. Los proyectos se caen cuando, después de la demo, nadie se ocupa de operar la IA como un servicio. Si sabes por qué fracasan los proyectos de IA, puedes preparar desde el principio lo que muchos equipos descubren tarde, desde los datos y el coste a volumen real hasta los límites de la IA y una supervisión en la que alguien lea de verdad.

Todo esto cabe en una empresa pequeña. Basta con un caso de uso con su indicador, tres responsables con nombre propio, un criterio para parar y un checklist que se revisa antes de cada paso. Con eso, un proyecto pequeño tiene más opciones de llegar a producción que un programa ambicioso sin dueño.

En Addmira acompañamos a empresas de Barcelona y de toda España en este recorrido, desde la elección del caso de uso hasta la integración de la IA en su web, su CRM o sus procesos internos. Si tienes un piloto parado, una demo que nadie usa o una idea que quieres validar antes de invertir, escríbenos y lo revisamos contigo. Te diremos con franqueza qué merece la pena llevar a producción.

Preguntas frecuentes

¿Cuánto debe durar un proyecto piloto de IA?

Entre seis y ocho semanas. Es la duración que solemos plantear en Addmira para proyectos piloto de IA sobre procesos acotados, porque da tiempo a probar con datos reales sin que se convierta en un proyecto zombi.

¿Qué es la gobernanza de la IA en la empresa y la necesita una pyme?

La gobernanza de la IA en la empresa es el conjunto de reglas, responsables y controles sobre su uso. Una pyme también la necesita, aunque le suele bastar con un documento breve.

¿La supervisión humana de la IA es obligatoria?

Solo para los sistemas de alto riesgo. El Reglamento europeo de IA la exige desde el 2 de diciembre de 2027 para los del anexo III. Para el resto no es obligatoria, aunque ayuda a detectar errores antes de que los vea un cliente.

¿Qué porcentaje de proyectos de IA fracasa?

No hay una cifra única. Según Gartner, en 2026 solo el 22 % de las organizaciones ha escalado la IA en varias unidades de negocio, y McKinsey indica que solo el 37 % obtiene impacto en su resultado operativo.

¿Cómo sé si estoy preparado para escalar la IA en la empresa?

Estás preparado cuando tienes al menos un caso en producción con un indicador que mejora, un coste mensual controlado y una supervisión que se cumple.

Por qué fracasan los proyectos de IA y cómo evitarlo