¿Por qué fracasan el 85% de los Proyectos de IA? Lecciones desde la Consultoría 🤖
Errores comunes, expectativas irreales y la desconexión entre negocio y tecnología: aprendizajes de un Project Manager
¡Hola! Soy Jotãche y cada semana te envío una nueva edición de "AIPM News". La newsletter para quienes quieran iniciarse en el mundo del Project Management con una base sólida: contenido riguroso, enfoques actualizados y herramientas prácticas para llevar tu gestión al siguiente nivel. 👨🏻💻
Por otro lado, según el Project Management Institute (PMI), para el año 2030 se necesitarán —lee bien, existe una oportunidad real— más de 25 millones de nuevos profesionales en Project Management a nivel mundial ¿Te quedarás fuera? 👀
Y si este contenido te sirve, te inspira o simplemente te cae bien cómo suelo escribirlo, puedes invitarme un cafecito virtual. Estaré muy agradecido contigo. 🤍✨
Índice:
Introducción
La inteligencia artificial está en el centro de la innovación empresarial, prometiendo transformar –o destruir– industrias enteras y abrir nuevas oportunidades en todas las industrias. Sin embargo –ojo al dato–, la realidad detrás de los titulares es mucho más compleja: según diversos estudios, “hasta el 85% de los proyectos de IA no logran cumplir sus objetivos iniciales ni generar el impacto esperado en el negocio”. Como Project Manager, comprender las razones de este elevado índice de fracaso y las estrategias para evitarlo es indispensable para liderar proyectos exitosos y sostenibles.
En este artículo, profundizo en las causas, los retos y las mejores prácticas desde la consultoría, integrando experiencias reales, recomendaciones accionables y un enfoque en la ética, el flujo de trabajo de la IA y la innovación. El objetivo es que puedas anticiparte a los obstáculos más comunes y transformar la IA en un motor real de valor.
Expectativas vs. Realidad
La Generative Intelligence, el aprendizaje automático, el procesamiento del lenguaje natural y la automatización robótica están redefiniendo los límites de lo posible. Sin embargo, la mayoría de los proyectos de IA se quedan en el camino, generando frustración y escepticismo –sí, pero ¿por qué?–
Factores estructurales del fracaso
No hay match entre negocio y tecnología: Muchas iniciativas de IA nacen como experimentos técnicos sin una clara conexión con los objetivos estratégicos de la empresa.
Expectativas poco realistas: La sobreventa de la IA genera expectativas infladas sobre los plazos, el retorno de inversión y la facilidad de integración.
Gestión inadecuada del AI Workflow: La falta de comprensión sobre la naturaleza iterativa y experimental de los proyectos de IA dificulta la planificación y el seguimiento.
Problemas con los datos: La calidad, cantidad y relevancia de los datos disponibles suele ser inferior a lo esperado –en algunos casos, ni siquiera tienen datos–, limitando el potencial de los modelos.
Déficit de talento especializado: La escasez de perfiles que combinen visión de negocio, ciencia de datos y habilidades de gestión es un obstáculo recurrente.
Desafíos éticos y regulatorios: El cumplimiento de principios éticos y normativas de privacidad es cada vez más exigente y crítico para la reputación empresarial.
Aprendizajes y reflexiones desde la Consultoría
Lección 1: No todos los proyectos de IA son iguales
Uno de los errores más frecuentes que veo en startups y PYMEs es tratar los proyectos de IA como si fueran proyectos de software tradicionales –existen diferencias y muchas–. La gestión de proyectos de IA requiere una combinación única de metodologías: elementos de gestión tradicional, prácticas ágiles (Agile) y una comprensión profunda del AI Workflow.
Diferencias clave de los proyectos de IA:
Iteración constante: El desarrollo de modelos requiere ciclos de experimentación, ajuste y validación constante. No existe una única solución correcta, sino un proceso de mejora continua.
Dependencia de los datos: La calidad, cantidad y relevancia de los datos es crítica. Sin datos adecuados, incluso los mejores algoritmos fracasan.
Resultados inciertos: No siempre es posible predecir el éxito de un modelo hasta probarlo en producción.
Ética y transparencia: Las decisiones algorítmicas deben ser explicables y respetar principios éticos, especialmente en sectores regulados.
“Hay que experimentar mucho, y no siempre está claro qué experimentos tendrán éxito y cuáles requerirán más tiempo de estudio... diferentes formas de ajustar el modelo para que funcione mejor. Es difícil planificar ...” (Vial et al., 2023)
Lección 2: Enfoque multimétodo de la consultoría
Las consultoras especializadas han aprendido que el éxito en IA depende de combinar enfoques. En mi experiencia, los proyectos más exitosos integran –puede que este apartado en el tiempo varíe, la teoría de gestión aún está en constante evolución–:
Fases de definición y planificación tradicionales para clarificar objetivos, recursos y riesgos.
Sprints ágiles para iterar sobre modelos, validar hipótesis y ajustar soluciones.
Prácticas específicas del AI Workflow para el entrenamiento, validación y ajuste de modelos.
Evaluaciones regulares de viabilidad y alineación estratégica con el negocio.
Estrategias prácticas desde la consultoría:
Evaluar la viabilidad desde el inicio y de forma periódica: No tengas miedo de cancelar o pivotar un proyecto si no genera valor.
Redefinir el progreso: El avance no siempre es lineal; acepta la experimentación y los retrocesos como parte del proceso.
Alinear ciencia de datos con valor de negocio: No te dejes llevar solo por la sofisticación técnica; cada modelo debe tener un impacto tangible.
Fomentar equipos mixtos: La colaboración entre consultores de negocio y científicos de datos es esencial para el éxito.
“La gestión de proyectos de IA es un enfoque multimétodo que utiliza elementos de la gestión de proyectos tradicional, prácticas ágiles y prácticas de flujo de trabajo de IA... la presencia simultánea de estas tres lógicas... da lugar a conflictos y problemas en la gestión de proyectos de IA y el éxito... implica resolver los conflictos que surgen entre ellas.” (Vial et al., 2023)
Lección 3: Ocho conflictos comunes en la gestión de proyectos de IA
La convivencia de metodologías tradicionales, ágiles y específicas de IA genera tensiones. Estos son los conflictos más habituales que he identificado:
Diferentes expectativas sobre plazos y entregables.
Desacuerdos sobre la calidad y cantidad de datos necesarios.
Choques entre la necesidad de experimentar y la presión por resultados rápidos.
Falta de comprensión mutua entre perfiles técnicos y de negocio.
Problemas de comunicación y gestión del cambio.
Desafíos en la integración de modelos en sistemas legacy.
Cuestiones éticas y de privacidad de datos.
Dificultades para medir el ROI de la IA.
Cómo resolver estos conflictos
Establece canales de comunicación claros y frecuentes.
Define métricas de éxito compartidas desde el inicio.
Invierte en formación cruzada para que todos los miembros del equipo entiendan los fundamentos del negocio y la tecnología.
Prioriza la ética y la transparencia en cada fase del proyecto.
“Observamos que la presencia simultánea de tres lógicas... da lugar a conflictos y problemas en la gestión de proyectos de IA. En particular, destacamos la importancia de la lógica emergente del flujo de trabajo de IA y revelamos ocho nuevos conflictos que surgen cuando se añade esta tercera lógica a la gestión de proyectos de IA.” (Vial et al., 2023)
Lección 4: El valor de la experimentación y la gestión del fracaso
En IA, el fracaso no es el final, sino parte del proceso de innovación. Los proyectos exitosos son aquellos que aprenden rápido de los errores y adaptan su estrategia. Como Project Manager, tu rol es crear un entorno donde el equipo pueda experimentar, fallar y evolucionar sin miedo.
Buenas prácticas para fomentar la innovación
Crea ciclos cortos de experimentación y feedback.
Documenta tanto los éxitos como los fracasos.
Incentiva la colaboración y el intercambio de lecciones aprendidas.
Mantén siempre el foco en el valor para el negocio.
“La segunda estrategia consiste en considerar que los proyectos de IA requieren una conceptualización diferente del progreso, basada en la realización de tareas específicas del flujo de trabajo de la IA.” (Vial et al., 2023)
Lección 5: La ética como pilar fundamental
La ética en inteligencia artificial no es opcional. Desde la consultoría, insisto en que cada proyecto debe considerar:
Transparencia en los algoritmos y resultados.
Privacidad y protección de los datos.
No discriminación y equidad en los modelos.
Cumplimiento normativo y legal.
Herramientas y marcos para la ética en IA
Auditorías de sesgos en los datos y modelos.
Explicabilidad de los algoritmos (Explainable AI).
Protocolos de privacidad y anonimización de datos.
Comités de ética y revisión multidisciplinar.
Lección 6: La gestión del cambio y la adopción de la IA
La resistencia al cambio es uno de los grandes obstáculos. Es clave involucrar a los usuarios finales desde el inicio, comunicar los beneficios y formar a los equipos en nuevas competencias digitales.
Estrategias para facilitar la adopción
Workshops y sesiones de co-creación con stakeholders.
Pilotos y pruebas de concepto antes del despliegue total.
Soporte y formación continua post-implementación.
Lección 7: Medir el éxito más allá de la precisión técnica
Muchos proyectos se enfocan solo en la precisión del modelo, olvidando el impacto en el negocio. Es fundamental definir desde el inicio KPIs claros y alineados con los objetivos estratégicos de la empresa.
Ejemplos de métricas relevantes
Reducción de costes operativos.
Incremento en la satisfacción del cliente.
Mejora en la eficiencia de procesos.
Cumplimiento de estándares éticos y regulatorios.
Lección 8: El rol de la innovación y la estrategia en la IA
La IA no es solo tecnología, es una palanca de innovación y transformación. Como Project Manager, tu visión estratégica marcará la diferencia. La IA debe estar integrada en la estrategia de negocio, no ser un experimento aislado.
Cómo alinear IA e innovación empresarial
Identifica áreas de alto impacto y quick wins.
Evalúa la madurez digital de tu organización.
Construye una hoja de ruta realista y flexible.
Mide y comunica el valor generado en cada etapa.
Reflexiones avanzadas: Más allá de la teoría
Para que los proyectos de IA tengan éxito, es esencial:
Fomentar una cultura de aprendizaje: El equipo debe estar preparado para adaptarse y evolucionar constantemente.
Invertir en formación y desarrollo: La capacitación en nuevas tecnologías, ética y gestión de proyectos es una inversión imprescindible.
Crear alianzas estratégicas: Colaborar con universidades, centros de investigación y consultoras puede aportar conocimientos y recursos clave.
Adoptar herramientas colaborativas: Plataformas como Jira, Monday, Clickup, Slack, Asana o Notion facilitan la gestión y el seguimiento de proyectos complejos y distribuidos.
El futuro de la gestión de proyectos de IA
La gestión de proyectos de inteligencia artificial en empresas exige una mentalidad híbrida, flexible y centrada en el valor de negocio. Al combinar metodologías tradicionales, ágiles y específicas de IA, puedes transformar la incertidumbre en oportunidad y liderar la innovación de forma ética y sostenible.
Conclusión: De la teoría a la acción
El fracaso de la mayoría de los proyectos de IA no es inevitable. Con una gestión adecuada, un enfoque multimétodo, atención a la ética y una cultura de experimentación, es posible transformar la inteligencia artificial en una fuente real de valor e innovación para las empresas. Si eres Project Manager o founder de una startup, pon en práctica estas lecciones y convierte los retos en oportunidades.
Referencias bibliográficas:
Amershi, S., Begel, A., Bird, C., DeLine, R., Gall, H., Kamar, E., ... & Zimmermann, T. (2019). Software Engineering for Machine Learning: A Case Study. Proceedings of the 41st International Conference on Software Engineering: Software Engineering in Practice, 291-300.
Benbya, H., Nan, N., Tanriverdi, H., & Yoo, Y. (2020). Complexity and Information Systems Research in the Emerging Digital World. MIS Quarterly, 44(1), 1-17.
Brethenoux, E., & Karamouzis, F. (2020). Market Guide for AI Service Providers. Gartner.
DeNisco Rayome, A. (2019). Why 85% of AI projects fail, and how to make them succeed. TechRepublic.
Google. (2018). Machine Learning Crash Course.
Marr, B. (2020). Artificial Intelligence in Practice: How 50 Successful Companies Used
AI and Machine Learning to Solve Problems. Wiley.
Microsoft Corporation. (2018). Team Data Science Process Documentation.
Swiontkowski, M., & Fuller, J. (2020). Artificial Intelligence: The Next Digital Frontier? McKinsey Global Institute.
Vial, G., Cameron, A.-F., Giannelia, T., & Jiang, J. (2023). Artificial Intelligence Project Management: Keys to an AI Consulting Firm. Information Systems Journal, 33(3), 669–695.
Zhang, Y., Zheng, Y., & Zeng, D. (2020). The Impact of Artificial Intelligence on Innovation. Journal of Business Research, 122, 336-342.
¿Te gustó esta edición? Si la respuesta es sí, reenvíalo a tus amistades o aquella persona especial que tienes en mente.
Para despedirme, espero que tengas una buena semana. Y nos vemos en la siguiente edición para disfrutar de AIPM News.
PD: Sígueme en Youtube, Instagram y TikTok, que pronto estaré anunciando mi próximo Show en VIVO en…