Por qué fracasan los proyectos de IA: 8 obstáculos comunes para el éxito

Casi 9 de cada 10 ejecutivos consideran que invertir en IA y datos es una de las principales prioridades de sus empresas. Sin embargo, es probable que 8 de cada 10 de estas iniciativas terminen en fracaso. 

En este artículo, analizamos las principales razones por las que tantos proyectos de IA no alcanzan los resultados esperados y cómo superar estos obstáculos. 

8 obstáculos comunes para el éxito de la IA 

“Avanzar rápido y romper cosas” fue uno de los primeros lemas de Facebook. Al ver que sus competidores adoptan tecnologías emergentes de IA y grandes conjuntos de datos para impulsarlos, muchos CEO pueden sentir la necesidad de avanzar lo más rápido posible para seguir el ritmo del mercado o tomar la delantera. 

Sin embargo, este entusiasmo debe moderarse ante un dato preocupante: hasta cuatro de cada cinco proyectos de IA terminan en fracaso, según un informe publicado por Harvard Business Review. 

Aunque cada proyecto tiene sus particularidades, existen ocho razones comunes por las que una iniciativa de IA puede no alcanzar sus objetivos: 

Datos de baja calidad 

Muchas empresas concentran sus esfuerzos —y sus recursos— en adquirir nuevas tecnologías y dejan los datos en segundo plano. Sin embargo, los datos inexactos, sin procedencia verificable, sesgados, desactualizados o incompletos reproducirán todos estos problemas en los resultados generados por la IA. 

Falta de planificación de la integración 

Los proyectos de IA suelen reunir datos de distintas fuentes mediante una combinación compleja de entregas masivas de datos y APIs. Además, cada conjunto de datos puede estar estructurado —o no estructurado— de forma diferente, lo que exige un trabajo considerable de preparación y estandarización antes de utilizarlo en el software de análisis elegido por la empresa. Un enfoque API-first, que comience por evaluar cómo se integrarán los datos en las tecnologías mediante una API externa, puede ayudar a superar este problema. 

Falta de estrategia 

Con frecuencia, las empresas no incorporan la IA a su estrategia general. Cada proyecto debe tener objetivos claros, resolver un problema relevante y viable, y reconocer que la IA no siempre será el método más adecuado para atender determinadas necesidades del negocio. Tras analizar proyectos de IA que no tuvieron éxito, el autor Bernard Marr escribió en Forbes que la falta de una planificación adecuada es un factor común entre ellos. 

Silos internos 

MIT Sloan Management Review analizó proyectos de IA y big data en tres grandes bancos de la India y descubrió que la mayoría de los problemas surgía en la interacción entre los equipos de ciencia de datos y las demás áreas de la empresa. Aunque el estudio se realizó en la India, la conclusión es igualmente relevante para las organizaciones de América Latina: los profesionales con los conocimientos técnicos para implementar la tecnología no estaban integrados en las actividades cotidianas del negocio, lo que generaba silos entre las áreas. 

Falta de gobernanza ética 

Las empresas que utilizan IA y análisis de big data deben garantizar que sus conjuntos de datos cumplan los estándares regulatorios y éticos, así como los marcos de protección de datos aplicables en los mercados de América Latina. Un informe de IBM reveló que el costo promedio de una filtración de datos alcanzó los USD 4.45 millones en 2023. El uso indebido de datos también puede alejar a clientes, inversionistas y colaboradores, y llevarlos a reconsiderar su relación con la empresa. 

Falta de capacitación 

Con frecuencia, las empresas no capacitan adecuadamente a sus profesionales para utilizar nuevas tecnologías. Si los colaboradores no comprenden cómo o por qué una herramienta de IA puede mejorar su forma actual de trabajar, difícilmente cambiarán sus procesos. También es necesario brindar tiempo y recursos para que los equipos puedan aprender, probar las herramientas y resolver dudas. 

Percepción del riesgo 

Algunas empresas implementan iniciativas de IA, pero no comunican con transparencia qué están haciendo. Como consecuencia, los clientes pueden mostrar resistencia debido a los riesgos percibidos.

Por ejemplo, una empresa desarrolló una aplicación que ofrecía a los clientes la recomendación inmediata de un servicio y la posibilidad de contratarlo en ese mismo momento. Aunque la solución parecía ofrecer una ventaja competitiva al reducir el tiempo de incorporación de clientes, su adopción fue baja. Investigaciones posteriores revelaron que muchos usuarios desconfiaban de la credibilidad del servicio y de la forma en que se utilizaba la IA. 

Sesgo algorítmico 

Las empresas deben contar con conocimientos especializados para identificar y reducir los sesgos tecnológicos. Por ejemplo, un banco desarrolló un algoritmo para tomar decisiones sobre el otorgamiento de préstamos. Sin embargo, el algoritmo se entrenó con datos de solicitudes seleccionadas previamente, que tenían una mayor probabilidad de corresponder a préstamos pagados correctamente. Este sesgo en los datos de entrenamiento produjo una tasa de morosidad superior a la esperada entre los préstamos aprobados por el algoritmo. 

Los proyectos de IA exitosos requieren datos confiables y gobernanza ética 

Muchos fracasos relacionados con la IA tienen su origen en un mismo problema: los datos que alimentan los proyectos —y la forma en que se ponen a disposición— son inadecuados. Para aprovechar mejor las oportunidades que ofrece la IA, las empresas deben utilizar datos enriquecidos y de la más alta calidad, obtenidos de manera legal y ética y disponibles mediante APIs flexibles. 

Las organizaciones deben buscar conjuntos de datos completos, actualizados y precisos. También deben conocer y confiar en las fuentes utilizadas, además de comprender los derechos y riesgos asociados al uso de esa información. 

El mejor enfoque es trabajar con un proveedor confiable que mantenga alianzas con diversos proveedores de contenido y obtenga la información directamente de las fuentes originales. 

La orientación y la estrategia definidas por el liderazgo también son fundamentales. Según una encuesta realizada por Amazon Web Services en 2024, el 93 % de los ejecutivos de tecnología y datos afirma que contar con una estrategia de datos es esencial para obtener valor de la IA generativa. 

Antes de invertir en IA y análisis de big data, evalúe qué objetivos estratégicos de la empresa pueden beneficiarse más de la tecnología y qué desafíos del negocio —o de sus clientes— pueden resolver. 

Impulse sus iniciativas de big data e IA con datos confiables 

El éxito de cualquier iniciativa de IA depende del acceso a datos confiables y de alta calidad procedentes de fuentes verificadas. Los datos y las tecnologías de LexisNexis® ofrecen ventajas clave para ayudar a su empresa a aprovechar las oportunidades de la IA y mitigar sus riesgos: 

• Datos confiables y obtenidos de manera ética: Como proveedor de datos con más de 50 años de trayectoria, LexisNexis mantiene amplios acuerdos de licencia de contenido a largo plazo —y, en algunos casos, exclusivos— con editoriales y medios de información de todo el mundo. Proporcionamos datos que ayudan a su empresa a alcanzar sus objetivos y, al mismo tiempo, reconocemos y respetamos los derechos de propiedad intelectual de nuestros socios de contenido. 

• Integración simplificada con Nexis® Data+: Nuestra solución de API, Nexis Data+, permite integrar datos enriquecidos en las herramientas y plataformas que su empresa ya utiliza. Esto proporciona una base sólida para el análisis y las iniciativas de IA, además de respaldar un enfoque API-first en sus proyectos y productos. Nexis Data+ ofrece acceso directo a nuestro amplio universo de datos, que incluye noticias, información legal, empresarial, financiera y biográfica, calificaciones ESG, publicaciones académicas, datos de compliance y mucho más. 

Descubra la magia de los datos