El 95% de los proyectos de IA generativa fracasan. Eric Ries lo predijo hace 15 años

Este artículo está basado en el análisis publicado por UX Collective: “What the Lean Startup still teaches us about generative AI”, que conecta las lecciones del método ágil con el desastre silencioso de los proyectos empresariales de IA.

Miles de millones invertidos. Casi nada que medir.

Las grandes empresas llevan dos años comportándose como niños en una juguetería el día de Reyes: agarrando todo lo que brilla, metiéndolo en el carrito y prometiéndose a sí mismas que ya sabrán para qué sirve cada cosa al llegar a casa. El juguete en cuestión se llama inteligencia artificial generativa, y el precio de entrada ha sido, literalmente, de miles de millones de dólares.

El resultado, según un estudio de 2025 del MIT NANDA Initiative, es que aproximadamente el 95% de los pilotos empresariales de IA generativa no han producido ningún impacto medible. Ni uno. Un número tan devastador que casi parece un error tipográfico, pero no lo es.

Los modelos funcionan. Los programas, no. Y esa distinción, aparentemente sutil, lo cambia todo.

El fantasma de un libro que nadie leyó del todo

En 2011, Eric Ries publicó The Lean Startup. Fue uno de esos libros que todo el mundo dijo haber leído, que apareció en la mesilla de noche de cada CEO de Silicon Valley, que se convirtió en jerga corporativa universal. MVP. Pivot. Build-Measure-Learn. Las palabras se popularizaron. La filosofía, mucho menos.

Porque si algo enseña la Lean Startup —y esto es lo que resulta casi cómicamente irónico— es precisamente a no hacer lo que las empresas están haciendo hoy con la IA: no apostar todo a una sola mano, no especificarlo todo por adelantado, no esperar un año para saber si tu hipótesis tenía algún sentido.

Ries escribió su libro para exorcizar exactamente ese demonio: el del gran proyecto monolítico, financiado con fe ciega, construido en secreto durante meses y lanzado al mercado con la esperanza de que el mundo no haya cambiado mientras tanto. Lo llamó el just do it empresarial, y lo diagnosticó como una patología.

Quince años después, ese demonio ha vuelto a poseer a las mismas corporaciones. Solo que ahora lleva traje de inteligencia artificial.

La arquitectura del fracaso tiene planos muy conocidos

Imagina un edificio diseñado por un arquitecto estrella, con un presupuesto astronómico, inaugurado con fanfarria… y completamente inhabitable porque nadie le preguntó a los futuros residentes qué necesitaban. Eso es, en esencia, lo que está ocurriendo con la mayoría de los proyectos de IA generativa en empresas medianas y grandes.

El patrón se repite con una fidelidad casi artística. Primero, el equipo directivo asiste a una conferencia o lee un informe de McKinsey. Segundo, se anuncia internamente que la empresa va a “transformarse con IA”. Tercero, se contrata a un proveedor, se negocia una licencia enorme, se forma un comité. Cuarto, seis meses después, hay una demo preciosa. Décimo segundo mes: silencio. Resultado: ningún cambio real en los procesos, ninguna métrica que haya mejorado, ningún usuario que haya adoptado la herramienta de forma orgánica.

La Lean Startup tiene un nombre para esto: vanity metrics. Métricas de vanidad. Números que quedan bien en una presentación de PowerPoint pero que no reflejan ningún aprendizaje real. Las demos funcionan. Los proyectos piloto parecen prometedores. Pero nada aterriza porque nadie se molestó en validar la hipótesis central antes de construir el castillo.

La pregunta que nadie quiere hacerse primero

La metodología Lean no empieza con “¿qué tecnología usamos?” sino con algo mucho más incómodo: “¿qué problema real estamos resolviendo, para quién, y cómo sabremos que lo hemos resuelto?”

Esa pregunta, en el contexto de la IA generativa, resulta casi subversiva. Porque el mercado entero —los vendors, los consultores, los titulares de prensa— está empujando en la dirección contraria. La narrativa dominante no es “valida antes de escalar”, sino “lánzate ya o te quedas atrás”. El FOMO como estrategia de producto. El miedo a perderse la revolución como sustituto del pensamiento crítico.

Y así es exactamente como se construyen proyectos que gastan millones en infraestructura antes de tener ni un solo usuario real que haya confirmado que el problema que se intenta resolver existe de verdad.

Build. Measure. Learn. Pero en serio esta vez.

Lo que el análisis de UX Collective propone —y lo que la Lean Startup lleva quince años predicando— es aparentemente sencillo pero culturalmente difícil: empieza pequeño, mide lo que importa, aprende rápido y corrige antes de escalar.

En términos concretos aplicados a IA generativa, esto significa varias cosas. Primero, antes de comprar una plataforma de IA para toda la empresa, identifica un único proceso doloroso con un usuario específico y construye el experimento más simple posible para aliviar ese dolor. Segundo, define métricas de impacto real antes de empezar: no “número de consultas al chatbot”, sino “tiempo ahorrado por empleado en la tarea X” o “reducción de errores en el proceso Y”. Tercero, acepta que el primer prototipo va a estar mal, y que eso no es un fracaso sino la primera pieza de información valiosa.

El MVP —el Minimum Viable Product que Ries popularizó— no es una versión mediocre de algo grande. Es la forma más rápida de aprender si vas en la dirección correcta antes de comprometerte a recorrer un camino equivocado durante un año.

El verdadero problema no es tecnológico

Aquí viene la parte que duele: el 95% de fracaso no es un problema de modelos de lenguaje. Los LLMs son, en términos generales, notablemente capaces. El problema es organizacional, cultural y epistemológico.

Las empresas siguen funcionando con mentalidad de proyecto waterfall —grandes fases secuenciales, especificaciones exhaustivas por adelantado, entrega única al final— en un contexto que exige exactamente lo contrario. La IA generativa no es un software que se instala y listo; es una capacidad que se desarrolla iterativamente, que requiere feedback constante de usuarios reales, que necesita ser ajustada al contexto específico de cada organización.

Tratar un proyecto de IA generativa como si fuera la instalación de un ERP es el error categorial del siglo. Y sin embargo, es lo que está ocurriendo en la mayoría de las grandes corporaciones del planeta.

Quince años es mucho tiempo para no aprender nada

Lo más perturbador de todo esto no es el fracaso en sí. El fracaso, bien entendido, es información. Lo perturbador es que el manual para evitarlo existe desde 2011, está traducido a decenas de idiomas, se estudia en todas las business schools del mundo… y aun así, aquí estamos.

Porque leer un libro es fácil. Cambiar la cultura de una organización, su estructura de incentivos, su tolerancia al error, su capacidad de decir “este piloto no funcionó y eso nos enseñó algo valioso” en lugar de “este piloto no funcionó, que no se entere nadie”… eso es extraordinariamente difícil.

La IA generativa no va a salvar a las empresas que no saben aprender. Y las que sí saben aprender —las que de verdad interiorizaron la Lean Startup, las que construyen en ciclos cortos y validan antes de escalar— probablemente no necesitaban esperar a la IA para ser mejores que sus competidoras.

La tecnología no es el diferencial. La capacidad de aprender rápido, sí. Lo era en 2011. Lo sigue siendo ahora. Y todo indica que lo seguirá siendo dentro de otros quince años, con la tecnología que sea que entonces nos haga perder la cabeza.