El mercado empieza a exigir resultados a la inteligencia artificial, según el WEF

La inteligencia artificial dejó de ser un relato para convertirse en un examen de desempeño. Tras años de inversión y expectativas elevadas, los líderes empresariales están pidiendo evidencia clara de valor medible, impacto y capacidad de escalar en operación real. 

Ese cambio de tono es el punto de partida de Proof over Promise Insights on Real-World AI Adoption from 2025 MINDS Organizations, un informe del World Economic Forum (WEF) en colaboración con Accenture, publicado en el marco del Foro de Davos.

El documento describe un mercado que ya no premia el experimento por el experimento. A partir de cientos de aplicaciones y entrevistas con los seleccionados del programa MINDS, el reporte sostiene que la conversación sobre IA “ha cambiado decisivamente” desde el potencial hacia el desempeño, justo cuando se busca preparar la siguiente ola de innovación empresarial.

El programa MINDS, del World Economic Forum, es una iniciativa dentro de su AI Global Alliance diseñada para ayudar a líderes a desbloquear el valor de la inteligencia artificial en negocios y sociedad. El documento lo describe como un escaparate global de casos de IA con impacto que, además, funciona como plataforma para intercambio de conocimiento sobre transformaciones impulsadas por IA a través de industrias y geografías.

Inicia el examen de desempeño

La discusión pasó a terreno verificable con métricas, plazos y presión por rendimiento. El informe advierte que, sólo con IA generativa, las organizaciones esperan en promedio incrementos de productividad y crecimiento de ingresos de doble dígito dentro de los primeros 18 meses desde el despliegue y escalamiento, además de una reducción de costos en una proporción similar.

Ese nivel de expectativa elevó el estándar para evaluar proyectos. El reporte no presenta una encuesta representativa del universo industrial, aclara que se trata de un escaparate de organizaciones autoseleccionadas que comparten experiencias, métricas, retos y aprendizajes. Aun así, la señal es clara. No todo piloto está funcionando y el salto desde las pruebas iniciales hacia la adopción sostenida se está atascando por factores estructurales, entre los que se encuentran la preparación de datos, la infraestructura legada, la gobernanza fragmentada y la capacitación insuficiente de la fuerza laboral.

Cinco hallazgos en la adopción de IA

El reporte condensa ese tránsito en cinco hallazgos que funcionan como lista de control para la nueva fase. El primero es que las organizaciones más avanzadas están convirtiendo la IA en una capacidad estratégica de empresa, incrustada en procesos y metas de largo plazo, no como herramienta táctica aislada.

En ese enfoque, los equipos revisan su avance de manera regular y la IA se integra incluso a objetivos internos. El segundo hallazgo desplaza la discusión desde la tecnología hacia el trabajo. La adopción acelerada aparece cuando los proyectos se codiseñan con empleados, se invierte en capacitación por roles y se integra la IA al flujo diario, con prácticas de gestión del cambio que construyen confianza.

El tercer hallazgo es el más incómodo para quienes buscan resultados rápidos. El reporte argumenta que la calidad de datos es la mayor barrera para el éxito de IA, lo que empuja a organizaciones a reforzar sus bases, centralizar datos estructurados y no estructurados, y complementar con datos sintéticos, en tiempo real o basados en física para escalar impacto. Para un mercado que exige resultados, esto implica que la auditoría real comienza en la capa más “poco glamorosa” del proceso, es decir, la preparación, limpieza y gobernanza del dato.

El cuarto hallazgo expone a la infraestructura como una restricción económica. El reporte indica que, entre todos los solicitantes, las limitaciones de infraestructura técnica se citaron entre los tres mayores retos para lograr impacto con IA. La conclusión no es expandir servidores sin estrategia. La atención se mueve hacia capacidades de ingeniería y plataformas unificadas que conecten modelos, flujos de trabajo y aplicaciones, con seguridad y despliegue robusto, para reducir redundancia y acelerar tiempo a valor.

El reporte también pone números al reequilibrio de la arquitectura digital. En los solicitantes del programa, 55% opera con enfoques híbridos que mezclan el cómputo en las propias instalaciones (on premise) y el de nube; 15% ancla el cómputo local cuando domina la soberanía y la propiedad del dato o se requiere desempeño crudo; mientras 30% va con una estrategia de nube primero, por velocidad, alcance y acceso a servicios.

En paralelo, 18% usa la nube en el borde (edge) como una capacidad adicional para inferencia cerca de donde se genera el dato y 5% recurre a cómputo de alto desempeño para entrenamiento y simulaciones.

El quinto hallazgo es la gobernanza como condición de escalamiento. Además de datos e infraestructura, muchas organizaciones identifican a la confianza, la confiabilidad, la precisión, la supervisión humana y el cumplimiento como retos centrales. El reporte describe un movimiento desde una supervisión basada en políticas hacia una gobernanza habilitada por tecnología, con controles integrados al ciclo de vida de IA, como monitoreo de modelos, detección de sesgos y flujos de datos (pipelines) seguros, para sostener un paradigma de confianza por diseño.

En esta fase, la pregunta práctica deja de ser si la empresa “usa IA” y pasa a ser si puede demostrar su impacto y sostenerlo sin que el riesgo operativo se dispare. El reporte sintetiza que los mejores resultados aparecen cuando se alinean varias dimensiones a la vez, es decir, estrategia, fuerza laboral, datos, tecnología y gobernanza.

En la etapa que el WEF describe como el paso de la experimentación a la implementación y de la promesa al desempeño respecto de la inteligencia artificial, la exigencia de resultados se traduce en tareas específicas. Las organizaciones tienen que resolver la calidad y disponibilidad de datos como condición de escala; enfrentar las limitaciones de infraestructura que frenan el impacto, y operar la gobernanza con controles técnicos, como monitoreo de modelos y pipelines seguros, con el fin de sostener un modelo de confianza por diseño.

rodrigo.riquelme@eleconomista.mx