¿Cuánto falla la IA? Por qué las empresas están subutilizando una tecnología que sobreestiman

Se dice que la implementación de Inteligencia Artificial en las empresas es «pobre». Que está subutilizada, que no se aprovecha su potencial. Pero rara vez se habla de su porcentaje de fallos. ¿Es una impresión mía o hay una tendencia real? Al analizar los datos, descubrimos que el discurso optimista oculta una realidad más incómoda: las empresas a menudo compran IA porque creen que funcionará, pero cuando lo intentan, descubren que la tasa de error y el coste de supervisión hacen que el retorno de inversión sea mucho peor de lo esperado.

Los estudios recientes dibujan una imagen bastante más incómoda. Por ejemplo, datos de McKinsey muestran que mientras el 88% de las organizaciones encuestadas declara utilizar IA, solo un 7% la ha escalado completamente en toda la organización. Además, casi un tercio de esas mismas empresas mencionó específicamente problemas derivados de la inexactitud del modelo.

Aquí es donde surge una distinción clave: «Está subutilizada» puede ser simplemente una forma elegante de decir «todavía no sabemos hacerla funcionar bien». La industria tiene incentivos para hablar de un mercado futuro inmenso, porque eso implica que hay mucho dinero por ganar. Es mucho menos atractiva la narrativa realista:

«Las empresas han comprado IA, pero una cantidad importante de implementaciones no está dando el resultado esperado y algunas requieren tanta supervisión humana que el ahorro desaparece.»

Para entender por qué esto importa, hay que mirar más allá del simple porcentaje de precisión. Imagina una IA que procesa 10.000 documentos con un 98% de exactitud.

El caso Xerox: cuando el error es inaceptable

Un ejemplo histórico que conecta perfectamente con esta realidad son las fotocopiadoras Xerox con problemas de reconocimiento e imágenes. El algoritmo de compresión consideraba patrones visualmente parecidos como equivalentes, reutilizando información para ahorrar espacio.

En un caso famoso, una copia de unos planos mostraba repetidamente el número 6 en lugar del 8. Aunque la tasa de error estadística fuera diminuta, si esa página contiene una dosis médica o un monto financiero, el promedio deja de importar.

Esto es exactamente lo que sucede con la IA generativa hoy en día. Si una IA redacta 999 correos correctamente y en el número 1.000 inventa una condición contractual, no puede defenderse diciendo «pero tengo un 99,9% de precisión».

Humano vs. Máquina: la métrica correcta

Es común pensar que los humanos también se equivocan y que comparar ambos es difícil. Sin embargo, existen estudios directos que demuestran una diferencia crucial dependiendo del contexto.

Un estudio en neurociencia mostró que los LLM tenían una ventaja enorme sobre expertos humanos en tareas de resumen científico (81,4% frente a 63,4%). Pero si cambiamos la tarea, el resultado se invierte. En tareas fuera de las capacidades fiables del modelo, los trabajadores con IA tenían un 19% menos de probabilidades de producir una solución correcta.

Esto nos lleva a una conclusión vital: no existe algo como «humano = 92%, IA = 97%» para la inteligencia en general. Es más parecido a tener tareas específicas donde uno gana y otras donde el otro gana.

Negocio A vs. Negocio B

Aquí es donde se define el futuro de la implementación empresarial. Hay dos caminos claros:

• Negocio A: «Te instalo una IA que toma decisiones automáticamente.» Este modelo asume un riesgo extremo.
• Negocio B: «Te implemento una herramienta que genera una propuesta, deja trazabilidad y requiere aprobación humana antes de ejecutar.»

Negocio B es muchísimo más defendible. La automatización se limita a tareas cuyo margen de error sea compatible con el riesgo del proceso.

La pregunta empresarial deja de ser «¿Cuántos trabajadores podemos reemplazar?» y pasa a ser: «¿Qué arquitectura de controles necesitamos para que una máquina que opera 1.000 veces más rápido no produzca errores 1.000 veces más rápido de lo que podemos detectarlos?».

El futuro sólido no será «IA hace todo», sino «IA hace muchísimo, pero dentro de sistemas diseñados alrededor de su perfil de error». No necesitamos conseguir que la IA sea perfecta; necesitamos aprender dónde podemos permitirnos que sea imperfecta.