La adopción de la inteligencia artificial en el tejido empresarial español ha dejado de ser una promesa. Según la Encuesta sobre el uso de TIC y comercio electrónico en las empresas del INE, el 21,1% de las compañías de 10 o más empleados utilizaba tecnologías de IA en el primer trimestre de 2025, frente al 12,4% del mismo periodo del año anterior. Son 8,7 puntos porcentuales en doce meses, con el sector servicios en cabeza (25,7%). Los datos de Eurostat apuntan en la misma dirección para el conjunto de la Unión Europea, donde la adopción pasó del 13,5% en 2024 al 20% en 2025, todavía lejos del 42% de Dinamarca.
El problema es que la adopción declarada y el retorno contabilizado no avanzan al mismo ritmo. Gartner ya anticipó que al menos el 30% de los proyectos de IA generativa se abandonarían tras la prueba de concepto antes del cierre de 2025, y buena parte de las direcciones financieras que aprobaron partidas de inversión tecnológica en los dos últimos ejercicios se encuentran hoy con casos de uso interesantes que nunca llegaron a integrarse en el negocio.
La explicación no está en el precio de la tecnología ni en la potencia de los modelos disponibles. La infraestructura cloud se contrata en minutos y los modelos comerciales han igualado a la baja el coste de entrada. Lo que escasea es el criterio técnico capaz de decidir qué se pone en producción, con qué datos y con qué controles. Esa presión ha desplazado la búsqueda de estos perfiles hacia consultoras de selección IT especializadas en tecnología, como iTalenters, porque los procesos generalistas rara vez alcanzan a un mercado de candidatos que no responde a ofertas abiertas.
Del piloto a la cuenta de resultados: ¿dónde se pierde el retorno de la inversión en IA?
La distancia entre una prueba de concepto y un sistema en producción es la fase donde se consume la mayor parte del presupuesto y donde se decide el retorno de la inversión. Un piloto funciona en un entorno controlado, con un conjunto de datos limpio y sin exigencias de disponibilidad. Un modelo en producción tiene que integrarse con los sistemas legacy que sostienen la facturación, responder en tiempo real, tolerar datos incompletos y dejar registro de cada decisión.
Ese salto exige trabajo de ingeniería que rara vez se presupuesta al aprobar el proyecto: gobierno del dato, monitorización del comportamiento del modelo, control de las alucinaciones en los casos de uso basados en IA generativa y una gestión del coste de inferencia que puede convertir en deficitario un servicio que funcionaba en la demostración. Cuando ese trabajo no está previsto, el proyecto no fracasa de forma abrupta: se queda indefinidamente en fase piloto, sin llegar nunca a la cuenta de resultados y sin que nadie lo dé por cancelado.
El coste oculto de un proyecto de inteligencia artificial que nunca llega al negocio
El coste visible de un proyecto detenido son las licencias y la infraestructura ya comprometidas. El relevante es el coste de oportunidad. Mientras el caso de uso permanece en pruebas, la eficiencia operativa prometida no se materializa, el ahorro previsto no aparece en el ejercicio y el equipo que lo mantiene sigue asignado a una iniciativa que no genera ingresos.
A ello se suma la deuda técnica acumulada. Los prototipos construidos para demostrar viabilidad no suelen estar diseñados para escalar, de modo que la puesta en producción obliga con frecuencia a rehacer buena parte del desarrollo. El resultado es un segundo presupuesto que compite con el resto de prioridades tecnológicas, en un momento en el que el proyecto ya ha perdido respaldo interno. La consecuencia habitual no es un fracaso reconocido, sino un deterioro silencioso de la credibilidad de la IA dentro de la organización que encarece la aprobación de los siguientes proyectos.
Los perfiles que marcan la diferencia entre una prueba de concepto y un sistema en producción
Los despliegues que llegan al negocio comparten una composición de equipo reconocible. Un perfil de arquitectura de IA que decide qué se construye, qué se compra y qué no se hace. Un ingeniero de MLOps que industrializa el ciclo de vida del modelo, desde el entrenamiento hasta la monitorización. Un ingeniero de machine learning o de LLM con experiencia en modelos que ya soportan carga real. Y un responsable de producto que traduce el caso de uso en indicadores de negocio antes de escribir la primera línea de código.
La dificultad para las direcciones de tecnología no es identificar el rol necesario, sino verificar que el candidato ha sostenido modelos en producción y no solo ha experimentado con herramientas. Por eso contratar experto en IA se ha convertido en un proceso de validación técnica y no en una criba de currículums: el mercado está saturado de perfiles que acreditan formación reciente y muy escaso de profesionales que hayan resuelto una integración compleja con sistemas en explotación.
¿Qué hacen distinto las compañías que sí consiguen industrializar la IA?
Las organizaciones que han conseguido pasar de la experimentación al despliegue no destacan por la ambición de sus casos de uso, sino por el orden con el que los abordan. Empiezan por procesos con datos disponibles y medibles, definen antes del arranque qué indicador debe moverse y en cuánto, y descartan sin coste político los casos de uso que no superan ese filtro.
En paralelo, incorporan el criterio senior al principio del proyecto y no cuando el piloto ya se ha atascado. La diferencia de coste es sustancial: revisar una arquitectura sobre el papel es barato, rehacerla después de doce meses de desarrollo no lo es. Estas compañías tampoco confían el despliegue completo a proveedores externos sin retener capacidad interna, porque el mantenimiento y la mejora continua del modelo son la parte más larga de su vida útil y la que determina si la inversión se amortiza.
La escasez de talento senior vs el retorno de la IA como componente de equipo
La consecuencia económica de esta escasez es doble. Por un lado, la prima salarial de los perfiles con experiencia acreditada en producción se ha ampliado respecto al desarrollo tradicional. Por otro, el tiempo de cobertura de estas vacantes se ha alargado, y cada mes de retraso mantiene detenida una inversión ya comprometida en infraestructura y licencias.
Ese cálculo explica el creciente interés de las direcciones de tecnología por procesos de incorporación más cortos y por esquemas mixtos que combinan equipo propio con refuerzo externo para las fases críticas del despliegue. El marco regulatorio europeo añade presión adicional: las obligaciones de trazabilidad y supervisión humana del Reglamento de IA exigen documentar decisiones técnicas que solo un perfil con experiencia real puede asumir.
La tecnología ya está disponible: el retorno de la IA lo decide hoy la calidad del equipo
El escenario actual invierte el diagnóstico de los últimos años. Los modelos, la capacidad de cómputo y las herramientas están al alcance de cualquier compañía con presupuesto medio, y el diferencial competitivo ya no reside en el acceso a la tecnología. Reside en la capacidad de decidir qué merece pasar a producción, sostenerlo con garantías y medir su aportación al negocio.
Para las empresas españolas, que han recortado distancia con la media europea en adopción declarada, el reto del próximo ejercicio no es aumentar la inversión en inteligencia artificial, sino convertir en resultados la que ya está comprometida. Y eso depende menos de la tecnología contratada que del criterio de quien la gobierna.
