El motor de la IA anda fallando

La IA se considera un factor de cambio para las empresas. Sin embargo, a pesar de las ambiciosas hojas de ruta de la IA y de las cuantiosas inversiones, muchas organizaciones se enfrentan a obstáculos a la hora de llevar a cabo sus iniciativas en este campo. Este es el principal resultado de una reciente encuesta mundial realizada por Redpoint en nombre de Fivetran. Casi la mitad de las empresas encuestadas (el 42%) informaron de que más del 50% de sus iniciativas de IA se retrasaron, obtuvieron resultados insuficientes o fracasaron por completo, principalmente debido a la falta de preparación de los datos. Incluso algunas empresas con estrategias de centralización claramente definidas no avanzan más allá de la fase piloto, ya que los problemas de integración, los cuellos de botella en los recursos y las ineficiencias operativas ralentizan el progreso. En resumen, la IA no puede ofrecer resultados si los datos no están totalmente centralizados, gestionados y listos para su uso. Muchas organizaciones tienen planes ambiciosos de utilizar la inteligencia artificial para mejorar sus resultados empresariales.

Por qué fracasan las ambiciones de la IA

En la práctica, sin embargo, estos proyectos suelen tropezar con considerables problemas de aplicación. Aunque el 57% de las empresas afirma que su estrategia de centralización de datos es "muy eficaz", el 42% admite que más de la mitad de sus proyectos de IA fracasan o obtienen resultados insuficientes. Un obstáculo clave para el éxito es la integración: más de un tercio de las empresas lo citan como la principal razón del fracaso de las iniciativas de IA. Las consecuencias de estos retrasos son graves. El 68% de las empresas con menos del 50% de datos centralizados afirman haber perdido oportunidades de ingresos debido a retrasos o a un rendimiento insuficiente de la IA. Los equipos de datos están atrapados en el modo de mantenimiento.

Incluso entre las empresas que han centralizado más de la mitad de sus datos, el 67% utiliza más del 80% de sus recursos para mantener canalizaciones de datos, lo que les deja poca capacidad para progresar en IA. La preparación para la IA comienza con la centralización de los datos, pero la implementación es crucial. Esto se debe a que el 59% de las empresas considera que los requisitos normativos son el mayor reto en la gestión de datos para la IA. Esto lo demuestra: La centralización es importante, pero no es suficiente por sí sola. Uno de los mayores obstáculos para el éxito de la IA es la complejidad de la integración. Casi tres cuartas partes de las empresas gestionan o tienen previsto gestionar más de 500 fuentes de datos. Esto dificulta la normalización de estos datos dispares para la IA y su operatividad.

El mantenimiento de los conductos de datos entre las fuentes de datos y el lugar donde se necesitan los datos es otro obstáculo importante. En lugar de centrarse en la innovación de la IA, los equipos de datos tienen que dedicar la mayor parte de sus recursos a gestionar y mantener la infraestructura: el 65% de las empresas afirman que dedican más del 40% de sus recursos a mantener los conductos de datos.

Ni siquiera centralizar los datos es suficiente sin automatización: el 67% de las empresas que han centralizado más de la mitad de sus datos siguen dedicando más del 80% de sus recursos al mantenimiento. A medida que aumentan los requisitos de mantenimiento, las organizaciones tienen dificultades para asignar capacidad a iniciativas de IA de mayor valor.

¿Qué porcentaje de proyectos de IA de su organización se han retrasado, no han cumplido las expectativas o han fracasado debido a problemas de preparación de los datos?

Falta de preparación de los datos

Además de los problemas de integración y mantenimiento, la mala calidad de los datos y las deficiencias en la gobernanza de los mismos también merman la eficacia de la IA. El cumplimiento de la normativa (59%) se considera el mayor reto en la gestión de datos para la IA. Sin embargo, los datos obsoletos (52%) e inexactos (52%) también impiden que los modelos de IA proporcionen información fiable. Además, el acceso a los datos en tiempo real suele ser limitado (41%), por lo que la IA no puede ofrecer resultados oportunos y procesables.

Aunque todas las empresas desean aprovechar todo el potencial de la IA, no todas están igual de preparadas para su implantación. Esto varía significativamente según el sector y la región, creando una brecha cada vez mayor entre los líderes y los rezagados de la IA. Las organizaciones que no consigan trasladar la IA a las operaciones tendrán dificultades para traducir las estrategias en un impacto real. Por otro lado, las que cuentan con sólidas capacidades de datos e implementación ya están ampliando las transformaciones impulsadas por la IA. Para ilustrar estas diferencias, se desarrolló el "Modelo de madurez de preparación para la IA" para el estudio de Fivetran. Evalúa los sectores y las regiones en función de cuatro criterios de ejecución clave: eficacia de la gestión y la integración de datos, proporción de datos preparados para la IA, tasa de éxito o fracaso de los proyectos de IA y recursos utilizados para mantener los canales de datos.

Las cifras lo demuestran: La implantación de la IA no es solo un reto específico de cada sector, sino también de cada región. Las organizaciones de los mercados de IA menos desarrollados deben dar prioridad a la automatización, la integración moderna de datos y la gobernanza para seguir siendo competitivas.

Costes de una aplicación inadecuada de la IA

La IA ya no es una tecnología experimental: es un motor clave de la eficiencia, las ventas y la fidelidad de los clientes. Cuando las iniciativas de IA fracasan, las consecuencias van mucho más allá de las TI. El suministro inadecuado de datos y las ineficiencias de la IA repercuten en el crecimiento empresarial, los costes operativos y la satisfacción del cliente.

La IA debería mejorar la toma de decisiones, optimizar los procesos y abrir nuevas fuentes de ingresos. Sin información y análisis fiables procedentes de la IA, a las empresas les resulta difícil identificar a tiempo las tendencias del mercado, optimizar las estrategias de fijación de precios y desarrollar medidas que fomenten la conversión y la fidelización de los clientes: el 68 % de las empresas con menos del 50 % de datos centralizados afirman haber perdido oportunidades de venta debido a proyectos de IA fallidos o retrasados.

Las ineficiencias de la IA no solo frenan la innovación, sino que también aumentan los costes. En lugar de racionalizar los procesos y automatizar los flujos de trabajo, muchas empresas gastan más en infraestructura, mantenimiento y corrección de modelos de IA defectuosos. Muchas empresas están invirtiendo sus recursos en el mantenimiento de la infraestructura en lugar de en innovación y crecimiento estratégico. Por ejemplo, el 38% de las empresas se quejan del aumento de los costes operativos como resultado de proyectos de IA fallidos.

Clientes insatisfechos

Cuando la IA falla debido a la mala calidad de los datos, a problemas de integración o a modelos obsoletos, la satisfacción del cliente también se resiente. Las empresas que confían en la personalización y la automatización basadas en la IA -especialmente en sectores como el comercio minorista, las finanzas y la sanidad- corren el riesgo de socavar la confianza, reducir las tasas de conversión y dañar la fidelidad a la marca a largo plazo.

Las iniciativas de IA no fracasan por falta de datos, sino porque las empresas no pueden preparar, integrar y poner en funcionamiento estos datos de forma eficiente. Sin la infraestructura y los procesos adecuados, los proyectos de IA se estancan y consumen recursos sin aportar valor empresarial. Para liberar todo el potencial de la IA, las empresas deben abandonar el mantenimiento manual de los datos y pasar a la automatización. Sólo entonces podrán los equipos centrarse en la innovación respaldada por la IA en lugar de mantener la infraestructura.

La centralización de los datos es un punto de partida crucial para el éxito de la implantación de la IA, pero sólo es el principio. Aunque el 57% de las empresas califican su estrategia de centralización de "muy eficaz", el 42% afirman que más de la mitad de sus proyectos de IA fracasan o rinden por debajo de lo esperado. Los datos centralizados manualmente pueden afectar al rendimiento de la IA debido a problemas estructurales y de calidad. Sin datos limpios y preparados para la IA, los modelos reciben datos incoherentes. Esto conduce a predicciones inexactas y conocimientos poco fiables.

Para aprovechar todo el potencial de la IA, las empresas deben ir más allá de la mera centralización. La preparación automatizada de datos es un paso importante para garantizar que los modelos de IA reciban datos limpios y estructurados. Además, las herramientas de validación, depuración y normalización contribuyen decisivamente a mejorar la calidad de los datos antes de introducirlos en los sistemas de IA. Por último, se requiere una supervisión continua para garantizar que los modelos de IA se entrenen siempre con información precisa y actualizada.

Al directorio de socios: