Blackjack3d/Istock/Getty Images Plusfollow Zdnet: agréguenos como una fuente preferida en los proyectos clave de Takeawaysai de Google.ZDNET están fallando porque la estrategia subyacente es defectuosa. Los líderes de negocios deben construir en proyectos que los empleados consideren útiles. Sin embargo, a pesar de miles de millones en la inversión y una bomba implacable, los estudios independientes recientes muestran que la mayoría de las empresas luchan por convertir los pilotos en resultados comerciales medibles. Dos estudios recientes ponen este problema en un enfoque agudo: estos estudios entregan un mensaje importante que deben hacerse eco en las salas de la junta: los pilotos de IA no fallan porque la tecnología no es lo suficientemente poderosa. Están fallando porque la estrategia y las expectativas detrás de ellos son defectuosas. Por qué los pilotos de IA tropiezan con el estudio del MIT aclara que el obstáculo para por qué fallan los pilotos de IA no es potencia modelo. En cambio, el mayor problema es la integración empresarial. La mayoría de las herramientas no aprenden de los flujos de trabajo, y la mayoría de las empresas no han desarrollado la experiencia operativa para transformar experimentos en sistemas de producción. También: cómo una compañía de hardware heredado se reinventó en la investigación de AI Agemckinsey hace eco de esto: la IA impulsa solo cuando las empresas rediseñan los flujos de trabajo, rastrean KPI y evolucionan modelos operativos. Los pilotos atrapados en el «modo de demostración» ofrecen rumores, no valor comercial. Muchos líderes de la industria ven la IA como una palanca de margen a corto plazo en lugar de usarla para desarrollar capacidades duraderas. El libro de jugadas típico es reemplazar el personal, reducir los costos y aumentar los márgenes de ganancias trimestrales. Ese enfoque puede satisfacer a los inversores durante una o dos cuartos, pero a mediados y a largo plazo, crea pasivos que se agravan, que incluyen: deuda de conocimiento: despidos y automatización superficial despliegan el conocimiento institucional. El conocimiento tácito sale por la puerta, y la recuperación es costosa. Drenaje de talento: los de alto rendimiento no quieren mantener sistemas frágiles. Se van, toman experiencia e iniciativa con ellos. Experiencia de cliente La experiencia del cliente: las líneas de servicio con poco personal y los bots a medias reducen las tasas de resolución y aumentan el esfuerzo del cliente. La insatisfacción inevitablemente aparece en los ingresos. El resultado es la ingeniería financiera, no la ingeniería de valor. Los compuestos de valor de los accionistas de manera más confiable cuando el valor del cliente se cultiva, no se extrae. Una historia de dos AIS: Enterprise vs. Empleado Aquí está la ironía. Mientras que los pilotos de AI Enterprise se detienen, los empleados ya usan IA diariamente a través de herramientas como ChatGPT, Claude y Gemini. Estos casos de uso «Shadow AI» no son grandes transformaciones digitales. Son aplicaciones pequeñas y tácticas: redacción de correos electrónicos, resumiendo documentos, generar fragmentos de código, preparar presentaciones o analizar los comentarios de los clientes. También: Olvídate de AI plug-and-play: Esto es lo que los proyectos de IA exitosos hacen de manera diferente estas aplicaciones tienen éxito precisamente porque son específicos de la tarea. Ahorran minutos o horas en actividades enfocadas, mejorando la productividad sin requerir revisiones masivas de flujo de trabajo o presupuestos de capital. Así es como la IA debía funcionar: como amplificador de productividad, no una herramienta de reemplazo de la fuerza laboral. Los empleados lo usan para hacer mejor su trabajo, no para eliminar los trabajos mismos. Las empresas deben tomar nota. La adopción de base dentro de las empresas revela dónde la IA proporciona un valor real. En lugar de ignorar o prohibir la IA en la sombra, los líderes deben estudiarla, escalarlo de manera responsable y basarse en los casos de uso que los empleados ya han demostrado ser útiles, recordando las lecciones aprendidas sobre la IA como un habilitador de productividad, no un vehículo de reemplazo de mano de obra. La verdadera barrera: preparación de IA, incluso cuando las empresas quieren escalar IA, muchas no están listas. La preparación real de la IA requiere más preparación que licencias para modelos de idiomas grandes. Estos requisitos incluyen: datos consolidados y limpios de los que los sistemas pueden aprender. La mayoría de las empresas aún operan con datos fragmentados y aislados que socavan los resultados. Casos de uso claros y expectativas definidas por adelantado. Demasiados pilotos comienzan con «intentemos la IA» en lugar de identificar los problemas precisos para resolver una hoja de ruta de implementación que abarca tecnología, personas y procesos. AI no es una herramienta de plug-and-play. La IA exige la gestión del cambio, la gobernanza y la medición continua. La realidad es que la preparación de la IA madurará con el tiempo. En muchas empresas, esa maduración no será dirigida por el C-suite sino por los empleados que experimentan con IA en su trabajo diario. Los líderes de negocios y TI deben canalizar esa innovación ascendente en una estrategia de arriba hacia abajo que escala el valor en toda la organización. Diseño de un valor duradero Entonces, ¿qué funciona? Un mejor camino hacia adelante se ve así: comience con tareas, no roles: use la IA para reducir el esfuerzo del cliente o el tiempo en el ciclo, luego redistribuyó la capacidad ahorrada para el trabajo de mayor valor. Definir propietarios, niveles de servicio, objetivos de adopción y KPIS de negocios. Los pilotos estáticos no crean un valor a largo plazo. Inversión en capacidades, no experimentos: los equipos interfuncionales deben poseer casos de uso de extremo a extremo, incluidos datos, seguridad, proceso, cambio y experiencia del cliente. Conocimiento de protección: la automatización de parejas con captura de conocimiento y calcetería para reducir el esfuerzo sin borrar la experiencia. Recomendación a las juntas Cada propuesta de IA debe responder una pregunta: ¿Cómo aumenta esta iniciativa el valor del cliente en los próximos 90 a 180 días mientras se crea capacidades que se agravan durante los próximos 18 a 24 meses? Por ejemplo, si la respuesta es un plan de reducción de personal, optimiza la contabilidad, no los resultados. Además: cómo los agentes de IA pueden eliminar los desechos en su negocio, y por qué eso es más inteligente que reducir los costos, los ganadores finales no serán las empresas que reducen más rápido. Los ganadores serán aquellos que rediseñen el trabajo, por lo que las personas y las máquinas elevan el listón para los clientes. Así es como construye ganancias resistentes, un crecimiento duradero y un valor duradero de los accionistas. Eli no falla debido a la tecnología. La IA falla por cómo los líderes eligen usarlo. Centrarse en la creación de valor, no la eliminación de costos. Y recuerde: las mejores ideas sobre dónde puede ayudar a su empresa probablemente ya esté sentado dentro de su organización, siendo probada en silencio por sus empleados.