# Vídeo - la mayoría de los proyectos de IA fracasan, estudio del MIT 25 de agosto de 2025 La conclusión es clarísima, la dice en el mismo vídeo, se resume todo en: > La mayoría de los proyectos de IA fracasan no porque los modelos sea malos, sino porque los humanos somos malos usando la IA. y yo añadiría mi pequeño aporte: > No es tanto la gente usando la IA lo que falla (que también un poco); el verdadero problema es **la falta de un buen proceso de adopción adopción** en las empresas.  > [!example] Resumen esquemático del vídeo > ## Estudio del MIT: ¿Por qué fracasan los proyectos de IA? > > ### Hallazgos principales > > - **95% de los proyectos de IA generativa en empresas han fracasado** > > - El estudio del MIT revela que la mayoría de las iniciativas corporativas con GenAI no logran sus objetivos. > - Muchas empresas invierten en IA sin una estrategia clara ni comprensión técnica. > - **Meta reduce su inversión en IA** > > - A pesar del entusiasmo inicial, Meta está recortando gastos en IA. > - Esto refleja una tendencia más amplia de reevaluación en el sector tecnológico. > > --- > > ## Principales causas del fracaso > > ### 1. Falta de propósito claro > > - Las empresas adoptan IA por moda o presión competitiva, sin definir qué problema quieren resolver. > - Se lanzan proyectos sin una visión de negocio concreta. > > ### 2. Expectativas irreales > > - Se espera que la IA sea una solución mágica para todos los problemas. > - Los líderes no comprenden las limitaciones técnicas ni los requisitos operativos. > > ### 3. Infraestructura deficiente > > - Muchas compañías no tienen los datos necesarios ni la arquitectura tecnológica adecuada. > - Sin una base sólida, los modelos de IA no pueden entrenarse ni desplegarse correctamente. > > ### 4. Desconexión entre equipos > > - Falta de comunicación entre desarrolladores, científicos de datos y líderes de negocio. > - Los proyectos se fragmentan y pierden alineación con los objetivos estratégicos. > > --- > > ## Lecciones clave del video > > ### Qué hacer para evitar el fracaso > > - **Enfocarse en casos de uso específicos y medibles** > - Ejemplo: automatizar tareas repetitivas, mejorar atención al cliente, optimizar procesos internos. > - **Invertir en datos de calidad y en infraestructura** > - Sin buenos datos, no hay buenos modelos. > - **Formar equipos multidisciplinarios** > - Combinar conocimiento técnico con visión de negocio. > - **Iterar con proyectos pequeños** > - Empezar con pilotos antes de escalar. > > --- > > ## Reflexión final > > - La IA generativa tiene un potencial enorme, pero no es una varita mágica. > - El éxito depende de una ejecución cuidadosa, objetivos realistas y una cultura organizacional que entienda lo que realmente implica trabajar con IA.