La pregunta casi nunca está en la agenda. Llega al final, cuando ya se apagó el proyector y alguien se está poniendo el saco, y se parece siempre a esta: ¿esto que estamos comprando es peligroso? Unos la hacen en voz alta y otros la dejan flotando, pero está en la sala.
Es una buena pregunta y merece una respuesta honesta, que es esta: el miedo a la inteligencia artificial es real, está medido, y no es una exageración de la prensa. Pero cuando uno va a ver qué ha salido mal de verdad dentro de las empresas, no encuentra máquinas que se volvieron contra nadie, sino algo mucho más aburrido y mucho más caro.
Primero, el miedo existe y tiene números
No hace falta suponerlo. El Pew Research Center preguntó entre febrero y junio de este año a 42.151 personas en 36 países, y encuestó a Estados Unidos por separado, con lo que el conjunto suma 37 lugares. Entre esos 37, la mediana —es decir, el país que queda justo a la mitad de la lista— llega al 37% de personas más preocupadas que entusiasmadas con la inteligencia artificial. Y en 34 de los 37, la gente cree que la IA va a producir menos empleos, no más.
El estudio de la Universidad de Melbourne con KPMG, publicado en 2025 sobre 48.340 personas en 47 países, va en la misma dirección: el 79% expresa preocupación por resultados negativos del uso de la IA, el 70% cree que hace falta regulación, y apenas el 43% piensa que las leyes actuales alcanzan.
Así que no, no es un invento, y cuando un gerente general dice que le inquieta está acompañado por buena parte del planeta.
El miedo no se reparte parejo, y eso nos cambia la conversación
Hay un hallazgo en ese mismo estudio de Melbourne y KPMG que casi nadie repite, y que a un empresario latinoamericano le conviene mirar despacio, porque contradice el tono de la prensa global.
Las economías emergentes —donde el estudio clasifica a Argentina, Brasil, Chile, Colombia, Costa Rica y México— usan más la inteligencia artificial, confían más en ella y la aceptan más que los países ricos. Cuatro de cada cinco personas (80%) la usan de forma regular o semirregular, frente a tres de cada cinco (58%) en las economías avanzadas. La aceptan el 84%, frente al 65%. Y en cuanto a confianza, la brecha es todavía más marcada: en los países emergentes confían en estos sistemas tres de cada cinco personas (57%), y en los avanzados solo dos de cada cinco (39%).
Ipsos, con su propia medición de este año sobre 23.532 adultos en 32 países, describe el mismo patrón con otras palabras: la gente de Asia-Pacífico y América Latina tiende a ver más beneficios que inconvenientes, mientras que en Europa y Norteamérica tiende a sentirse nerviosa.
El miedo del que hablan los titulares internacionales es, medido, sobre todo un fenómeno del norte rico. Aquí la gente no está esperando a ver si la inteligencia artificial es segura, porque ya la está usando.
Y por eso mismo nuestro riesgo es distinto del suyo, porque allá el problema es la resistencia a adoptar, y aquí el problema es que se adopta sin gobierno.
El gasto sube y el resultado no se mueve
Hay tres datos de este año que solo se entienden juntos.
El primero es de Gartner, en enero: el gasto mundial en inteligencia artificial llegará a 2,52 billones de dólares en 2026 —dos millones y medio de millones—, un 44% más que el año anterior. El segundo es del mismo informe, y es que Gartner ubica a la IA, durante todo 2026, en lo que llama el valle de la desilusión: ese momento del ciclo en que el entusiasmo baja porque los primeros resultados no llegaron.
El tercero cierra la pinza. McKinsey encuestó entre mayo y junio de este año a 1.719 participantes en 97 países, y encontró que casi nueve de cada diez organizaciones ya usan IA en al menos una función del negocio, y que ocho de cada diez personas dicen que les ha mejorado su propia productividad. Hasta ahí, todo bien. Pero solo el 37% ve algún efecto de la IA en el resultado del negocio, casi la misma proporción que el año pasado. Y los que logran mover en 5% o más la ganancia operativa —lo que le queda a la empresa antes de intereses e impuestos— son apenas el 6%.
Casi todos la usan, la mayoría siente que le sirve, y la proporción que la convierte en resultado no se movió en un año, mientras el dinero sigue entrando igual. No es que la inteligencia artificial no funcione, sino que la distancia entre usarla y cobrarla no se está cerrando.
Un producto que dejó de funcionar, y lo que enseña
El caso de Humane sirve para entender de qué está hecho el fracaso, y sirve precisamente porque es pequeño y completo.
Humane era una empresa fundada por dos ex-Apple que levantó más de 230 millones de dólares. Su producto, el AI Pin, se anunció en noviembre de 2023 y se vendió a 699 dólares más una suscripción mensual. Las reseñas salieron en bloque el 11 de abril de 2024 y fueron uniformemente negativas: David Pierce, de The Verge, lo resumió en una frase que quedó, y es que después de muchos días de prueba lo único en lo que podía confiar de verdad era en que el aparato le dijera la hora.
El 18 de febrero de 2025, HP compró los activos por 116 millones de dólares —aproximadamente la mitad de lo que la empresa había levantado— y se quedó con la propiedad intelectual, las patentes, el sistema operativo y el equipo de ingeniería, pero no con el aparato. Diez días después, el 28 de febrero de 2025 al mediodía, los dispositivos que la gente ya había comprado dejaron de conectarse: sin llamadas, sin mensajes, sin consultas y sin acceso a lo guardado. Lo único que la propia empresa prometió que seguiría funcionando fueron las funciones que no necesitan conexión, "como el nivel de batería".
Conviene ser preciso con la causa, porque circulan varias y no todas están sustentadas. Lo que sí coinciden todas las reseñas serias es en un patrón de falta de fiabilidad: el aparato no falló por ser demasiado inteligente, sino por no hacer de forma consistente lo que prometía.
Y aquí empieza lo que a usted le toca, porque un producto de consumo que no funciona se devuelve y el mercado lo saca de circulación en once meses, mientras que un sistema interno que no funciona se sigue usando durante años, ya que no hay reseñas, no hay devoluciones, y nadie dentro de la empresa tiene el trabajo de decir que no sirve.
El caso que debería conocer todo directorio
Un solo caso explica por qué el gobierno del dato no es un trámite, y es el único donde una empresa que cotiza en bolsa nombró el mecanismo, puso una cifra y el mercado la castigó el mismo día.
Antes de contarlo, conviene fijar dos palabras que van a aparecer varias veces. Gobierno del dato es, en una línea, saber qué datos tiene la empresa, de dónde vienen, quién los revisa y quién responde por ellos. Y el modelo es el conjunto de reglas que un sistema de inteligencia artificial aprende solo, a partir de los datos con que se lo entrena.
El 10 de mayo de 2022, en la llamada de resultados de Unity Software, su entonces director ejecutivo John Riccitiello explicó qué había pasado con la herramienta que le permitía a la empresa segmentar publicidad para sus clientes. Lo dijo así:
"Perdimos el valor de una parte de nuestros datos, datos de entrenamiento, debido en parte a que ingerimos datos defectuosos de un cliente grande."
La estimación de la empresa sobre el impacto fue de aproximadamente 110 millones de dólares en el año, y al día siguiente la acción cayó 37%, hasta su precio más bajo en un año. Riccitiello lo llamó ante CNBC "una herida autoinfligida".
Conviene una precisión para juzgar el dato. Esos 110 millones no aparecen en el documento que Unity presentó al regulador, que solo habla de recortar la previsión de ingresos del año por problemas en sus productos de publicidad. La cifra la dio la gerencia en la llamada, y es una estimación de ingresos no percibidos, no una pérdida auditada. Eso no la hace falsa, la hace lo que es: la mejor estimación de quienes estaban adentro.
Pero lo verdaderamente instructivo no es el monto, sino el orden en que tuvieron que reparar el daño. Ingrid Lestiyo, vicepresidenta senior y gerente general de Operate Solutions, lo explicó en la misma llamada: primero la reconstrucción de los datos, y después el reentrenamiento del modelo, que es volver a enseñarle desde cero con los datos ya limpios.
En ese orden, y no al revés, porque el dato malo ya se había convertido en parte de lo que el sistema creía saber.
Por qué el error de un modelo no se parece al error de una persona
Hay una palabra que todos usan en la conversación de directorio sin definirla: exponencial. Y conviene definirla, porque es aquí donde se sostiene todo lo demás.
Cuando una persona en su empresa se equivoca, el error tiene un tamaño. Afecta a un cliente, a una factura, a un pedido. Alguien lo nota, se corrige y se sigue.
Cuando un modelo se equivoca, el error no tiene ese tamaño, por tres razones que se acumulan.
Se aplica a todos a la vez. El sistema no atiende un caso: atiende toda la fila, uno detrás de otro, con el mismo criterio. Si la regla que aprendió está torcida, sale torcida para cada cliente que pase por ahí.
No se anuncia. Un sistema que falla de esta manera no arroja un error ni se cae, sino que sigue entregando respuestas con la misma seguridad de siempre. Por eso Unity necesitó un trimestre para ponerle número, y por eso la pregunta que hay que hacerse no es si un modelo puede fallar, sino en cuánto tiempo se notaría.
Se alimenta de sí mismo. Las decisiones que toma el sistema generan datos nuevos, y esos datos enseñan a la versión siguiente. Una inclinación torcida que entra hoy no se queda quieta: se refuerza. Por eso la reparación empieza por los datos y no por el programa, y por eso no se arregla corrigiendo el sistema por encima.
Ese es el verdadero sentido de lo exponencial. No es que la máquina se vuelva más poderosa, sino que el error se multiplica por la velocidad y el alcance que usted mismo le dio.
Y el error no se queda adentro
Hay dos casos recientes que muestran hasta dónde llega.
El 14 de febrero de 2024, un tribunal de Columbia Británica falló contra Air Canada porque su asistente automatizado le había inventado a un cliente una política de tarifas que no existía. La aerolínea argumentó que el chatbot era una entidad legal separada, responsable de sus propios actos. El tribunal rechazó el argumento y lo dejó escrito: el programa era simplemente una parte del sitio de Air Canada, y la empresa seguía siendo responsable de toda la información de su sitio, viniera de una página fija o de un chatbot. El monto fue de unos 650 dólares canadienses más intereses y costas, que es una cifra trivial, y sin embargo el precedente no lo es.
Y en octubre de 2025, Deloitte Australia tuvo que devolver parte de un contrato de 440.000 dólares australianos con un departamento del gobierno, porque el informe que entregó contenía una cita fabricada de una sentencia del Tribunal Federal y referencias a trabajos académicos que no existen. El informe auditaba, justamente, el sistema que automatiza sanciones de bienestar social.
Ninguna de las dos es una historia de tecnología peligrosa. Las dos son historias de algo más simple: nadie revisó la salida antes de que saliera.
Tres cosas que apuntan al otro lado
La cifra más citada sobre fracaso de la IA está mal citada. Usted la ha visto: "el 95% de los proyectos de IA fracasan, según el MIT". El informe no dice eso, sino que el 95% de las organizaciones no está obteniendo retorno —dinero de vuelta—, que es distinto. Y hay un detalle que el titular omite: cerca del 80% de las empresas del estudio nunca puso en marcha una herramienta propia, de modo que ese 95% se calculó sobre un grupo que en su mayoría nunca intentó nada. El informe además no fue revisado por investigadores independientes antes de publicarse. No lo use, ni a favor ni en contra.
Volver atrás no es fracasar; es gobernar. En agosto de 2025 el Commonwealth Bank de Australia deshizo el recorte de cuarenta y cinco puestos de su centro de llamadas al comprobar que el volumen de llamadas no había bajado como creía, sino subido, y lo reconoció por escrito: no consideramos adecuadamente todas las variables relevantes del negocio, debimos ser más rigurosos en la evaluación. Y el director ejecutivo de Klarna, que había sido de los más entusiastas, dijo en mayo de 2025 que el costo había pesado demasiado en la evaluación y que el resultado fue menor calidad. Las dos son empresas corrigiendo a tiempo, que es exactamente lo que uno quiere que pase.
Y la adopción sí está produciendo valor para la gente. Ocho de cada diez personas dicen que la inteligencia artificial les mejoró su propia productividad, y contradecir eso sería deshonesto. Lo que no se está cerrando es el salto entre esa mejora personal y el resultado de la empresa.
El dato latinoamericano que falta, y por qué falta
Hay algo que noté al reunir todo este material, y conviene decirlo antes de seguir.
Todos los casos con cifra pública que he podido reunir son de otros países: Unity, Air Canada, Deloitte, el Commonwealth Bank. Y más atrás, fallos de sistemas automatizados sin inteligencia artificial de por medio, como la salida de Zillow del negocio de compra y venta de casas en 2021, cuando su modelo de valoración se quedó corto ante un mercado que dejó de ser predecible, o la pérdida de más de 460 millones de dólares de Knight Capital en cuarenta y cinco minutos en 2012, que fue un error de despliegue de programas.
Busqué casos latinoamericanos con una pérdida pública y verificable causada por inteligencia artificial con datos defectuosos. No encontré ninguno.
Eso no significa que aquí no pase, sino otra cosa. Los casos que podemos citar vienen de mercados con reguladores de valores que obligan a contar, tribunales que publican sus fallos y prensa de investigación especializada. Donde no hay obligación de divulgar ni costumbre de hacerlo, los fallos ocurren igual, pero ocurren en privado.
La consecuencia práctica para un directorio ecuatoriano es incómoda y directa: usted no va a aprender del caso de su competidor, porque el caso de su competidor nunca se va a publicar. Solo va a aprender del suyo, y ese lo paga usted.
Tres preguntas para su próxima reunión de directorio
¿Qué datos entran a nuestros sistemas sin que nadie los revise antes?
No pregunte si tenemos buenos datos, porque todo el mundo contesta que sí. Pregunte quién revisa el archivo que llega de ese proveedor, de esa integración o de ese cliente grande, antes de que alimente algo. Si la respuesta es que llega y se procesa, ya tiene el hallazgo.
Si uno de nuestros sistemas empezara a equivocarse en silencio, ¿en cuánto tiempo lo sabríamos, y cómo?
Esta es la pregunta que separa a quien tiene gobierno de quien tiene herramientas, porque no busca una fecha sino saber si existe un mecanismo. Si nadie puede nombrar cómo nos enteraríamos, la respuesta es que nos enteraríamos cuando lo note un cliente.
¿Quién responde por lo que dice nuestro asistente automatizado a un cliente?
Air Canada ya intentó la defensa de que el sistema responde por sí mismo, y la perdió. Conviene saber la respuesta antes, y no el día que haga falta.
Lo que hay que llevarse
El miedo a la inteligencia artificial es real, y quien lo siente no está equivocado por sentirlo. Está equivocado en hacia dónde lo apunta.
Lo que ha costado dinero de verdad en estos años no fue un sistema que se volvió contra su dueño, sino un dato defectuoso que entró sin que nadie lo mirara, una herramienta que dejó de ser confiable sin avisar, y una respuesta automatizada que nadie revisó antes de que llegara al cliente.
Su inteligencia artificial no va a hacer nada que usted no le haya enseñado, y ahí está justamente el problema. Va a hacer lo que sus datos le digan, a la velocidad que usted le dio y para todos sus clientes a la vez. Y lo va a decir con la misma seguridad cuando acierta y cuando se equivoca.
Por eso el gobierno del dato dejó de ser un asunto del área de sistemas. La pregunta ya no es si su empresa va a usar inteligencia artificial, porque la respuesta es que ya la está usando. La pregunta es si alguien, con nombre y apellido, responde por lo que ese sistema aprende.
Es la primera pregunta que hacemos cuando entramos a una empresa, antes de mirar cualquier herramienta:
¿Sabe usted qué datos entran a sus sistemas, y quién los revisó?
Si la respuesta honesta es no, esa es la conversación que le falta al directorio, y conviene tenerla ahí antes de tenerla con un cliente o con un regulador.
Si quiere ponerle nombre y apellido a esa responsabilidad, le dejo el diagnóstico en knowcell.com/diagnostico.
