Por qué el 78% de los proyectos de IA no llegan a producción
Hay un dato que se repite en los informes del último año y que a nosotros nos parece la métrica más importante del sector: solo dos de cada diez proyectos de inteligencia artificial que arrancan en empresas españolas terminan corriendo en producción. Los otros ocho se quedan en piloto, en prueba de concepto, en un cajón, o en una presentación bonita que nadie vuelve a abrir.
Es una cifra que, cuando llevas años en este trabajo, deja de sorprender. Y las causas casi nunca son las que se suelen contar.
No es un problema de tecnología
La primera trampa mental es pensar que estos proyectos se caen porque la tecnología no está madura. En 2026 esto ya no es cierto. Los modelos de lenguaje son suficientemente capaces, los frameworks de orquestación de agentes están estables, y las APIs son fiables. Si un proyecto se cae, no es porque el LLM haya fallado. Se cae por otras cosas.
Se cae porque nadie definió cuándo dejaba de ser un piloto
El error más común que vemos: se firma un piloto con métricas vagas ("validar el potencial de la IA en el área X") y sin criterio explícito para pasar a producción. Al final del piloto, todo el mundo mira los resultados y no sabe interpretarlos. ¿Es un éxito? ¿Es suficiente? ¿Justifica el siguiente paso?
Sin criterios de salida acordados por escrito antes de empezar, un piloto siempre acaba en tierra de nadie. Nosotros dedicamos las primeras conversaciones a definir tres o cuatro métricas concretas: tiempo ahorrado por caso tratado, coste por ejecución, porcentaje de casos resueltos sin intervención humana. Y un umbral numérico para cada una. Si en el piloto se alcanza el umbral, se escala. Si no, se para o se rediseña. Punto.
Se cae porque el equipo interno no puede mantenerlo
El segundo problema recurrente es la dependencia total del proveedor. Se contrata a una consultora, se entrega un sistema, la consultora se va, y a los seis meses nadie en la empresa cliente sabe cómo diagnosticar un fallo, cómo cambiar un prompt, o cómo ajustar un umbral de decisión. El sistema empieza a degradarse, el equipo pierde confianza en él, y en un año está desconectado.
La transferencia de conocimiento no puede ser un anexo del contrato: tiene que ser parte del diseño. Nosotros formamos al equipo del cliente en paralelo a la construcción del sistema. No para convertirlos en ingenieros de IA, sino para que sean capaces de operarlo, entenderlo, y detectar cuándo algo se está saliendo de rango.
Se cae porque la gobernanza llegó tarde
Un sistema de IA en producción toma decisiones sobre datos reales, con impacto real. Eso obliga a preguntas incómodas: ¿quién es responsable si el sistema comete un error? ¿Cómo lo auditamos? ¿Cómo se ajusta al AI Act europeo? ¿Cómo garantizamos que un cambio en el modelo no rompe el comportamiento esperado?
Estas preguntas se suelen dejar para el final, cuando el sistema ya está construido, y entonces aparecen como bloqueadores que impiden el despliegue. La gobernanza tiene que estar diseñada desde el primer día: registros de todo lo que hace el sistema, umbrales de confianza para escalar a humano, protocolos de rollback, revisión periódica. No es burocracia: es lo que permite dormir por la noche.
Se cae porque la elección del proveedor fue mala
Y esta es la parte más delicada de decir, pero es la más importante. Muchos proyectos se caen porque el partner elegido no tenía experiencia real de producción. Sabía hacer una demo brillante, sabía vender bien, sabía redactar propuestas. Pero cuando llegó el momento de conectar el sistema al ERP del cliente, de gestionar los picos de carga, de resolver un flujo que no dispara, no tenía el músculo.
La diferencia entre un proveedor que ha operado sistemas reales y uno que ha construido demos es difícil de detectar desde fuera. Se nota en las preguntas que hace en la primera reunión. Se nota en si te habla del feliz día uno o de los días 30, 90 y 365. Se nota en si te dice qué NO va a hacer.
Nuestra forma de trabajar
Nosotros venimos del negocio. Antes de Hootei.ai fueron años ayudando a empresas a digitalizarse con Odoo, metidos en sus almacenes, en sus oficinas comerciales, en sus departamentos financieros. Sabemos cómo funciona una empresa por dentro antes de proponer tecnología. Y esa profundidad de negocio, sumada a la disciplina de ingeniería que arrastramos de esos años, es la que nos hace diseñar sistemas de IA pensando en el día 365, no en la demo del día uno.
Por eso trabajamos en fases claras: un diagnóstico corto y honesto, un piloto con métricas cerradas antes de empezar, una producción con gobernanza desde el diseño, y un acompañamiento posterior en el que seguimos siendo las mismas personas que os cogimos el teléfono la primera vez.
Si estáis pensando en un proyecto de IA y os preocupa acabar en ese 78%, hablemos.