El cuarenta por ciento de las iniciativas de IA en las mayores empresas de Europa se mantienen como pilotos perpetuos —nunca cancelados, nunca escalados— «por diseño». Esa cifra no baja a medida que las organizaciones mejoran con la IA. Sube. Dentro de los programas de IA más maduros, la proporción de pilotos permanentes trepa al 48 %, incluso cuando el gasto medio en IA alcanza los 39,2 millones de libras al año y crece un 27 % interanual (Valliance, vía Consultancy.uk, 2026). Más experiencia, más presupuesto, más sofisticación — y más pilotos que no llevan a ninguna parte. Esa es la paradoja, y es la señal más clara hasta ahora de que lo que rompe los retornos de la IA no son los experimentos. Es la decisión ausente que debería seguirles.
La lectura refleja de esos datos es «los pilotos de IA fracasan, así que cuidado con lanzarlos». Esa es exactamente la lección equivocada. El hallazgo más afilado enterrado en la encuesta de Valliance a 1.000 altos directivos es que la experimentación funciona bien; lo que falta es la compuerta kill-or-scale — el momento en que alguien examina un piloto, frente a métricas comprometidas de antemano, y lo declara muerto o listo para producción. Para un Head of Operations de una empresa de 200 empleados que está cerrando su plan de IA del próximo año, el problema del paso del piloto a producción no es una razón para frenar. Es una razón para instalar una decisión que tus pares de las grandes empresas, con todo su presupuesto, todavía no tienen.
La paradoja: la madurez debería curar la «pilotitis». No lo hace.
El modelo intuitivo del aprendizaje organizativo dice que cuantos más proyectos de IA ejecutas, mejor te vuelves para terminarlos. Desarrollas músculo: aprendes qué casos de uso escalan, matas más rápido los fallidos, tu tasa de éxito sube. Los datos de Valliance dicen que en la cima del mercado ocurre lo contrario. Las organizaciones con los programas más consolidados son las que acumulan más pilotos perpetuos — 48 % frente al 40 % de base (Valliance, vía Consultancy.uk, 2026).
Eso debería detenerte. Significa que la «pilotitis» —la condición de experimentar sin fin sin comprometerse jamás— no es una enfermedad de principiante que la madurez cure. Es una condición estructural que la madurez amplifica, porque los programas maduros tienen el presupuesto para mantener más pilotos vivos indefinidamente y la complejidad política para evitar matar ninguno. Cada piloto tiene un patrocinador. Cada patrocinador tiene una razón por la que «todavía está aprendiendo». Nadie es dueño del veredicto. El resultado es una cartera que crece en los márgenes y nunca se resuelve en el centro.
Valliance es precisa sobre el mecanismo: el fracaso no es el experimento, es lo que ocurre —o no— después. Métricas de éxito pobres, baja adopción y encargos de consultoría estructurados para extenderse en lugar de concluir empujan a los pilotos a una órbita de espera. Los 39,2 millones de libras de gasto medio no compran sistemas de producción. Una gran parte compra el derecho a seguir ejecutando experimentos que nadie cerrará jamás formalmente.
Por qué «la experimentación fracasó» es el diagnóstico equivocado
He aquí por qué la distinción importa en lo operativo. Si el diagnóstico es «la IA no funciona», el tratamiento es desplegar menos. Si el diagnóstico es «nunca decidimos», el tratamiento es la gobernanza — y la ventaja de hacerlo bien es grande y está bien documentada.
Cuando la IA está realmente integrada en un flujo de trabajo en lugar de dejada en el limbo del piloto, la diferencia de rendimiento no es marginal. El experimento de campo de Harvard Business School y BCG sobre trabajadores del conocimiento halló que los consultores que usaban la IA correctamente completaban las tareas alrededor de un 25 % más rápido y producían un trabajo valorado en torno a un 40 % más alto en calidad que el grupo de control (Harvard Business School & BCG, 2023). Ese es el premio que aguarda al otro lado de la compuerta. La organización de pilotos perpetuos paga el precio completo de la IA y recoge casi ningún retorno, porque el aumento de calidad del 40 % solo se materializa cuando la herramienta está en producción, en el flujo de trabajo diario, con adopción — no cuando se la «evalúa» en un entorno de pruebas por decimoctavo mes.
El coste de no decidir aparece también en los datos macro. El análisis de 2025 del MIT, ampliamente citado, encontró que cerca del 95 % de los pilotos de IA generativa en empresas no produjeron ningún impacto medible en la cuenta de resultados — solo alrededor de uno de cada veinte cruzó a un retorno financiero real (MIT, vía Fortune, 2025). Leída junto a Valliance, la imagen se afina: el problema no es que la IA no pueda rentar — los pocos que la integran bien lo hacen extraordinariamente bien. El problema es que a la inmensa mayoría de los pilotos nunca se les obliga a demostrar que rentan, así que caen en el 95 % por inercia.
Ese es el diagnóstico. No «la experimentación fracasó». La experimentación tuvo éxito y nunca se convirtió. El órgano ausente es la compuerta de decisión.
El coste de una compuerta ausente es mayor por euro para el mid-market
Sería cómodo archivar esto como un problema de grandes empresas — presupuestos de 39,2 millones de libras, multinacionales europeas de 1.000 directivos, una escala de desperdicio que una empresa mid-market nunca alcanzará. Ese consuelo está fuera de lugar, y la razón es aritmética.
Una empresa con 39,2 millones de libras de gasto en IA puede cargar una docena de pilotos zombi como un error de redondeo. El desperdicio es real pero diluido en un presupuesto enorme; el piloto perpetuo es una línea que el director financiero tolera. Una empresa de 200 empleados no puede diluir nada. Si ejecutas tres pilotos de IA y dos son perpetuos por inercia, no estás desperdiciando un error de redondeo — estás asignando mal una fracción significativa de un presupuesto tecnológico discrecional que costó conseguir en primer lugar. El porcentaje de desperdicio puede ser similar; la capacidad de sobrevivir a ese desperdicio, no. El mid-market siente cada piloto estancado de un modo del que las grandes empresas están estructuralmente aisladas.
Hay una segunda asimetría. La gran empresa tiene funciones de gobernanza — una oficina de transformación, un comité de revisión de cartera, un CIO cuyo equipo al menos puede ver los pilotos zombi. En una empresa de 200 empleados, el piloto que tu responsable de operaciones lanzó con un proveedor en primavera no tiene ningún comité de revisión listo para juzgarlo. Si no construyes la compuerta personalmente, no hay compuerta. El hallazgo de Valliance de que incluso los programas empresariales maduros no logran matar pilotos es, bien leído, una advertencia: si organizaciones construidas a propósito para gobernar esto aún no pueden, el mid-market no llegará a la disciplina por accidente. Hay que instalarla deliberadamente.
El contraargumento: «Bain dice que los casos de uso ya están escalando»
La objeción más fuerte a todo esto viene de una fuente creíble, y merece una respuesta directa. La encuesta a directivos de 2026 de Bain & Company plantea algo cercano a una contranarrativa — que en la mayoría de las categorías de casos de uso las empresas sí están llevando la IA del piloto a producción, y que la historia del «todo atascado en pilotos» está exagerada. Si Bain tiene razón, la compuerta kill-or-scale resuelve un problema que ya se resuelve solo.
Ambos hallazgos pueden ser ciertos a la vez, y sostener la tensión es más útil que elegir un bando. El escalado es desigual. Una organización puede de verdad llevar a producción sus dos o tres mejores casos de uso mientras al mismo tiempo acumula una larga cola de pilotos que nunca se resolverán — el 40 % al 48 % que midió Valliance. Bain cuenta los ganadores que cruzaron; Valliance cuenta el atasco que no lo hizo. La lección para el mid-market no es «ignora a Bain». Es que las organizaciones que tienen éxito al escalar son precisamente las que toman decisiones explícitas de escalado — y las que se ahogan en pilotos perpetuos son las que nunca construyeron el mecanismo para decidir. La compuerta es lo que separa la historia de escalado de Bain de la historia de estancamiento de Valliance. Quieres estar del lado correcto de esa línea, a propósito.
Las pruebas de apoyo apuntan en la misma dirección. La investigación Work Reimagined de EY halló que, aunque casi nueve de cada diez empleados usan ahora la IA de alguna forma, solo alrededor de un cuarto de las organizaciones está realmente posicionado para convertir ese despliegue en resultados de alto valor (Deloitte, State of AI in the Enterprise, 2026). El uso es universal; la conversión es rara. El factor diferenciador no es el acceso a la IA. Es la disciplina de decidir qué hacer con cada despliegue.
Construir la compuerta kill-or-scale: tres componentes para este trimestre
La solución es acotada, barata y enteramente bajo tu control antes de que el próximo ciclo presupuestario fije el gasto. No necesitas una oficina de transformación. Necesitas una compuerta, y una compuerta tiene tres partes. Aplícala a cada piloto de IA activo que ejecutes hoy, y hazla obligatoria para cada nuevo.
Primero, una ventana de evaluación fija. Cada piloto recibe una fecha de fin en el momento en que arranca — 60 días, 90 días, un trimestre, lo que encaje con el caso de uso, pero una fecha, nombrada de antemano. El único comportamiento que crea pilotos perpetuos es el plazo abierto: un piloto sin fin nunca tiene que enfrentar el juicio. Cierra el plazo y fuerzas el veredicto. Si un piloto llega a su ventana sin decisión, el valor por defecto no es «extender». El valor por defecto es «matar».
Segundo, métricas de éxito comprometidas de antemano. Antes de que el piloto corra, escribe cómo se ve el éxito en números que de verdad tendrás al final — horas ahorradas por semana, tasa de error reducida, rendimiento por persona, tasa de adopción entre los usuarios previstos. La razón por la que las grandes empresas maduras se estancan, según Valliance, son métricas pobres y baja adopción: los pilotos a los que nunca se les dio un listón claro que superar siempre pueden alegar que «aún están aprendiendo». Un piloto con una métrica comprometida de antemano la alcanza o no. Define el listón antes de tener interés en moverlo.
Tercero, un veredicto binario y un dueño nombrado. Al final de la ventana, una persona responsable —no un comité— emite una de exactamente dos decisiones: escalarlo a producción con un presupuesto real y un plan de adopción, o matarlo y recuperar el gasto. No hay tercera opción. «Extender otro trimestre» es la enfermedad, no una decisión. La ventaja de HBS-BCG —25 % más rápido, 40 % mejor— solo se cobra del lado «escalar» de ese veredicto, y solo cuando escalar significa integración real, no un entorno de pruebas más grande.
Ninguno de esos tres requiere plantilla ni una plataforma. Requieren decidir, de antemano, que un piloto gane su continuación superando un listón definido en una fecha definida, juzgado por una persona nombrada. Ese es todo el suelo de gobernanza para el paso del piloto a producción, y es la diferencia entre una cartera que convierte y una que cultiva zombis en silencio.
La historia agregada de los datos de 2026 de Valliance es que las organizaciones con mayor madurez en IA son las peores para terminar lo que empiezan — y que el mid-market, que no puede permitirse su tolerancia al desperdicio, es el que más tiene que ganar con una disciplina que ellas nunca construyeron. La decisión que tiene delante un Head of Operations este trimestre no es si ejecutar más pilotos de IA. Es si un solo piloto en tus libros hoy tiene una fecha de fin, un número de éxito y un nombre adjunto al veredicto. Elige tu piloto activo más caro y dale los tres antes de que se cierre el presupuesto. La compuerta kill-or-scale no es el freno de tu programa de IA. Es lo único que convierte el gasto en retorno.
