Mucha IA, poco ROI: del entusiasmo inicial a la presión por resultados

Después de años de ensayo y error, a inicios de 2026 el ROI de la IA sigue siendo uno de las principales interrogantes en el mundo corporativo. En un contexto en el que las organizaciones continúan invirtiendo en esta tecnología con la expectativa de alcanzar promesas de eficiencia, todavía es evidente la brecha entre su adopción y la obtención de resultados verificables.

Sin embargo, este año marca un punto de inflexión. Los consejeros generales y los directores financieros exigen un ROI medible de las iniciativas de datos e IA. La realidad es que, aunque en muchos casos la IA permite a los empleados optimizar su tiempo y su forma de trabajar, una parte importante de esos beneficios no llega a consolidarse. El principal desafío: la calidad de los datos.

Gartner señala que el 85% de los proyectos de IA fracasan como consecuencia directa de una deficiente base de datos. En fases iniciales, muchos casos de uso parecen viables porque se apoyan en conjuntos de datos controlados y preparados específicamente para pruebas. El problema aparece cuando esos modelos se despliegan en entornos reales, donde deben operar con información dinámica, incompleta o inconsistente, lo que limita de forma significativa su rendimiento y fiabilidad.

Esta situación será todavía más visible a medida que la IA evolucione desde el papel de asistente hacia operadores autónomos capaces de ejecutar tareas de varios pasos, activar flujos de trabajo, aprobar transacciones y colaborar activamente con las personas. Estos agentes solo podrán escalar de forma efectiva si se sustentan en datos actualizados y correctamente gobernados.

En esta línea IDC estima que, para 2027, las empresas que no prioricen datos de alta calidad y preparados para la IA encontrarán serias dificultades para ampliar soluciones de GenAI y agentes, lo que se traducirá en una pérdida de productividad del 15%.

A esta previsión se suma una advertencia adicional por parte de Gartner, que apunta a un escenario aún más exigente. Más del 40% de los proyectos de IA agéntica serán cancelados antes de finales de 2027 debido al aumento de los costes, a la ausencia de un valor empresarial claro o a la falta de controles de riesgo adecuados.

A ello se añade la complejidad de la integración con sistemas legacy, ya que muchas organizaciones intentan superponer capacidades agénticas sobre arquitecturas obsoletas, lo que termina amplificando los problemas existentes.

El camino hacia un ROI medible

Con este panorama resulta evidente que los productos de datos se hayan convertido en el nuevo combustible de la era de la IA generativa y agentiva. No obstante, su impacto real sigue dependiendo de la capacidad de las organizaciones para acceder a información fiable y gestionada de forma adecuada, algo que en la práctica no siempre está garantizado.

Como consecuencia, la centralización de los datos en un único data lake irá perdiendo protagonismo, ya que continúa siendo insuficiente para dar soporte a casos de uso operativos y a una gestión avanzada de la información. Por este motivo, se consolida como una arquitectura de transición que sienta las bases para modelos más evolucionados, como las estructuras de datos y los ecosistemas integrados.

A lo largo del año veremos cómo las estrategias de nube empresarial evolucionan desde el enfoque de migrarlo todo hacia modelos más distribuidos, basados en entornos soberanos, híbridos y multicloud, coordinados y optimizados según las necesidades de cada carga de trabajo. Este planteamiento solo es viable cuando se apoya en una gestión lógica de los datos y en capas de control federadas que permitan articular la información de forma coherente a lo largo de toda la infraestructura.

De este modo, se reduce la complejidad propia de los entornos distribuidos y se facilita el acceso a los datos adecuados, en el momento necesario y bajo criterios claros de gobierno, garantizando interoperabilidad, cumplimiento normativo y una portabilidad fluida entre sistemas. En la práctica, es esta capa lógica la que convierte la arquitectura distribuida en una base operativa para la IA y permite que los casos de uso generen valor de forma sostenida y medible.

Este enfoque se acentúa con la capacidad multimodal que ofrecen las capas lógicas de gestión de datos, que permiten acceder a la información empresarial de forma holística, sin importar su naturaleza. Puede estar alojada en sistemas corporativos con datos estructurados, en repositorios de documentos como contratos o datasheets técnicos, e incluso en imágenes o vídeos. La información no estructurada puede vectorizarse y participar en consultas complejas generadas por motores de IA generativa que combinan todas estas fuentes para ofrecer la mejor respuesta a la consulta del usuario.

A partir de ahí, las empresas podrán construir una capa de inteligencia en red mediante la convergencia de capas semánticas, productos de datos gobernados, fundamentos preparados para la IA y automatización basada en agentes. Este núcleo marcará la transformación digital de la próxima década y redefinirá la forma en que se mide el éxito de la IA dentro de las organizaciones.

En 2026, la apuesta se reforzará definitivamente hacia marcos prácticos, una IA responsable y resultados verificables, con casos de uso cuyo ROI sea demostrable y sostenible en el tiempo. En este escenario, las plataformas capaces de reducir el movimiento innecesario de datos, eliminar redundancias y acelerar el acceso a la información se consolidarán como la base para cerrar, por fin, la brecha entre la adopción de la IA y su impacto real en el negocio.

El autor de este artículo es Anastasio Molano, doctor ingeniero de Telecomunicación y experto en ‘logical data fabric’ y virtualización de datos. Forma parte del equipo de Denodo desde su fundación y, en la actualidad, es vicepresidente senior de Arquitecturas de Datos para EMEA de la compañía y asesora y orienta a clientes de todo el mundo para asegurar una implantación exitosa de arquitecturas lógicas de gestión de datos.