El desarrollo y la adopción de la inteligencia artificial (IA) han adquirido un gran interés como motor de productividad. Estos sistemas permiten la toma de decisiones automatizada y la predicción (o recomendación) en diferentes áreas funcionales. De hecho, el 46,2 % de las empresas en España la utilizan para la automatización del trabajo.
XAVIER BUSQUETS, PHD. Profesor de Estrategia Digital, Esade. Miembro del Comité Científico de la Asociación Catalana de Ingeniería de Telecomunicación
LA INTELIGENCIA ARTIFICIAL COMO MOTOR DE TRANSFORMACIÓN ECONÓMICA
No obstante, la incorporación efectiva de la IA generativa en el tejido empresarial sigue enfrentándose a obstáculos. La transición desde la investigación y el desarrollo (I+D), pasando por el producto comercial, hasta la aplicación industrializada de la IA, sigue siendo un reto muy importante para las empresas.
Según la proveedora de estudios de mercado IDC, solo el 19% de las empresas han logrado desplegar soluciones de IA a gran escala. Algunos sectores destacan —entre otros, las comunicaciones, las tecnologías de la información y de la salud— en el diagnóstico y en el descubrimiento de nuevos fármacos. A nivel general, el 35% de las empresas se encuentran en la fase de pruebas de concepto (muchas de ellas, estancadas) y el 44% continúan en una fase experimental, sin avances tangibles. Este panorama evidencia la necesidad de una estrategia de escalabilidad que permita sortear los desafíos actuales y consolidar la IA como un elemento clave en la estructura empresarial. Por ello, hemos iniciado un proceso de investigación para comprender los factores habilitadores y las barreras. En este artículo, presentamos algunos resultados preliminares.
FACTORES QUE LIMITAN LA ESCALABILIDAD DE LA INTELIGENCIA ARTIFICIAL
Según diversos informes, menos del 13% de las pruebas de concepto (POC) en IA generativa lograron llegar a la fase de producción en 2024, lo que indica la existencia de barreras significativas que obstaculizan su adopción a gran escala. Según los primeros resultados de nuestro proyecto de investigación, estos factores pueden agruparse en dos categorías: oferta y demanda.
Desde la perspectiva de la oferta, la principal limitación a la escalabilidad de la inteligencia artificial es que los precios de estos sistemas son confusos, en relación con sus prestaciones. Cuantos más parámetros se especifican, mayor precisión se obtiene en las respuestas. Sin embargo, el crecimiento del número de parámetros no se ve acompañado por las tradicionales economías de escala que se aplican en el software. Mientras que, en las fases de entrenamiento y ajuste fino, modelos como los de OpenIA presentan unos costes marginales decrecientes, en las fases de inferencia y razonamiento en explotación presentan costes marginales crecientes porque requieren el uso de chips especializados, como las GPU H100 de NVIDIA.
A nivel general, el 35% de las empresas se encuentran en la fase de pruebas de concepto (muchas de ellas, estancadas) y el 44% continúan en una fase experimental
Por el contrario, la china Deep- Seek ha desarrollado modelos como el R1 en código abierto, con 671.000 millones de parámetros. Este modelo ha sido entrenado con un coste aproximado de 5,6 millones de dólares por su arquitectura, que divide cada pregunta en problemas más pequeños y optimiza la capacidad de computación en paralelo con chips como las GPU H100 de NVIDIA o los Ascend 910C de Huawei, y precisa un menor volumen de datos. Por ello, toma fuerza el anuncio de Microsoft en que ofrece DeepSeek-R1 como parte del servicio Azure AI Foundry, la plataforma de Microsoft que reúne diversos servicios de IA para empresas bajo un mismo paraguas, después de haber “sometido a DeepSeek a rigurosas evaluaciones de seguridad y pruebas.
En términos estratégicos, otro aspecto fundamental es el modelo de negocio y la estrategia de mercado de este tipo de modelos. OpenAI apuesta por la diferenciación del producto, a diferencia del enfoque de plataformas y ecosistemas de código abierto como DeepSeek, pero también de IBM y Meta. El modelo Llama 3 de Meta cuenta con unos 405.000 millones de parámetros y, aunque no se han publicado cifras exactas de los costes de entrenamiento, se sabe que Meta ha invertido a una escala similar a OpenAI.
Un ecosistema, a diferencia de una estrategia de producto, favorece la creación de un estándar de facto por los efectos de red que genera, facilitando la conexión de desarrolladores y start-ups que permite la innovación incremental de las tecnologías auxiliares. Ninguna tecnología sobrevive sin conectarse con otras existentes. Las estrategias de código abierto pueden generar un mayor número de “complementos” y aplicaciones, lo cual reduce los costes de entrada para la empresa y los costes de integración con los sistemas corporativos. Sin embargo, el enfoque de código abierto puede implicar riesgos relacionados con la privacidad y la seguridad de datos.
Desde la perspectiva de la demanda, la baja adopción interna de la IA en las empresas requiere mucha más investigación. Factores como la falta de formación especializada y la resistencia al cambio tecnológico han frenado la implementación de soluciones basadas en IA en sectores clave. A ello se suman la desconfianza en la IA, los riesgos regulatorios que lleva asociados y las incertidumbres sobre la legalidad y la ética del uso de modelos automatizados en la toma de decisiones empresariales.
Creemos que las principales barreras se encuentran en los modelos operativos, en la división del trabajo entre personas y máquinas y en los modelos de negocio tradicionales. El resultado es incierto, ocasionando dificultades a la hora de justificar la inversión inicial y la monetización de las capacidades tecnológicas desarrolladas.
Como conclusión, podemos señalar que la estrategia de ventas de los modelos IA es un factor crítico en su adopción; mientras que la no adecuación de los modelos de negocio y operativos es el factor clave para que un número tan bajo de prototipos de IA generativa escale.
ESTRATEGIAS PARA LA INDUSTRIALIZACIÓN Y LA ESCALABILIDAD DE LA IA
La incorporación de la IA en la empresa no es un proceso de ventas al uso, sino un proceso de transferencia tecnológica que requiere la transmisión de conocimiento para la capacitación de la empresa. Por ello, proponemos un modelo en que la innovación funcione como motor central (ver figura 1) que genere un ciclo continuo de innovación.
Este nuevo enfoque requiere la integración de varios elementos. En primer lugar, la inversión en infraestructuras y en talento especializado ha de ser una prioridad para las organizaciones que buscan escalar la IA. La adquisición de hardware avanzado, la implementación de plataformas de datos robustas y la contratación de expertos en inteligencia artificial son fundamentales para garantizar el rendimiento y la fiabilidad de los modelos implementados. Asimismo, la adopción de un modelo de organización ágil y la creación de factorías de IA se presentan como una estrategia esencial para la industrialización del ciclo de vida de los modelos de IA, mejorando la eficiencia operativa y reduciendo costes de acceso y de integración.
Situar un proceso de innovación en el centro (ver figura 1) permite desarrollar capacidades o conocimientos compartidos mediante: 1) la transferencia de conocimiento explícito; 2) el desarrollo de conocimiento experiencial, en forma de pruebas de concepto con equipos compartidos entre los proveedores y la empresa, y 3) un proceso de innovación para identificar limitaciones en las infraestructuras y en las estructuras organizativas, lo cual genera feedback para diseñar áreas de mejora en las siguientes interacciones.
Cuando la innovación se sitúa en el centro del proceso, las estrategias de monetización de la IA han de evolucionar hacia modelos más flexibles, en función del alcance del proyecto, en lugar de depender exclusivamente de las rigideces de la venta tradicional. Las empresas tecnológicas deben entender cómo integrar equipos de innovación en sus iniciativas de ventas de soluciones de inteligencia artificial. Estamos describiendo un proceso de cocreación de innovación cuyo objetivo es el desarrollo de nuevas aplicaciones entre los fabricantes de IA y sus clientes; un proceso que permitirá una mejor eficiencia, pero también generar nuevas oportunidades de ingresos conjuntos con nuevas aplicaciones y en forma de propiedad intelectual.
Las implicaciones para la dirección son muy significativas. El gobierno de procesos, donde está presente la transferencia de conocimiento explícito y tácito requiere un tipo de liderazgo muy distinto del tradicional. El gobierno de procesos de transferencia de conocimiento no puede medirse con “retornos de inversión” de la puesta en marcha de “herramientas tecnológicas” en contextos con un alto grado de previsibilidad.
El resultado de un proceso de capacitación en contextos de alta incertidumbre debe centrarse en medir los “retornos del aprendizaje” y la generación de “capital intelectual” y de activos intangibles como fuente de ventaja competitiva. Aunque nuestra investigación se halla en su primera fase, creemos que las organizaciones que hemos estudiado lograrán mejores resultados si integran la IA de forma estratégica. Creemos que esta estrategia puede mejorar las probabilidades de éxito en las trayectorias de implantación de este tipo de sistemas. Con ello, las empresas no solo mejorarán su competitividad, sino que también liderarán la revolución digital del futuro y lograrán consolidarse como actores clave en la economía del siglo XXI.
Referencias:
1 Ministerio de Economía, Comercio y Empresa (2023). «Crece el número de empresas que incorporan la inteligencia artificial y el big data en su transformación digital». 23 de marzo. Disponible en: https://portal.mineco.gob.es/es-es/comunicacion/Paginas/Informe_ONTSI.aspx
2 IDC (2025). «IDC Futurescape Summit. Creating the Sustainable AI-fueled Business of the Future». Disponible en: https://www.idc.com/eu/events/71805-idc-futurescape-summit
3 SHARMA, Asha (2025). «DeepSeek R1 is now available on Azure AI Foundry and GitHub». 29 de enero. Disponible en: https://azure.microsoft.com/en-us/blog/deepseek-r1-is-now-available-on-azure-ai-foundry-and-github/
4 DAVE, P.; KNIGHT, W. (2024). «Meta’s Next Llama AI Models Are Training on a GPU Cluster ‘Bigger Than Anything’ Else». Wired, 30 de octubre. Disponible en: https://www.wired.com/story/meta-llama-ai-gpu-training/?utm_source=chatgpt.com
