Los Proyectos de IA Fracasan Cuando No Están Bien Definidos — Y la Industria Lo Está Aprendiendo de la Peor Manera
La industria está corriendo para subirse a la ola de la inteligencia artificial, y eso no es ninguna novedad.
Se están invirtiendo miles de millones, se están formando equipos, y las promesas de transformación digital nunca fueron tan altas. Pero hay un detalle que mucha gente está ignorando: la mayoría de los proyectos de IA están fracasando. No por falta de tecnología. No por falta de dinero. Sino por falta de objetivos claros desde el inicio.
Es exactamente esa tensión, entre quienes están cosechando resultados reales y quienes están tirando recursos a la basura, lo que Rob McAveney, CTO de Aras, puso sobre la mesa durante la conferencia ACE 2026. En una entrevista con Design News durante el evento, McAveney compartió su experiencia de primera línea en implementación de IA en entornos industriales. No vino con un discurso de escenario. Vino con un diagnóstico directo sobre lo que separa a los proyectos que funcionan de los que se convierten apenas en una línea en el informe de pérdidas. Y lo que tiene para decir vale mucho para cualquier empresa que todavía está intentando entender dónde encaja realmente la IA en su negocio. 🎯
El Problema Real Detrás de los Proyectos de IA que No Entregan
Cuando una empresa decide invertir en IA, la primera reacción suele ser entusiasmo. Los líderes ven demos impresionantes, leen casos de éxito de competidores y sienten la presión de no quedarse atrás. El problema es que ese movimiento, guiado mucho más por el miedo a perder que por una estrategia bien diseñada, crea un ambiente donde la tecnología llega antes que la pregunta correcta. Y la pregunta correcta es simple, pero rara vez se formula con la seriedad que merece: ¿qué, exactamente, queremos resolver con esto?
McAveney fue directo al grano: proyectos de IA que no tienen una definición clara de éxito desde el primer día están condenados a generar confusión. En sus palabras, muchas empresas están destinando presupuesto a proyectos de IA sin definir cuál podría ser el beneficio de negocio, y por eso fracasan miserablemente. Nadie sabía qué estaban intentando lograr. No necesariamente porque la tecnología falló, sino porque nadie alrededor de la mesa puede medir si funcionó. Sin métricas, sin criterios, sin un problema específico que resolver, cualquier resultado puede parecer bueno en la superficie y catastrófico cuando se mira de cerca.
Esa ausencia de claridad es lo que transforma iniciativas prometedoras en proyectos piloto eternos que nunca escalan. McAveney clasificó muchos de esos proyectos como soluciones en busca de un problema, una inversión peligrosa que consume tiempo, dinero y paciencia de los equipos involucrados.
Y ese patrón es más común de lo que parece en la industria. Empresas de manufactura, ingeniería, logística y energía tienen entornos operativos extremadamente complejos, llenos de variables, datos fragmentados y procesos que evolucionaron a lo largo de décadas. Cuando la IA entra en ese escenario sin un objetivo bien definido, no simplifica nada. Añade una capa más de complejidad, y quienes sufren las consecuencias son los equipos que necesitan trabajar con eso en el día a día. El resultado es frustración, desconfianza y, eventualmente, abandono del proyecto.
Dónde la IA Está Funcionando de Verdad
A pesar del panorama desafiante, McAveney reconoció que existen áreas donde la adopción de IA ya muestra resultados concretos. Los casos de éxito que él observó comparten una característica en común: foco. Las empresas que lograron delimitar un problema específico y entendieron claramente cómo se aplica la IA en ese dominio son las que están cosechando frutos reales.
El ejemplo más maduro, según el CTO de Aras, es el desarrollo de software. En ese campo, las herramientas disponibles de múltiples proveedores están empujando los límites constantemente, y los resultados ya son palpables en términos de productividad y calidad de código.
Otras áreas que también se destacan incluyen:
- Diseño generativo y herramientas especializadas para casos de uso en ingeniería
- Uso de LLMs como Copilot, Claude y Gemini para tareas de escritura, investigación y análisis
- Compresión de ciclos en procesos de ingeniería, con órdenes de cambio que solían tomar semanas resolviéndose en horas
Este último punto es especialmente relevante. McAveney describió cómo la IA está, en la etapa actual, haciendo que los procesos existentes sean más rápidos, y no necesariamente creando capacidades completamente nuevas. Comparó la situación con la evolución de la simulación computacional: una simulación que antes tardaba dos meses ahora lleva dos horas, pero el proceso fundamental sigue siendo el mismo. La IA todavía no llegó al punto de hacer cosas que no se podían hacer antes, pero él cree que ese momento está llegando rápidamente. 🚀
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
La Visión de Descubrir, Enriquecer y Amplificar
McAveney describió el camino de la IA industrial en tres fases: descubrir, enriquecer y amplificar. La fase actual, según él, es la de amplificación, donde la IA libera tiempo al acelerar tareas existentes. Con ese tiempo libre y los aprendizajes acumulados usando IA para hacer las cosas más rápido, las empresas podrán usar la tecnología para hacer las cosas de forma mejor. En el espacio de datos de PLM, admitió que todavía no ha visto muchos ejemplos de esa evolución, pero mostró optimismo sobre lo que está por venir.
La Presión de los Stakeholders y la Brecha de Talento
Uno de los puntos más relevantes planteados por McAveney fue la presión que enfrentan los ejecutivos para adoptar IA, incluso cuando no existe un caso de uso claro. Según él, las empresas tienen muchos problemas por resolver. Lo que falta es saber cómo resolverlos con IA. Eso es un desafío de aprendizaje y capacitación.
La brecha de talento es un agravante serio en esa ecuación. Simplemente no existen suficientes especialistas para atender la demanda. McAveney observó que muchas empresas recurren a consultoras que prometen revolucionar sus procesos, pero cuando se entrevista a los consultores, son personas inexpertas que tal vez hicieron el trabajo una vez y no lo hicieron bien.
Esa realidad creó toda una industria de consultoría en IA que surgió para cubrir la demanda, pero que no siempre entrega valor proporcional a la inversión. La única salida que McAveney vio funcionar de verdad es cuando los propios ejecutivos se arremangan, se sumergen en el tema, se dedican a entender y mejoran cada día. Solo así logran realmente comprender qué es posible y aplicarlo a la realidad de su negocio.
Qué Significa Definir Objetivos Claros en la Práctica
Definir objetivos claros para un proyecto de IA no es lo mismo que escribir una declaración de misión bonita para la presentación ejecutiva. Es un trabajo concreto, que implica mapear el problema real, entender quién se ve afectado por él, cuál es el costo actual de no resolverlo y qué se consideraría una mejora medible. Cuando esos elementos están sobre la mesa antes de cualquier decisión tecnológica, el proyecto ya arranca con una ventaja enorme respecto a la mayoría de las iniciativas que existen por ahí.
McAveney usó ejemplos prácticos del contexto industrial para ilustrar esto. En una planta de manufactura, por ejemplo, un objetivo vago sería algo como mejorar la eficiencia operativa. Un objetivo claro sería reducir el tiempo de parada no planificada de máquinas en un 20% en los próximos seis meses, usando modelos predictivos alimentados por datos de sensores ya existentes en la línea de producción. La diferencia entre esas dos formulaciones no es solo semántica. Determina qué datos necesitan recopilarse, quién necesita estar involucrado en el proyecto, cómo se evaluará el modelo y, principalmente, cómo el equipo va a saber si la implementación funcionó o no.
Ese nivel de especificidad también cambia la dinámica interna de las empresas. Cuando todos los involucrados, desde el equipo técnico hasta los líderes de negocio, comparten el mismo entendimiento de lo que se quiere lograr, las decisiones a lo largo del proyecto se vuelven más fáciles de tomar. Los conflictos que normalmente surgen por expectativas desalineadas empiezan a disminuir. Y la conversación deja de ser sobre tecnología para ser sobre resultados. 💡
El Papel del Contexto en los Datos — Y Por Qué la IA Sola No Alcanza
Uno de los insights más valiosos que McAveney trajo a la conferencia tiene que ver con la relación entre datos y contexto. Para él, la IA sí está haciendo que el análisis de datos sea más accesible, especialmente en aplicaciones como mantenimiento predictivo. Pero hace una salvedad importante: aunque sea más fácil, los datos necesitan contexto.
No se trata simplemente de volcar una montaña de datos de IoT en un data lake y esperar que los insights aparezcan. Es necesario conectar esos datos con lo que se estaba fabricando ese día, con las condiciones ambientales, con todo el escenario alrededor. Ese contexto es fundamental para obtener buenos resultados de la IA.
Es justamente ahí donde entra el concepto de digital thread, el hilo digital que conecta toda la información a lo largo del ciclo de vida de un producto. Aras, como proveedora de tecnología PLM, se posiciona como proveedora de ese contexto para que las herramientas de big data e de IA puedan hacer su trabajo de forma efectiva. Sin esa capa de contexto, incluso los modelos más sofisticados van a producir análisis incompletos o hasta engañosos.
McAveney reforzó: existen insights que se pueden obtener analizando datos brutos, sin duda. Pero el valor real, en su experiencia, viene de tener el contexto necesario para ver la historia completa, y no apenas un montón de números, patrones y tendencias desconectados.
Adopción de IA por Sector: Quién Va Adelante y Quién Se Está Quedando Atrás
No todos los sectores de la industria están en la misma etapa cuando el tema es adopción de IA. McAveney compartió una visión bastante franca sobre quién está avanzando y quién está enfrentando más obstáculos.
Aeroespacial: la regulación como freno
Sorprendentemente, el sector aeroespacial no está a la vanguardia de la adopción. Según McAveney, esto se debe en gran parte a las restricciones gubernamentales sobre qué modelos pueden usarse y cómo pueden adoptarse. Es un sector donde la regulación, aunque necesaria por razones de seguridad, termina desacelerando la experimentación.
Electrónica de alta tecnología: los líderes naturales
Las empresas de electrónica de alta tecnología y aquellas que construyen productos definidos por software están en la línea de frente. Tiene sentido: como están incorporando IA directamente en sus productos, naturalmente también adoptan IA en sus procesos internos de análisis y desarrollo.
Dispositivos médicos: depende del producto
En el sector de dispositivos médicos, la adopción varía mucho según la complejidad del producto. Si la empresa fabrica catéteres, la adopción es menor. Pero si está construyendo marcapasos o dispositivos con fuerte presencia de electrónica y software, McAveney observa una adopción significativamente mayor.
Regulación: Europa al Frente, Estados Unidos en Territorio Incierto
Con señales confusas sobre la regulación de IA en Estados Unidos, Europa se ha posicionado como referencia en términos de establecer guardarraíles para el uso de la tecnología. McAveney demostró respeto por lo que los europeos están haciendo, aunque reconoce que Estados Unidos es históricamente menos regulado en ese contexto.
Para él, el punto más importante del enfoque europeo es la exigencia de que las respuestas de la IA sean explicables. Eso es muy importante, según McAveney, porque sin esa explicabilidad, construyes respuestas malas sobre respuestas malas sobre respuestas malas, y terminas siguiendo caminos que no son buenos. Es necesario encontrar un equilibrio entre innovación y protección, y él considera que lo que se ha hecho en Europa ha sido ampliamente positivo en ese sentido.
El Miedo a la IA: Herramienta, No Amenaza
Cuando le preguntaron si siente miedo de la IA, McAveney respondió con humor: Me atormenta todos los días, y se rio. En realidad, él nunca experimentó ese tipo de temor.
Para él, las personas que poseen pensamiento crítico y la capacidad de distinguir lo que sale bien y lo que sale mal de la IA no se asustan por ella. Esas personas ven los errores. Entienden que la tecnología todavía no está ni cerca de ser tan buena como el cerebro humano, y por eso no temen ser reemplazadas o ver a la sociedad dominada por la máquina.
McAveney citó a la artista Pinar Demirdag como alguien que hace un excelente trabajo al describir la IA como una herramienta. Le pareció refrescante porque ese punto de vista no es común. Es raro encontrar a alguien que elogia el lado humano de la experiencia humana sin menospreciar la IA, y al mismo tiempo elogia la IA, especialmente alguien que fue inicialmente reemplazada por la tecnología.
Su analogía final fue simple y poderosa: yo no le tengo miedo a un destornillador. No le tengo miedo a una llave inglesa. 🔧
Herramientas que usamos a diario
Implementación que Funciona: Lecciones del Entorno Industrial
La implementación de IA en entornos industriales tiene características que no existen en otros segmentos. Los datos suelen ser antiguos, mal documentados y dispersos en sistemas heredados que nunca fueron pensados para comunicarse entre sí. Los equipos operativos tienen rutinas rígidas y poca tolerancia para herramientas que interrumpen el flujo de trabajo. Y los márgenes de error son pequeños, porque cualquier falla puede tener consecuencias físicas reales, no solo métricas malas en un dashboard. Todo eso hace que el enfoque de prueba y error, tan común en el universo de startups, sea prácticamente inviable en ese contexto.
Lo que McAveney defiende es un enfoque incremental con criterios de validación bien definidos en cada etapa. En lugar de construir un sistema grandioso que va a resolver todo de una vez, la recomendación es empezar con un problema menor, pero representativo, y probar valor de forma rápida y medible. Ese ciclo corto de aprendizaje permite que la empresa entienda mejor sus propios datos, sus limitaciones técnicas y las expectativas reales de los usuarios antes de comprometer recursos mayores. Es una forma de construir confianza en el proceso tanto internamente como entre los operadores que van a usar la herramienta en el día a día.
Otro punto planteado en la conferencia fue la importancia de involucrar a las personas correctas desde el inicio. Proyectos de IA que son diseñados exclusivamente por equipos de tecnología, sin la participación activa de las áreas de negocio y de los usuarios finales, tienden a generar soluciones técnicamente impresionantes, pero completamente fuera de contexto. En la industria, eso es especialmente crítico, porque el operador que trabaja en una línea de producción hace quince años tiene un conocimiento sobre ese proceso que ningún modelo de lenguaje va a capturar solo. Ignorar esa inteligencia humana es uno de los errores más costosos que una empresa puede cometer durante la implementación.
Cómo Medir el Éxito de un Proyecto de IA
Medir el éxito de un proyecto de IA va mucho más allá de verificar si el modelo tiene una buena precisión técnica. La precisión es importante, claro, pero no paga las cuentas. Lo que importa para la empresa es saber si el proyecto resolvió el problema que se propuso resolver, si el impacto es sostenible a lo largo del tiempo y si el costo de mantener la solución funcionando es proporcional al beneficio que genera. Esos son los tres ejes que cualquier liderazgo debería usar para evaluar una iniciativa de IA antes de decidir escalar o descontinuar.
McAveney trajo una perspectiva que va contra el sentido común: no todo proyecto de IA necesita escalar para ser considerado exitoso. A veces, una solución que resuelve un problema específico para un equipo de cincuenta personas ya representa un retorno significativo, y forzar ese proyecto a crecer más allá de su alcance natural puede destruir exactamente lo que lo hizo eficiente. La presión por escalar, cuando no está alineada con la realidad operativa de la empresa, es una de las principales causas de fracaso en proyectos que hasta entonces estaban funcionando muy bien.
También es fundamental revisar los criterios de éxito a lo largo del tiempo. El entorno de negocios cambia, las prioridades cambian, y lo que era un objetivo relevante hace seis meses puede haber perdido sentido. Proyectos que no pasan por revisiones periódicas tienden a convertirse en soluciones en busca de un problema, consumiendo recursos sin generar valor real. Mantener esa disciplina de revisión es lo que garantiza que la IA siga siendo una herramienta estratégica y no un gasto difícil de justificar en la próxima reunión de presupuesto. 📊
El Papel de Aras en Este Escenario
McAveney se encargó de aclarar el posicionamiento de Aras en el ecosistema de IA industrial. La empresa es esencialmente una proveedora de tecnología, no una consultora de IA. Aunque tiene una división de servicios que incluye soporte a clientes con IA, el foco principal del negocio es ayudar con problemas de PLM y digital thread. Para la implementación más amplia de IA, Aras cuenta con consultores externos.
Esa claridad de posicionamiento es, de cierta forma, un reflejo del propio mensaje de McAveney sobre definición de objetivos. Aras sabe lo que hace bien y no intenta ser todo para todos, una lección que muchas empresas del sector todavía necesitan aprender.
El Mensaje Final: Menos Proyectos, Más Calidad
El mensaje central que vino de la ACE 2026 es simple, pero poderoso: la industria no necesita más proyectos de IA. Necesita proyectos de IA mejores. Y proyectos mejores empiezan con preguntas mejores, objetivos más honestos y una disposición real para medir lo que importa, incluso cuando el resultado no es lo que todo el mundo esperaba escuchar.
La IA no es magia. No va a resolver problemas que la empresa ni siquiera puede articular. Pero cuando se aplica con foco, contexto y criterios claros de éxito, tiene el potencial de transformar operaciones enteras, comprimir ciclos que antes parecían inmutables y liberar a los equipos para trabajar en lo que realmente importa. Ese es el camino que separa a las empresas que están transformando sus negocios con IA de las que solo están contando historias sobre transformación.
