Deja de pavimentar caminos de vacas: por qué analizar y optimizar los procesos debe preceder a la implementación de IA

Hoy en día, son pocas las salas de juntas en las que no surge la pregunta «¿cuál es nuestra estrategia de IA?». La presión para actuar es real y el FOMO está muy presente: la competencia anuncia proyectos piloto y acapara titulares con la IA, los proveedores prometen una transformación y nadie quiere ser la empresa que dejó pasar la oportunidad. Bajo esa presión, aparece un patrón conocido: las organizaciones tratan la implementación de la IA como si fuera el proyecto en sí mismo; primero eligen una herramienta y solo después buscan dónde aplicarla.

Las evidencias —de la economía, la investigación sobre sistemas de información y un creciente conjunto de análisis retrospectivos de iniciativas de IA fallidas— apuntan en la dirección opuesta. Las organizaciones que obtienen valor de la Inteligencia Artificial no son las que la adoptan más rápido, sino las que preparan el terreno: replantean su negocio, identifican, analizan y optimizan sus procesos empresariales antes de poner un solo modelo en producción. Un aforismo que suele atribuirse a Bill Gates resume la lógica subyacente: «(...) la automatización aplicada a una operación eficiente aumenta la eficiencia, mientras que la automatización aplicada a una operación ineficiente aumenta la ineficiencia». La atribución puede ser una leyenda; el mecanismo, como veremos, está bien documentado.

Este artículo presenta argumentos —y pruebas— a favor de una secuencia que quienes gestionan las operaciones con rigor siempre han seguido: primero analizar, después optimizar y, por último, automatizar.

 

Las incómodas cifras de la IA empresarial

Empecemos por los resultados. Un estudio de 2024 de RAND Corporation, basado en entrevistas con científicos e ingenieros de datos con experiencia, estimó que más del 80% de los proyectos de IA fracasan; aproximadamente el doble que los proyectos de TI que no incluyen IA [1]. Un año después, el Project NANDA del MIT presentó una cifra aún más contundente para la era de la IA generativa: pese a que las empresas habían invertido decenas de miles de millones de dólares, alrededor del 95% de los proyectos piloto de IA generativa no producía ningún impacto medible en las cuentas de resultados, y solo cerca del 5% de las herramientas empresariales personalizadas llegaba a producción a gran escala [2].

Las encuestas cuentan la misma historia desde otro ángulo. S&P Global Market Intelligence constató que en 2025 la proporción de empresas que abandonaban la mayoría de sus iniciativas de IA se disparó hasta el 42%, frente al 17% del año anterior. De media, el 46% de las pruebas de concepto se descartaba antes de llegar a producción [3]. Gartner había anticipado precisamente este ajuste, pronosticando que para finales de 2025 se abandonaría al menos el 30% de los proyectos de IA generativa después de la prueba de concepto [4]. Y nada de esto es exclusivo de la IA generativa: en 2019, antes de que existiera ChatGPT, una encuesta mundial de MIT Sloan Management Review y Boston Consulting Group reveló que siete de cada diez empresas afirmaban haber obtenido hasta entonces un impacto mínimo o nulo de sus inversiones en IA [5].

Sin embargo, el hallazgo importante no es la tasa de fracaso, sino sus causas. Al clasificar las causas raíz, los investigadores de RAND descubrieron que las principales apenas tenían que ver con los algoritmos: falta de alineación entre los directivos y los equipos técnicos acerca del problema que debía resolver la IA; falta de los datos necesarios para entrenar modelos adecuados; priorización del uso de la tecnología más reciente frente a la resolución de problemas reales de los usuarios; e infraestructuras y gobernanza de datos inadecuadas [1]. El informe del MIT llegó a una conclusión complementaria: los proyectos piloto fracasan porque las herramientas no encajan en los flujos de trabajo reales ni aprenden del contexto en que se realiza el trabajo; existe una «brecha de aprendizaje» arraigada en las operaciones, no en la calidad del modelo [2].

En otras palabras, la IA empresarial fracasa sobre todo por una mala elección del problema, por los datos y por la integración en los procesos. El análisis de procesos existe precisamente para resolver bien estos tres aspectos.

 

Esta película ya la hemos visto

Nada de esto debería sorprender a quienes recuerden la última vez que una tecnología de propósito general se extendió por las empresas. En 1990, después de que una década de grandes inversiones corporativas en TI hubiera dado resultados decepcionantes en materia de productividad, Michael Hammer diagnosticó la causa en uno de los artículos de gestión más influyentes jamás publicados: las empresas utilizaban la tecnología para mecanizar sus antiguas formas de trabajar, mantenían intactos los procesos ineficientes y permitían que los ordenadores los aceleraran. «Es hora de dejar de pavimentar los caminos de vacas», escribió. En lugar de incorporar procesos obsoletos a los chips y al software, las organizaciones debían rediseñar primero el trabajo en sí [6].

Después, los economistas cuantificaron lo que Hammer había intuido. Al estudiar datos de empresas a lo largo de la década de 1990, Erik Brynjolfsson y Lorin Hitt demostraron que el rendimiento de las inversiones en TI variaba mucho y que la diferencia se explicaba por las inversiones organizativas complementarias: las empresas que rediseñaban sus procesos, descentralizaban las decisiones e invertían en competencias lograban grandes aumentos de productividad con la misma tecnología que apenas beneficiaba a las que simplemente la instalaban [7]. Dos décadas después, esta misma tradición de investigación formalizó la idea como la «curva J de la productividad»: las tecnologías de propósito general —la electricidad, la informática y ahora la IA— solo generan beneficios tras un periodo de demora, porque las empresas primero deben crear complementos intangibles, como procesos y competencias nuevos y flujos de trabajo reorganizados. Si se prescinde de estos complementos, la tecnología rinde por debajo de su potencial de forma indefinida [8].

La IA es la secuela de esta película, con presupuestos más elevados y ciclos de entusiasmo más rápidos. La tecnología ha cambiado; la economía de la complementariedad, no.

Por eso Mourinho Solutions es el socio adecuado para guiarte en el camino hacia la eficiencia de tu organización y ayudarte a maximizar el rendimiento de tu inversión en IA. Defendemos que el negocio va primero y la tecnología —incluida la IA— debe venir después. Y hay cinco buenas razones para ello.

 

Razón 1: la automatización amplifica cualquier proceso sobre el que actúa

Un algoritmo aplicado a un proceso hereda su lógica, incluidas sus disfunciones. Esta fue la advertencia original de Hammer sobre las TI [6], y la comunidad investigadora planteó exactamente la misma cautela cuando la automatización robótica de procesos (RPA) vivió su auge a finales de la década de 2010. Como los robots de RPA reproducen la forma en que se trabaja actualmente —navegan por las mismas pantallas y siguen las mismas reglas—, automatizar sin analizar antes el proceso puede equivaler a echar hormigón digital sobre la ineficiencia: hace que un mal proceso sea más rápido, más rígido y más difícil de cambiar [9]. Una revisión sistemática de la bibliografía sobre RPA también identificó la selección y la idoneidad de los procesos —basados en reglas, estandarizados y maduros— como factores determinantes del éxito, y la mala selección de procesos como una causa recurrente del fracaso de las iniciativas [10].

Esta lección se aplica directamente a la IA, y posiblemente con consecuencias aún mayores. Un modelo de lenguaje que redacta respuestas dentro de una cadena de aprobaciones defectuosa simplemente llena más rápido la cola del cuello de botella. Un modelo de aprendizaje automático que predice la demanda para un proceso de planificación que nadie sigue genera predicciones que nadie utiliza. La amplificación es el objetivo mismo de la automatización; por eso, primero hay que examinar aquello que se va a amplificar.

 

Razón 2: la calidad de los datos es el resultado de los procesos, y es peor de lo que crees

Todo sistema de IA depende de los datos, y los datos dependen de los procesos: las operaciones cotidianas de la empresa los crean, introducen, transforman y transfieren. El estado de esos datos es preocupante. En un estudio en el que los directivos evaluaron muestras de los registros de sus propias organizaciones, solo el 3% de los datos de las empresas cumplía los estándares básicos de calidad, y casi la mitad de los registros recién creados contenía al menos un error crítico que afectaba al trabajo [11]. Los entrevistados por RAND situaron la falta de datos adecuados y utilizables entre las principales causas del fracaso de los proyectos de IA, y señalaron que las organizaciones suelen subestimar la preparación de datos que exige esta tecnología [1].

Las consecuencias de ignorar este problema están bien documentadas por quienes trabajan en el sector. Un estudio de profesionales de IA en ámbitos de alto riesgo reveló que el 92% había sufrido «cascadas de datos»: fallos acumulativos en etapas posteriores, provocados por problemas de calidad en los datos de origen y, por lo general, invisibles hasta que afloran más adelante en forma de modelos defectuosos e implementaciones abandonadas [12]. El propio título del estudio diagnostica el problema de secuenciación del sector: «Todo el mundo quiere trabajar en el modelo, no en los datos».

La clave estratégica es esta: la calidad de los datos no se puede mejorar con una iniciativa puntual de limpieza, porque los procesos que los generan vuelven a producir datos defectuosos de forma constante. El análisis de procesos permite localizar dónde se generan, duplican, vuelven a introducir y corrompen los datos; la optimización de procesos corrige el defecto en su origen. Una organización que optimiza primero sus procesos está construyendo, de forma discreta y simultánea, los cimientos de datos sobre los que se apoyará su futura IA.

 

Razón 3: sin visibilidad de los procesos, elegirás los casos de uso equivocados

Decidir dónde encaja la IA es una decisión de cartera, y no se puede tomar con criterio sin saber cómo fluye realmente el trabajo. Davenport y Ronanki [13], tras analizar 152 proyectos de tecnologías cognitivas, observaron que las ambiciosas iniciativas «lunares» solían decepcionar, mientras que las empresas que obtenían buenos resultados adoptaban un enfoque gradual: examinaban sus procesos tarea por tarea y asignaban capacidades concretas de IA a cuellos de botella específicos en flujos de trabajo específicos.

La disciplina de gestión de procesos de negocio (BPM) proporciona precisamente esa visibilidad a nivel de tarea, y es una de nuestras competencias fundamentales. El ciclo de vida estándar de BPM abarca la identificación, el descubrimiento y el análisis de procesos, así como su rediseño, antes de la implementación y la automatización: una secuencia destilada de décadas de práctica, según la cual automatizar un proceso que no se ha analizado es un error de categoría [14]. La minería de procesos moderna refuerza aún más este enfoque: al reconstruir los procesos a partir de los registros de eventos de los sistemas de TI existentes, sustituye los mapas de procesos basados en opiniones por evidencias y revela el número real de variantes, los ciclos de reprocesamiento, las desviaciones y los cuellos de botella que las entrevistas por sí solas nunca muestran [15]. Es, en la práctica, una radiografía antes de la operación; y a menudo revela que el proceso que describen los directivos no es el que realmente ejecuta la organización.

Los casos clásicos de éxito en automatización se basaron precisamente en esta disciplina de selección. En Telefónica O2, uno de los primeros proyectos de RPA y uno de los más citados —que acabó generando un retorno de la inversión de cientos de puntos porcentuales—, los objetivos de automatización se eligieron deliberadamente: procesos de gran volumen, estandarizados y basados en reglas, estabilizados antes de aplicarles robots de software [16]. El éxito se diseñó desde la selección, no desde el software.

 

Razón 4: a veces, el mejor «proyecto de IA» consiste en eliminar un paso

El análisis de procesos tiene una costumbre incómoda: encuentra continuamente problemas que no necesitan IA. Una aprobación duplicada, un informe que nadie lee, una transferencia que existe por un organigrama de 2014, datos que se vuelven a introducir manualmente entre dos sistemas que podrían integrarse sin más: los principios clásicos de la ingeniería industrial indican que hay que eliminar, combinar y simplificar antes de automatizar, porque automatizar el desperdicio solo produce desperdicio más rápido. Esta era la esencia del argumento de Hammer: «no automatizar, sino eliminar por completo». Gran parte de aquello que se pedía a la tecnología que acelerara ni siquiera debería haber existido [6].

A título personal, me gusta mucho el lema que suele atribuirse a Leonardo da Vinci: «la sencillez es la máxima sofisticación». Simplificar un proceso es un trabajo exigente: requiere sólidas competencias analíticas, capacidad para relacionar aportaciones de distintas áreas de la organización e integrar conocimientos de diferentes disciplinas. Es precisamente el oficio en torno al cual hemos creado Mourinho Solutions.

Para una organización que está a punto de financiar un programa de IA, esto no es un rodeo: es dinero y reducción de riesgos que se obtienen sin coste. Los pasos que se eliminan no cuestan nada de automatizar, no requieren mantenimiento de modelos, no crean nuevas formas de fallo y empiezan a generar beneficios de inmediato. Además, el trabajo sobre los procesos produce un segundo beneficio: una línea de base cuantificada. Uno de los hallazgos principales del informe MIT NANDA fue que la mayoría de los proyectos piloto de IA generativa no podía demostrar un impacto medible en las cuentas de resultados [2], pero ese impacto solo se puede medir si se conoce el punto de partida. Un proceso optimizado cuenta con tiempos de ciclo, tasas de error y costes por transacción documentados; la posterior implementación de IA hereda, sin coste adicional, la capacidad de demostrar su propio ROI.

 

Razón 5: el valor de la IA se materializa mediante el cambio organizativo, no se instala con el software

Por último, la investigación sobre el origen real del valor de la IA converge en una verdad incómoda para las estrategias que empiezan por las herramientas: el valor se materializa en los procesos de negocio, y solo cuando la organización cambia para adaptarse a la tecnología. Una revisión sistemática de la bibliografía sobre IA y valor empresarial concluyó que los efectos de primer orden se reflejan en la eficiencia de los procesos y en la mejora de las decisiones que se toman en ellos, y que aprovechar esos efectos depende de factores organizativos facilitadores y de una transformación deliberada de los procesos de negocio, no de la sofisticación del modelo [17]. Los estudios basados en entrevistas con empresas que han adoptado la IA también identifican la preparación organizativa —alineación estratégica, calidad y gobernanza de los datos, conocimiento de los procesos y cultura— como una condición previa que debe evaluarse antes de tomar decisiones de adopción, no descubrirse después [18].

La investigación entre profesionales del sector coincide. Directivos de McKinsey que escribieron en Harvard Business Review señalaron que los mayores obstáculos para ampliar la IA no son técnicos, sino culturales y organizativos, y que el éxito exige rediseñar los flujos de trabajo y gestionar las iniciativas de IA como cambios de procesos impulsados por el negocio, con equipos interdisciplinarios, y no como instalaciones de TI [19]. Asimismo, el estudio mundial de MIT Sloan y BCG concluyó que las empresas que realmente obtenían valor de la IA se distinguían por combinar estrategia, cambio organizativo y tecnología, en lugar de tratar la tecnología como si fuera la estrategia [5].

El análisis y la optimización de procesos son precisamente este trabajo organizativo, realizado en el orden adecuado. Alinean a los directivos sobre qué problemas son prioritarios —abordando la principal causa de fracaso identificada por RAND [1]—, generan el conocimiento de los procesos que requiere el rediseño de los flujos de trabajo y crean operaciones estables y estandarizadas en las que se puede implementar la IA con confianza.

 

Mourinho Solutions te ofrece el enfoque «primero los procesos»

Ninguna de las razones anteriores aboga por pasar años analizando antes de permitir que nadie toque un modelo. Abogan por una secuencia breve y rigurosa —esencialmente, la primera mitad del ciclo de vida de BPM [14]—, ejecutada en semanas, no en trimestres, y dimensionada según la ambición del programa de IA al que precede.

Mourinho Solutions cuenta con un enfoque de consultoría a medida, basado en conocimientos de vanguardia y años de experiencia, que guía metódicamente a tu organización a lo largo de todo el ciclo de vida de BPM para que obtengas el máximo rendimiento de tu inversión.

También conviene destacar un efecto acumulativo. Las organizaciones que forman parte de la minoría que tiene éxito —el 5% del MIT y los «pioneros» de los estudios de MIT Sloan y BCG— no se limitaron a evitar el fracaso: desarrollaron las capacidades organizativas que hacen que cada implementación posterior de IA sea más barata y rápida que la anterior [5], [2]. La claridad sobre los procesos, unos flujos de datos limpios y la disciplina de medición son infraestructura. Se revalorizan.

 

Conclusión: estar preparado para la IA es estar preparado en los procesos

La prisa por implementar IA considera el análisis de procesos un retraso. La evidencia demuestra lo contrario: es la medida de reducción de riesgos con mayor impacto disponible, pues aborda las causas fundamentales documentadas de los fracasos de la IA —un problema mal definido, datos deficientes y flujos de trabajo sin integrar— antes de que puedan acumularse y acabar convirtiéndose en un proyecto piloto abandonado. Asfaltar caminos de vacas apenas genera valor y, de hecho, puede reducirlo. Treinta y cinco años de investigación, desde la reingeniería de procesos empresariales [6], pasando por la economía de la complementariedad [7], [8], hasta la generación actual de análisis posteriores a los fracasos de la IA [1], [2], cuentan una misma historia: la tecnología multiplica la organización en la que se implanta. Optimice primero la organización y la IA multiplicará algo que merece la pena multiplicar.

Por tanto, la pregunta para los equipos directivos no es «¿con qué rapidez podemos implementar la IA?», sino «¿cuáles de nuestros procesos, una vez comprendidos y optimizados, transformaría realmente la IA?». Responder en ese orden es lo que distingue al 5 % del 95 %.

Mourinho Solutions se asegura de que su organización forme parte de ese 5 %.

---

En Mourinho Solutions, trabajamos siguiendo esta secuencia. Ayudamos a las organizaciones a cartografiar y analizar sus procesos, optimizarlos para obtener mejoras cuantificables y, solo entonces, diseñar e implementar IA allí donde aporte beneficios demostrables. Si su empresa está planificando una iniciativa de IA, empiece conversando sobre sus procesos: póngase en contacto con nosotros para evaluar sus procesos.

 

 

Referencias

[1] J. Ryseff, B. F. De Bruhl y S. J. Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI. Santa Monica, CA, EE. UU.: RAND Corporation, 2024. [En línea]. Disponible en: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar y P. Chari, «The GenAI divide: State of AI in business 2025», MIT NANDA, Cambridge, MA, EE. UU., 2025. [En línea]. Disponible en: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] Encuesta de S&P Global Market Intelligence, «Voice of the Enterprise: AI & machine learning», 2025; resultados publicados en «AI project failure rates are on the rise: Report», CIO Dive, mar. de 2025. [En línea]. Disponible en: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, «Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025», comunicado de prensa, 29 de jul. de 2024. [En línea]. Disponible en: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain y D. Kiron, «Winning with AI», MIT Sloan Management Review y Boston Consulting Group, Cambridge, MA, EE. UU., informe de investigación, 2019. [En línea]. Disponible en: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, «Reengineering work: Don’t automate, obliterate», Harvard Business Review, vol. 68, n.º 4, pp. 104–112, jul.–ago. de 1990. [En línea]. Disponible en: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson y L. M. Hitt, «Beyond computation: Information technology, organizational transformation and business performance», Journal of Economic Perspectives, vol. 14, n.º 4, pp. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock y C. Syverson, «The productivity J-curve: How intangibles complement general purpose technologies», American Economic Journal: Macroeconomics, vol. 13, n.º 1, pp. 333–372, ene. de 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler y A. Heinzl, «Robotic process automation», Business & Information Systems Engineering, vol. 60, n.º 4, pp. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., «Robotic process automation: Contemporary themes and challenges», Computers in Industry, vol. 115, art. n.º 103162, feb. de 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman y D. Sammon, «Only 3% of companies’ data meets basic quality standards», Harvard Business Review, 11 de sep. de 2017. [En línea]. Disponible en: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh y L. Aroyo, «‘Everyone wants to do the model work, not the data work’: Data cascades in high-stakes AI», en Proc. 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21), Yokohama, Japón, 2021, art. n.º 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport y R. Ronanki, «Artificial intelligence for the real world», Harvard Business Review, vol. 96, n.º 1, pp. 108–116, ene.–feb. de 2018. [En línea]. Disponible en: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling y H. A. Reijers, Fundamentals of Business Process Management, 2.ª ed. Berlín, Alemania: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Process Mining: Data Science in Action, 2.ª ed. Berlín, Alemania: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity y L. P. Willcocks, «Robotic process automation at Telefónica O2», MIS Quarterly Executive, vol. 15, n.º 1, pp. 21–35, mar. de 2016. [En línea]. Disponible en: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef y J. Krogstie, «Artificial intelligence and business value: A literature review», Information Systems Frontiers, vol. 24, n.º 5, pp. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert y K. Wyrtki, «Ready or not, AI comes — An interview study of organizational AI readiness factors», Business & Information Systems Engineering, vol. 63, n.º 1, pp. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy y T. Saleh, «Building the AI-powered organization», Harvard Business Review, vol. 97, n.º 4, pp. 62–73, jul.–ago. de 2019. [En línea]. Disponible en: https://hbr.org/2019/07/building-the-ai-powered-organization