Nico de Luis, COO y cofundador de Shakers.
Cada semana mantengo conversaciones con directivos de grandes corporaciones europeas que me hacen la misma pregunta, formulada con distintas palabras pero idéntica en el fondo: ¿qué hacemos con la inteligencia artificial? Es una pregunta legítima y, a la vez, profundamente reveladora. Lo es porque cuando devuelvo el interrogante (¿y qué problema queréis resolver con ella?), la conversación suele descender varios grados de claridad. Aparecen ideas sueltas, casos de uso vistos en una conferencia, presiones del consejo, miedo a quedarse atrás. Lo que rara vez aparece es un proyecto definido.
Esa carencia explica, mejor que cualquier otro factor, la brecha que el ecosistema empieza a llamar AI Implementation Gap. El informe del MIT NANDA The GenAI Divide: State of AI in Business, publicado en 2025 tras entrevistar a 150 directivos, encuestar a 350 empleados y analizar 300 despliegues, concluyó que el 95% de los proyectos de inteligencia artificial generativa no produce un retorno medible sobre la cuenta de resultados. McKinsey, en su State of AI del mismo año, llega a un diagnóstico complementario: el 88% de las organizaciones ya emplea inteligencia artificial en al menos una función, pero apenas un tercio la ha escalado más allá del experimento. Hemos invertido como si estuviéramos transformándonos y operamos como si todavía no hubiéramos empezado.
El reflejo de la industria ha sido buscar culpables conocidos. Se ha señalado a la calidad del dato, a la gobernanza, a la resistencia cultural, a la madurez de los modelos. Todas son explicaciones reales, pero parciales. El cuello de botella no está en la tecnología sino en lo que sucede antes de que aparezca: la definición del proyecto. Y definir, en el contexto de la inteligencia artificial, no es elaborar un PowerPoint con tres iniciativas y una matriz de prioridad. Es decidir qué proceso concreto va a tocar la máquina, qué decisión va a tomar o asistir, qué métrica de negocio se compromete, qué datos hacen falta para alimentarla, qué sistemas tienen que conectarse, cómo se rediseña el trabajo de las personas alrededor y, sobre todo, qué se va a dejar de hacer.
La mayoría de las grandes compañías con las que trato no ha hecho ese ejercicio. Han comprado capacidades sueltas, han contratado modelos y han esperado a que el resultado emergiera por agregación. No emerge. Hay una diferencia estructural entre la ola anterior, la de la digitalización clásica, y la actual. Cuando una organización instalaba un sistema de gestión sabía exactamente qué proceso iba a digitalizar y qué iba a sustituir. El alcance estaba acotado de antemano.
La inteligencia artificial opera al revés: la tecnología es transversal y sus efectos son combinatorios, lo que significa que el alcance hay que construirlo. No se hereda del proceso, se diseña desde la estrategia. Esa inversión de la lógica habitual de los proyectos tecnológicos está dejando en evidencia a muchas direcciones, en especial a las que han delegado la decisión en el área de sistemas o, peor, en el último proveedor que entró por la puerta con una demo convincente.
De ahí emerge un perfil que apenas existía hace dos años y que cualquier consejo de dirección debería tener en su radar: el consultor de inteligencia artificial. No el vendedor de modelos, ni el integrador que conecta APIs, ni el evangelista que enseña a usar herramientas conversacionales. Otro perfil distinto, más cercano al consultor de operaciones de los años noventa que al ingeniero de machine learning. Alguien capaz de sentarse entre la dirección de un área de negocio y el equipo técnico, traducir un dolor concreto en una arquitectura, discutir el alcance antes de aceptar el encargo y defender la idea heterodoxa de que a veces el mejor uso de la inteligencia artificial es no usarla. Es un trabajo de definición y de diseño de problemas, no de despliegue de soluciones. Y es, paradójicamente, el más escaso del mercado europeo, tanto dentro de las propias compañías como en la oferta especializada disponible fuera.
Conviene desactivar una idea cómoda y, sin embargo, equivocada: la de que este problema afecta sobre todo a la empresa mediana. Es exactamente al revés. Donde la carencia se hace más visible no es en la compañía pequeña, que arranca un proyecto y, si falla, lo nota de inmediato. Es en la gran corporación de cinco mil, cincuenta mil o cien mil empleados, que arranca veinte proyectos en paralelo, financiados por áreas distintas, sin un sponsor único y sin un criterio común de definición.
Falla a la vez en muchos sitios, y la propia escala oculta el fallo. Los pilotos viven indefinidamente, cada uno con su demo, cada uno con su business case construido al revés. Lo que en una compañía pequeña es un problema visible, en una gran corporación se convierte en un fenómeno difuso que consume presupuesto sin que nadie pueda señalarlo con precisión. La inversión es enorme, la pérdida también, y la única métrica clara de la mayoría de estos programas sigue siendo el número de pilotos lanzados, no el valor producido por los pocos que llegaron a producción.
El argumento no es que sobre tecnología. Sobra ruido alrededor de la tecnología. Lo que falta es disciplina estratégica para decidir qué se quiere construir antes de empezar a construirlo. Esa disciplina no se adquiere viendo más demos ni acumulando suscripciones a modelos. Se adquiere sentándose a redactar el proyecto, sometiéndolo a un escrutinio incómodo, aceptando que la mitad de las iniciativas que hoy están en la cartera no deberían estarlo y reservando el presupuesto para las pocas que sí tienen una hipótesis de valor verificable. Es un cambio de hábito directivo, no una compra adicional de tecnología.
Hay un paralelismo útil con cómo funciona una scaleup. Una scaleup, por definición, no se queda en demostrar que un producto funciona en un piloto: su trabajo es probar que ese modelo puede extenderse a más mercados, más segmentos y más casos de uso con un coste marginal decreciente y sin perder coherencia. Esa es la diferencia entre un experimento y un negocio. Los pilotos de inteligencia artificial dentro de la gran empresa están atrapados, hoy, en la primera mitad de esa ecuación: validan una capacidad técnica y se quedan ahí. La segunda mitad, la de la escalabilidad disciplinada, es donde está casi todo el valor sin capturar.
Y, en una vuelta de tuerca útil, es precisamente el tipo de disciplina que mejor conocen las empresas que viven obligadas a escalar para sobrevivir. Las scaleups europeas, las que estamos creciendo desde varios mercados a la vez y aprendiendo a hacerlo sin perder criterio, podemos aportar a las grandes corporaciones esa lógica con más naturalidad que muchos de los proveedores tradicionales a los que recurren por costumbre. El mismo músculo que usamos para no dispersarnos en nuestra propia expansión es el que necesita la gran empresa europea para que su cartera de inteligencia artificial deje de ser un mosaico de pilotos y empiece a comportarse como un sistema.
Europa tiene una ventana razonable para abordar este reto antes que el resto del mundo. Estados Unidos, por la velocidad con la que sus grandes corporaciones se han lanzado a comprar capacidad técnica, está acumulando un volumen de gasto en inteligencia artificial sin precedentes y un nivel de fricción interna proporcional. China opera bajo otra lógica que tampoco prioriza la definición. Las grandes corporaciones europeas, las que hoy operan desde Madrid, Lisboa, Milán, París o Londres, todavía pueden convertir la exigencia de rigor a la que están sometidas en una ventaja real, si la aprovechan para ordenar primero y comprar después.
La pregunta no es si tendremos inteligencia artificial. La tendremos. La pregunta es si, dentro de tres años, las grandes empresas del continente habrán construido carteras coherentes de proyectos en producción o seguirán contando pilotos. La diferencia no se decidirá en los modelos. Se decidirá antes, en lo que hoy ninguna gran corporación está dispuesta a pagar con la prioridad que merece: la disciplina de pensar primero qué se quiere construir.
***Nico de Luis es COO y cofundador de Shakers.