A medida que 2025 llega a su fin, la factura del auge de la Inteligencia Artificial ha llegado oficialmente. Si bien las hojas de ruta corporativas siguen repletas de pilotos generativos, la brecha entre la «magia» y el «margen» en la generación de ingresos de la IA se está ampliando.
Los datos recientes muestran un panorama sombrío de esta «brecha de retorno de la inversión». Según un estudio de diciembre de 2025 del MIT, casi El 95% de los proyectos empresariales de IA actualmente no logran generar retornos mensurables. De manera similar, Forrester informa que sólo El 15% de los ejecutivos ha visto alguna mejora en los márgenes de beneficio. de sus inversiones en IA durante el último año.
El incómodo silencio en las salas de juntas ya no se trata de si la tecnología funciona, sino de por qué no está pagando.
Pasar de una demostración prometedora a un motor generador de ingresos requiere algo más que datos limpios y buenos modelos; requiere un cambio fundamental en la estrategia, uno que cierre la brecha entre la ambición ejecutiva y la realidad de la ingeniería.
Para navegar esta división, recurrimos a Vladyslav ChekryzhovDirector de Ciencia de Datos e IA en AUTODOC. Chekryzhov, que opera en 27 mercados europeos distintos, se encuentra en la rara intersección entre la propiedad ejecutiva de productos y la arquitectura práctica de sistemas. A diferencia de los futuristas teóricos que a menudo dominan los titulares, su mandato se basa en la realidad de alto riesgo del importante comercio electrónico: ofrecer sistemas de grado de producción que influyen directamente en los precios, la retención y la lealtad del cliente.
Representa una disciplina que podríamos llamar «realismo de ingresos»: la comprensión de que un modelo de IA es tan valioso como su capacidad para sobrevivir en la naturaleza y generar un impacto comercial mensurable.
Aquí hay cinco pivotes estratégicos necesarios para convertir el entusiasmo por la IA en una realidad de pérdidas y ganancias.
El «filtro de utilidad»: priorización despiadada
La primera trampa en la que caen muchas organizaciones es la de «solución en busca de un problema». Con la barrera de entrada para la IA generativa más baja que nunca, la tentación de crear funciones «interesantes» es alta. Sin embargo, la generación de ingresos requiere una negativa disciplinada a perseguir tendencias que no mueven la aguja.
Para Chekryzhov, la distinción entre una característica y un impulsor de negocio es clara. No comienza con el código, sino con el modelado financiero.
«En última instancia, priorizar cualquier iniciativa de IA/ML se reduce a la disciplina de construir suposiciones. No confíe en la intuición; primero modele el impacto: gane dinero en Excel incluso antes de que se escriba el código».
Clasifica las iniciativas en tres niveles: Optimización de la economía actual (Nivel 1), Desbloqueo de la economía de nuevos productos (Nivel 2) y Remodelación del ecosistema empresarial (Nivel 3). La zona de peligro, señala, suele ser el Nivel 3, donde las historias estratégicas a menudo enmascaran suposiciones débiles.
«El modo de falla común es construir un juguete costoso… Fuerzo una prueba del proveedor: ¿pagaríamos por esta capacidad a las tarifas del proveedor (por ejemplo, OpenAI) y aun así mantendríamos los márgenes? Si no hay un camino defendible hacia el crecimiento de los ingresos o un cambio radical en los gastos operativos, es sólo un experimento costoso».
Equilibrio del algoritmo: fijación de precios frente a retención
En el comercio electrónico, la IA suele tener la tarea de optimizar. Pero la optimización rara vez es de suma cero. Un modelo diseñado para maximizar el margen inmediato (precios dinámicos) podría castigar inadvertidamente la lealtad a largo plazo (retención).
Chekryzhov sostiene que gestionar esta tensión no se trata de encontrar la arquitectura de red neuronal perfecta, sino de establecer los límites organizativos adecuados.
«Lo mínimo que funciona sorprendentemente bien es la cultura, no la arquitectura: experimentación rigurosa con las barreras adecuadas. Cada cambio de precio o promoción se mide no solo en función de la eficiencia inmediata sino también de los «efectos de halo»: cómo cambia el comportamiento entre cohortes y segmentos… Definimos de antemano qué métricas pueden moverse, en qué dirección y en qué medida. Si una ganancia de margen viene con una retención o un CLV fuera de esos límites, no es una ganancia».
Para implementar esto técnicamente, sugiere evitar monolitos de «cajas negras» en favor de un enfoque en capas que brinde control a los líderes empresariales sin requerir un reentrenamiento completo del modelo.
«Una forma práctica de hacerlo es una cascada de modelos: un modelo de precios propone precios candidatos, luego los modelos livianos predicen los resultados del usuario y actúan como un filtro o un reordenador de ponderación. El beneficio es el control: se puede ajustar la lógica de negocios cambiando la configuración final en lugar de volver a entrenar el modelo pesado cada vez que cambian las prioridades».
La «brecha de producción»: donde muere el retorno de la inversión
Una prueba de concepto (POC) es un experimento controlado; La producción es una zona de guerra. Muchas proyecciones de ingresos fracasan porque subestiman los gastos generales de ingeniería necesarios para mantener un modelo funcionando a escala.
Chekryzhov advierte que la IA introduce un tipo específico de deuda técnica que los ingenieros de software tradicionales suelen pasar por alto: el no determinismo.
«La respuesta honesta es que una prueba de concepto exitosa no demuestra que se tiene un producto escalable… El modelo no es determinista: una repetición puede producir diferentes resultados. Eso dispara los costos de depuración, hace que los incidentes sean más difíciles de reproducir y eleva el nivel de monitoreo. La deuda técnica aparece antes en los sistemas de IA que en el software tradicional, convirtiéndose en un impuesto sobre la velocidad de desarrollo de todo el equipo».
Estratégicamente, esto significa que su cálculo del ROI debe incluir el costo de la confiabilidad. Si sólo presupuestas para el desarrollo y no para el «impuesto» del mantenimiento, tus márgenes se evaporarán.
«Las mejores inversiones que he visto aquí no son exóticas… Yo presiono por la higiene básica (Cultura MLOps y el proceso continuo de diseño de sistemas ML)las piezas que no quedan obsoletas: calidad medible, capacidad de depuración y reversibilidad».
Aislar la señal: el desafío de la atribución
Quizás la pregunta estratégica más compleja de responder sea: «¿Hizo eso la IA?» En un ecosistema complejo que involucra docenas de mercados, estacionalidad y gastos de marketing, atribuir ingresos a fuentes específicas es estadísticamente complicado. Sin embargo, sin una atribución clara, es imposible justificar la inversión continua ante la alta dirección.
Chekryzhov aborda esto con el rigor de un científico, rechazando la idea de que los modelos complejos generen confianza. En cambio, se basa en contrafácticos: demostrar lo que habría sucedido en ausencia de la IA.
«La única manera de afirmar que ‘la IA impulsó a X’ con seriedad es basarse en un contrafactual creíble. Me baso en dos familias de evidencia: experimentos aleatorios (A/B) cuando es posible, y métodos cuasi-experimentales cuando no. Si la decisión importa más allá de la ventana de prueba, agregamos una resistencia global a la configuración A/B: un grupo de control persistente que nunca ve la característica. Es doloroso, literalmente estás perdiendo dinero. Pero a menudo es el único vínculo confiable con la realidad».
«Para la alta dirección, el mensaje es coherente: la confianza no proviene de un modelo complejo. Proviene de un enfoque transparente y un diseño de medición que se puede explicar claramente».
Barandillas de seguridad: confiar en la máquina
Por último, automatizar las decisiones sobre ingresos (como las ofertas o los precios) conlleva riesgos inherentes. Un chatbot «alucinante» es vergonzoso; un algoritmo de fijación de precios que vende inventario con una pérdida del 90% es catastrófico.
La implementación estratégica requiere una filosofía de «humano en el circuito» que evolucione hacia una gobernanza «humana en el circuito». Chekryzhov aconseja evaluar el coste del error antes de conceder autonomía.
«Empiezo con el diseño del sistema ML/AI, y hay un artefacto que más importa aquí: el costo del error. Si la desventaja es alta y difícil de revertir, no persigo la autonomía total… Cuando el perfil de riesgo es aceptable, me gusta un «control deslizante de autonomía». Las primeras iteraciones están validadas por humanos. A medida que se acumulan datos y confianza, se mueve el control deslizante hacia la automatización en pasos controlados».
Incluso cuando un sistema es completamente autónomo, debe operar dentro de límites estrictos definidos por el negocio, no por el modelo.
«La autonomía debe estar limitada por políticas como código. El sistema debe tener restricciones explícitas, disyuntores y alternativas seguras… No se está debatiendo la autonomía en teoría; se la está ganando».
Los ingresos de la IA necesitan una mejora de madurez
La transición de la experimentación con IA a los ingresos por IA no es una actualización tecnológica; es una mejora de madurez. Requiere alejarse del atractivo de la novedad y abrazar el rigor de la ingeniería, la complejidad de la atribución y la disciplina de la priorización.
Como demuestra la experiencia de Chekryzhov en AUTODOC, las empresas que ganarán no son necesariamente aquellas con los modelos más avanzados, sino aquellas con los puentes más sólidos entre la ciencia de datos y la estrategia empresarial.
