Hay algo que encuentro particularmente revelador sobre la manera en que hoy estamos abordando el tema de la inteligencia artificial (IA) y es que nos referimos a ella como si fuera una capacidad homogénea, una tecnología compacta y perfectamente entendida; cuando en realidad el término agrupa sistemas, modelos y niveles de madurez completamente distintos entre sí.
Bajo la misma etiqueta conviven soluciones industriales que llevan décadas operando con relativa estabilidad y herramientas recientes cuya viabilidad todavía depende más de la expectativa que de su rendimiento sostenido. En esa rara mezcla, creo que a veces se pierde precisión en el concepto. La IA se convirtió en un concepto paraguas, en una promesa transversal y, con ello, también en un terreno fértil para el hype.
Y no quiero decir con esto que la IA sea puro entusiasmo. Es claro que toda revolución tecnológica relevante ha atravesado fases de fascinación colectiva; pero el problema principal es que muchas veces el discurso difumina las diferencias entre tecnologías maduras y tecnologías aspiracionales.
Un buen ejemplo es cuando un sistema de visión artificial entrenado para la inspección de calidad en una línea automotriz se coloca, en términos de definición, al mismo nivel que asistentes generativos todavía incapaces de operar sin supervisión constante; o cuando se presentan plataformas experimentales como si ya hubieran alcanzado niveles de confiabilidad equivalentes a los de sistemas críticos de producción. Es en ese punto, cuando la novedad tecnológica pasa de ser un aspecto técnico y pasa al terreno de los simbolismos (casi siempre dibujando escenarios de optimismo).
El fenómeno no es nuevo, pues el propio Gartner Hype Cycle parte de esa observación: las tecnologías emergentes atraviesan una fase inicial de expectativas infladas antes de enfrentarse a un periodo de desencanto, ajuste y eventual estabilización. Gartner describe este proceso como una curva donde la visibilidad mediática y las promesas de mercado suelen crecer más rápido que la capacidad real de implementación.
La inteligencia artificial atraviesa precisamente ese territorio. Pero también es justo decir que no toda la IA se encuentra en el mismo punto de la curva.
La IA silenciosa
Existe una inteligencia artificial a la que no estamos tan acostumbrados a ver en campañas publicitarias o en presentaciones espectaculares. Es menos llamativa, menos narrativa y mucho más operativa. Está presente desde hace años en procesos de manufactura, logística, sistemas financieros y plataformas industriales. Funciona porque opera sobre datos relativamente estructurados, tareas repetibles y objetivos concretos.
Los sistemas de mantenimiento predictivo son un ejemplo claro. Utilizan históricos operativos, vibraciones, temperaturas y patrones estadísticos para anticipar fallas en equipos industriales. No prometen sustituir ingenieros ni redefinir el trabajo humano; simplemente reducen tiempos muertos y mejoran disponibilidad. Lo mismo ocurre con la visión computacional aplicada a inspección de calidad, donde modelos entrenados detectan defectos superficiales con niveles de repetibilidad superiores a ciertos procesos manuales.
Estas aplicaciones tienen algo en común: maduraron lentamente. Pasaron por etapas de entrenamiento, calibración, integración y ajuste operativo. No llegaron como una revolución instantánea, sino como una evolución acumulada. Y quizá por eso generan menos ruido. Porque la tecnología madura suele perder espectacularidad justo cuando empieza a generar valor real.
McKinsey documentó en su estudio The State of AI 2025 que las organizaciones que capturan resultados financieros consistentes con IA son aquellas que rediseñan procesos completos y no solo añaden herramientas aisladas. Apenas 21% de las empresas que usan IA generativa reportan haber rediseñado sus workflows de forma sustancial. El dato revela algo importante: el mercado está adoptando interfaces más rápido de lo que está transformando estructuras operativas.
Inteligencia aspiracional
De forma paralela, existe otra capa de inteligencia artificial mucho más asociada al discurso de expectativa. Es la IA que se presenta como sustituto generalizado del conocimiento humano, como motor autónomo de productividad o como solución transversal para prácticamente cualquier industria. En esta lógica, los límites técnicos parecen secundarios frente al potencial futuro.
Buena parte del auge reciente de la IA generativa se sitúa en esa zona. Los modelos son impresionantes en demostraciones bajo ambientes controlados, pero todavía muestran desafíos de consistencia, trazabilidad y confiabilidad cuando se incorporan a procesos críticos. Diversos estudios realizados entre líderes empresariales durante 2025 reflejan esta distancia entre expectativa y resultados: solo 25% de las iniciativas de IA había generado el retorno de inversión esperado y apenas 16% había logrado escalar a nivel empresarial. Al mismo tiempo, 64% de los directivos reconoció que parte de sus inversiones respondía al temor de perder competitividad frente a otros actores del mercado.
Estos indicadores resultan relevantes, puesto que muestran cómo el hype altera la lógica de adopción de nuevas tecnologías. La presión competitiva empieza a reemplazar la evaluación de la madurez. Se implementan pilotos antes de consolidar una arquitectura de datos, se despliegan copilots sin procesos claros de gobernanza y se integran modelos generativos en entornos donde ni siquiera existe una trazabilidad documental consistente.
En muchos casos, la IA aspiracional no fracasa por incapacidad técnica, sino porque se le exige operar en organizaciones que aún no han madurado digitalmente. La OCDE ha señalado que entre las principales barreras de adopción se encuentran la falta de capacidades internas, problemas de integración y (da para dedicarle todo un tema) la dificultad para contratar talento especializado.
El problema no es menor. Cuando el hype domina los discursos, las organizaciones comienzan a confundir la experimentación con la transformación. Tener acceso a modelos avanzados no equivale a contar con una estrategia madura de inteligencia artificial.
Adopción y madurez, por qué no es lo mismo
Quizá la distinción más importante en estos días no sea entre empresas que usan IA y las que no, sino entre organizaciones que la integran como infraestructura operativa y aquellas que solo la consumen como tendencia.
La madurez tecnológica implica secuencia. Significa que antes de automatizar decisiones, los datos deben ser consistentes; antes de escalar modelos, los procesos deben ser repetibles; antes de delegar tareas críticas, la supervisión debe estar definida. La IA productiva no aparece en entornos caóticos. Necesita estructuras capaces de sostenerla.
Es crucial desmontar la percepción frecuente de que la masificación de herramientas implica automáticamente madurez de mercado.
Tal vez por eso la discusión sobre inteligencia artificial necesita menos fascinación y más precisión. No toda IA representa el mismo nivel de riesgo, la misma profundidad técnica o el mismo horizonte de valor. Algunas aplicaciones ya son parte silenciosa de la productividad industrial actual. Otras siguen dependiendo de expectativas que aún no se han acercado al desgaste natural de la operación real.