La mayor parte del gasto empresarial en IA aún no ha salido del laboratorio

Una nueva investigación pone una cifra concreta sobre algo que muchos líderes de TI ya dudan. La mayoría de los pilotos de IA no llegan a producirse y el costo detrás de ellos no desaparece, simplemente permanece en el limbo. John Beitz, director de relaciones y cofundador de CloudStax, dice que el limbo no es el fracaso que parece desde fuera.

Los números tienden a caer en el mismo vecindario, sin importar quién esté contando. El último estudio de Forrester sobre IA agente encontró que tres cuartas partes de los líderes empresariales dicen que la están adoptando, pero sólo una pequeña minoría la está ejecutando en algo más que pilotos limitados. Gartner predice que para 2026, las organizaciones abandonarán el 60 por ciento de los proyectos de IA que no estén respaldados por una infraestructura de integración y datos preparada para IA. Y la propia encuesta empresarial de Deloitte encontró que más de un tercio de las empresas todavía utilizan la IA a nivel superficial, con pocos cambios en la forma en que realmente trabajan en el día a día.

Júntelos y comenzará a formarse un patrón. Las empresas están aprobando rápidamente presupuestos de IA a medida que convierten ese gasto en algo así como un sistema repetible y viable, y la brecha entre los dos ahora se convierte en una cuestión abierta aún más incómoda en la nube empresarial.

El gasto no se desperdicia, queda aparcado

John Beitz, que pasa gran parte de su tiempo en medio de estas conversaciones presupuestarias como socio de la nube de Google, no cree que la historia sea tan sombría como lo hacen parecer los números abandonados.

"Una parte significativa del gasto en IA en la nube todavía se realiza en preproducción, y eso no es malo."Bitz dijo."Las pruebas, las pruebas y la validación son partes importantes para lograr que la IA funcione correctamente. Necesitas esa etapa para entender qué funciona y qué no."

Donde él ve un problema real es que no importa cuánto se prolongue la fase, alguien procede a hacerla avanzar. "En algunos casos, una gran parte de lo que se financia aún no se ha convertido en un flujo de trabajo de producción estable y repetible.”, dijo.

Su interpretación de la solución no es recortar los presupuestos experimentales, que es el instinto al que recurren muchos equipos financieros cuando las cifras piloto se vuelven incómodas. Es la fase experimental la que realmente enseña a una organización a ser más deliberada a la hora de convertir lo que aprende en algo. "Nuestro objetivo no es necesariamente reducir las pruebas, sino transformarlas."Beatz dijo."Tomar lo que se está aprendiendo y convertirlo en sistemas de producción, cambiar la carga de trabajo de las pruebas a lo que realmente genera valor dentro del negocio."

Dónde realmente va a trabajar el dinero

Pregúntele a Beetz dónde el gasto en la nube ya está dando sus frutos, y señalará un lugar menos llamativo que la mayoría de los títulos de inteligencia artificial del año pasado. Ni lanzamientos de nuevos modelos, ni grandes ventanas contextuales, solo cosas obscenas que una empresa ya estaba ejecutando antes de que apareciera la IA generativa.

"El valor real está en la automatización central del flujo de trabajo, tomando procesos manuales que requieren mucho tiempo y convirtiéndolos en sistemas listos para producción.Las operaciones de soporte, la producción de ingeniería y la incorporación de la IA directamente en los flujos de trabajo que generan ingresos apuntan a áreas donde está aterrizando, dijo.

La atribución errónea, según su experiencia, sigue un guión familiar. Los equipos siguen un mejor modelo o activan más GPU porque esa parte es fácil, evitando al mismo tiempo el arduo trabajo de definir estructuras de datos y flujos de trabajo. "Si los datos no están estructurados y los flujos de trabajo no están claramente definidos, resulta muy difícil llevar algo a producción.dijo Beetz.

Los proyectos de ley hiperescalar están recibiendo más escrutinio, no menos credibilidad

Últimamente también ha habido una intensa conversación sobre si las empresas están empezando a rechazar los precios hiperescalares, especialmente porque las cargas de trabajo de IA hacen que las facturas mensuales sean más difíciles de predecir. Respaldado por los datos sobre el estado de la nube de Finanzas de 2026 de Flexera, la imprevisibilidad de los precios vinculada a las cargas de trabajo dinámicas de IA se mostró como uno de los principales factores disuasorios en los informes empresariales, y casi la mitad de las grandes organizaciones ahora están ejecutando una función de gobernanza de IA dedicada para mantenerla bajo control. Beitz dice que lo que está escuchando en la práctica no equivale a una reacción en contra de las plataformas en sí.

"Estamos empezando a ver un mayor escrutinio, pero no tanto rechazo a los propios hiperescaladores o a los estándares de las soluciones y plataformas."Dijo."Se trata más de cómo se organiza y gestiona el gasto". Las preguntas que en realidad se hacen las empresas tienden a ser más estrechas que un referéndum sobre los precios de la nube: qué es lo que realmente paga la factura, qué implica la producción piloto y de prueba de concepto, y dónde hay espacio para optimizar.

Este escrutinio está haciendo que las empresas busquen opciones de arquitectura más obstinadas, servicios administrados y sin servidor, y cargas de trabajo del tamaño de lo que realmente necesitan, junto con una gobernanza más estricta sobre quién puede hacer qué. Los socios también están retomando más de ese trabajo de optimización "Se trata menos de desafiar el valor y más de preguntar cómo utilizar estas plataformas correctamente."Bitz dijo."Cuando la arquitectura, los datos y los patrones de uso son correctos, la economía sigue."

La ineficiencia tiene un rastro documental y rara vez comienza con cálculos.

Es tentador tratar las facturas descontroladas de la nube de IA como un problema de cálculo, ya que es una partida que todos pueden ver. Beitz dice que esa casi nunca es la verdadera historia.

"Es fácil de calcular, pero en la mayoría de los casos, las ineficiencias son en realidad un reflejo de lagunas en los datos, la arquitectura, la gobernanza y los flujos de trabajo indefinidos.", dijo. Lanzar un modelo más grande o más GPU a un sistema que no fue diseñado para admitir IA en primer lugar no soluciona el problema subyacente, solo hace que sea más costoso ejecutar el mismo problema. Como dice Beitz, la IA no está creando nuevos problemas dentro de una organización sino que amplifica los que ya existen.

La brecha entre los presupuestos grandes y pequeños no tiene que ver realmente con el presupuesto

Una preocupación diferente que está presente en muchas conversaciones del mercado medio en este momento es que los precios de la nube y la complejidad de la infraestructura están ampliando silenciosamente la brecha entre las empresas que pueden experimentar con la IA y las que no. Beitz cree que la brecha es real, pero la gente señala las causas equivocadas.

"La complejidad juega un papel más importante que la brecha presupuestaria entre las PYMES, los mercados medianos y las empresas, aunque las barreras de entrada son reales."Dijo. Las grandes empresas tienen espacio para absorber algunos errores costosos en el camino. Las pequeñas empresas no tienen el mismo margen de error, por lo que deben ser más precisas desde el principio, no menos ambiciosas.Las empresas que vemos ganando con la IA no son sólo las que gastan más, sino también las que implementan los sistemas más limpios para casos de uso bien definidos.dijo Beetz.

¿Qué pasará en el próximo año y medio?

Beitz no espera que el gasto en IA se desacelere, pero cree que la conversación dentro de las empresas ya se está dirigiendo hacia la responsabilidad en lugar de las dimensiones brutas. Está observando a las empresas trasladar el trabajo de prueba de concepto a KPI reales a nivel de producción, centrarse más en economías unitarias como el costo por resultado o por flujo de trabajo, medir a los equipos de ingeniería en función del resultado impulsado por IA que han producido en lugar de cuántas herramientas han adoptado, y más visibilidad de nivel C sobre lo que la IA realmente está gastando.

"La adopción de la IA todavía se encuentra en sus primeras etapas para muchas organizaciones y, a medida que los equipos se sienten más cómodos, el enfoque naturalmente cambia a "¿Estamos usando IA?" Aléjese de ¿Realmente funciona y genera valor?'", dijo Beitz. Durante los próximos 12 a 18 meses, espera que este cambio continúe, los costos seguirán aumentando pero estará bajo una mayor presión para mostrar su trabajo.