El 62% de las organizaciones con las prácticas más maduras de IA confiable declara un retorno firme o alto de sus proyectos, frente al 4% de las empresas rezagadas. La diferencia, equivalente a una probabilidad 15 veces mayor, sitúa la gobernanza, la explicabilidad y la calidad del dato entre los factores que condicionan la rentabilidad de la inteligencia artificial empresarial, según un estudio de SAS basado en una encuesta realizada por IDC.
Los resultados apuntan a que el rendimiento tecnológico de los modelos es solo una parte de la ecuación. La capacidad de supervisarlos, auditar sus decisiones y explicar sus recomendaciones influye en que los empleados utilicen sus resultados dentro de los procesos de negocio. Cuando esas condiciones fallan, aumenta la intervención manual y se reduce el valor que la empresa puede extraer de la automatización.
El informe Data and AI Impact Report: The New Economics of Trust recoge las respuestas de 2.699 directivos con conocimiento o influencia sobre las iniciativas de datos e IA de sus organizaciones. La encuesta abarca 28 países y cuatro sectores: banca, seguros, ciencias de la vida y sector público. Sus conclusiones reflejan asociaciones entre las prácticas declaradas y los resultados obtenidos, dentro de esa muestra y de esos ámbitos de actividad.
La falta de explicaciones limita el uso efectivo
La principal fricción aparece cuando el usuario no entiende cómo ha llegado el sistema a una decisión. El 97,2% de las personas consultadas ignora en alguna ocasión una recomendación generada por IA. El motivo principal, incluso cuando la respuesta se considera correcta, es que la tecnología no pueda explicar el razonamiento que ha seguido.
Esa reacción tiene una consecuencia operativa. Si el empleado descarta una recomendación o debe revisarla y corregirla manualmente, parte del ahorro de tiempo previsto desaparece. También se dificulta la integración de la IA en decisiones sensibles, donde la organización necesita identificar responsabilidades, comprobar los datos utilizados y reconstruir el proceso seguido por el modelo.
La autonomía creciente amplifica esa dificultad. La confianza declarada desciende desde el 76% en el caso de la IA generativa hasta el 66% para los agentes de IA. Estos últimos pueden encadenar tareas y actuar con un mayor grado de independencia, por lo que los mecanismos de supervisión y rendición de cuentas adquieren más peso a medida que se amplía su margen de actuación.
Chris Marshall, vicepresidente de IDC, vincula esta evolución con la necesidad de reforzar los controles empresariales: «A medida que la IA se vuelve cada vez más autónoma, las empresas afrontan un nuevo reto: mantener la confianza en sistemas que las personas no comprenden plenamente. Nuestras conclusiones demuestran que una mayor supervisión, capacidad de explicación, rendición de cuentas y cimientos de datos se están convirtiendo en prerrequisitos para poder escalar el uso de la IA con éxito».
La explicabilidad cumple así una función práctica además de formar parte de las políticas de IA responsable. Permite que los trabajadores evalúen una recomendación, que los responsables revisen posibles errores y que la organización mantenga una cadena de responsabilidad. Sin estas capacidades, el despliegue puede avanzar técnicamente sin consolidarse en el trabajo cotidiano.
Gobernanza y retorno aparecen vinculados
Para diferenciar el grado de madurez, el estudio puntuó a las compañías sobre un máximo de 100 en cinco dimensiones: calidad y gobernanza del dato, supervisión de modelos, explicabilidad y equidad, políticas de IA responsable, y auditoría y rendición de cuentas. Consideró líderes en IA confiable a las organizaciones que alcanzaron una media de al menos 80 puntos.
Además de la diferencia entre el 62% y el 4% en la obtención de un retorno firme o alto, las organizaciones mejor clasificadas declaran beneficios 1,85 veces mayores en 13 resultados empresariales. Entre ellos figuran el crecimiento de los ingresos, el ahorro de costes y la mejora de la experiencia del cliente. Los datos sugieren que la forma de gestionar la IA puede ser tan relevante como la elección de la tecnología desplegada.
La distancia podría aumentar si se cumplen los planes de inversión recogidos en la encuesta. El 85% de los líderes en IA confiable prevé elevar en más de un 10% su gasto en este ámbito durante 2026. Esa inversión puede cubrir controles, procesos, personal especializado e infraestructura de datos, aunque el estudio no desglosa el reparto presupuestario entre esas áreas.
Los resultados sectoriales muestran distintos grados de avance. En banca, el 85% de las entidades líderes en IA ha establecido marcos de gobernanza, frente al 29% de las rezagadas. En ciencias de la vida, el 23% de las compañías afirma haber escalado la IA al conjunto de la organización, la proporción más elevada entre los sectores analizados. En el sector público, el 41% de los líderes prevé incrementar más de un 20% la inversión en IA confiable durante el próximo año.
La infraestructura de datos sigue siendo el cuello de botella
La gobernanza de los modelos depende de la información que los alimenta. Solo el 17,5% de las empresas encuestadas dispone de una infraestructura de datos optimizada y con madurez suficiente para responder a las exigencias de los agentes de IA. Esta carencia afecta a la trazabilidad, la calidad de las respuestas y la posibilidad de explicar por qué el sistema ha producido un resultado determinado.
Las organizaciones con cimientos de datos optimizados presentan cuatro veces más probabilidades de declarar un retorno sólido en sus proyectos. También tienen seis veces más probabilidades de haber establecido los controles de calidad del dato y explicabilidad que el estudio relaciona con la confianza. La infraestructura deja así de ser una cuestión exclusivamente técnica y pasa a condicionar la adopción, el control del riesgo y el rendimiento económico.
Para los directivos, estas conclusiones trasladan la evaluación de los proyectos de IA más allá de la precisión inicial o la rapidez del despliegue. Antes de ampliar un sistema a más procesos, la empresa necesita comprobar si puede identificar los datos utilizados, justificar las recomendaciones, asignar responsabilidades y mantener supervisión humana allí donde sea necesaria.
La consecuencia operativa es directa: escalar IA sin reforzar al mismo tiempo los datos, la auditoría y los mecanismos de explicación puede multiplicar las revisiones manuales y reducir el retorno previsto. Integrar esas capacidades en el diseño y la gestión del proyecto permite que las recomendaciones sean utilizables, verificables y compatibles con los procesos de decisión de la organización.
