La paradoja del ROI de la IA: por qué los modelos generalistas y los ERP heredados arruinarán su presupuesto
En octubre de 2025, Deloitte publicó un informe que confirmaba lo que todo consultor debería saber desde hacía tiempo: las empresas están invirtiendo miles de millones de dólares en inteligencia artificial generativa, pero el retorno de la inversión prometido sigue siendo bastante difícil de alcanzar.
Esperábamos que la IA automatizara instantáneamente nuestros sistemas empresariales y redujera drásticamente los costos operativos. En cambio, los ejecutivos se enfrentan a facturas de software desorbitadas, programas piloto estancados y una clara falta de valor comercial cuantificable. El mercado sigue claramente confundido, y el reciente pánico en torno a los modelos de negocio SaaS refleja esta profunda incertidumbre.
Si su empresa tiene dificultades para obtener un retorno de la inversión en sus nuevas iniciativas de IA, el problema no reside en el concepto de inteligencia artificial en sí, sino principalmente en el nivel de la fábrica.
En mi opinión, actualmente estamos presenciando una enorme incompatibilidad arquitectónica. Las organizaciones están cometiendo dos errores simultáneamente: están adquiriendo el tipo de inteligencia equivocado y están intentando integrarla en el tipo de software equivocado.
Permítanme explicarles con detalle dónde veo que se está desperdiciando su presupuesto de IA y cómo creo que pueden revertir esta tendencia replanteando por completo su enfoque de los sistemas empresariales.
El delirio del cerebro universal
En mis experiencias recientes, he notado un instinto recurrente y peligroso: la necesidad de perseguir los modelos de IA más grandes y famosos del mercado. Desde mi punto de vista, la mayoría de la gente parece estar completamente centrada en los Modelos de Lenguaje a Gran Escala (LLM, por sus siglas en inglés) generalistas, equipados con billones de parámetros y capacidades cada vez más amplias y universales.
No me malinterpreten, creo que estos modelos generalistas masivos son innegablemente fantásticos para muchas aplicaciones de consumo.
Sin embargo, mi visión del futuro de la tecnología empresarial es bastante diferente. En mi trabajo diario veo constantemente que estas áreas requieren un conjunto de capacidades completamente distinto.
Coincido plenamente con el pionero de la IA, Yann LeCun, cuando señala que estos enormes modelos lógicos lineales carecen por completo de comprensión del mundo físico. Son simplemente motores probabilísticos diseñados para predecir la siguiente palabra lógica. En mi opinión, no tiene ningún sentido seguir desarrollando modelos con cada vez más parámetros si el objetivo es ejecutar una lógica de negocio muy específica.
Si le pides a un generalista con maestría en derecho que optimice el flujo de materiales en un almacén concurrido o que recalcule una lista de materiales multinivel debido a una escasez repentina de componentes, te garantizo que te estás buscando problemas. Puede que la respuesta suene impecable y parezca increíblemente segura, pero he visto de primera mano cómo esa misma respuesta probablemente será físicamente imposible de ejecutar o financieramente desastrosa.
Creo que el verdadero retorno de la inversión en software empresarial no reside en el conocimiento generalista de billones de parámetros, sino en la hiperespecialización.
Veo claramente la solución a este derroche de recursos: el Modelo de Lenguaje Reducido (SLM). Un SLM suele operar con menos de 10 mil millones de parámetros y se entrena con conjuntos de datos cuidadosamente seleccionados y de calidad excepcional. En lugar de saber un poco de todo en internet, un SLM está diseñado para saber absolutamente todo sobre un dominio específico.
Si una empresa decide implementar un SLM localizado, asume la responsabilidad total de la inteligencia. Sus datos confidenciales nunca salen de su perímetro seguro. Obtiene acceso a un agente altamente especializado que comprende las limitaciones físicas y logísticas de sus operaciones específicas, todo ello consumiendo una fracción de la potencia computacional y los costes de API que exigen los gigantes de la nube.
La trampa del chasis personalizado
Adquirir el modelo de IA especializado adecuado solo resuelve la mitad del problema. La segunda razón principal por la que los resultados de la IA son tan difíciles de obtener es el entorno en el que se implementa esta inteligencia.
Como detallé ampliamente en mi artículo anterior, "El asesino de la IA: por qué los datos sucios llevarán a la bancarrota a su agente", existe una dura realidad que está acabando con la IA empresarial: no se puede instalar un motor Ferrari de alta gama en un chasis oxidado de treinta años y esperar un milagro.
Históricamente, las empresas lucían con orgullo sus sistemas ERP locales, altamente personalizados. Hoy en día, esa personalización extrema se ha convertido en una prisión tecnológica inherentemente plagada de datos erróneos.
Dado que la IA aprende exclusivamente de patrones históricos, alimentarla con diez años de datos obsoletos solo le enseña a escalar tus ineficiencias a una velocidad vertiginosa. Este de datos basura que produce resultados desastrosos es precisamente la razón por la que las empresas pagan precios exorbitantes por software de IA pero no obtienen ningún retorno de la inversión.
Información práctica para líderes empresariales
Si usted es CEO, director financiero o líder de TI y tiene la tarea de justificar su presupuesto actual para IA o planificar su próxima migración de ERP, aquí tiene los pasos prácticos que debe seguir para asegurar un retorno de inversión cuantificable.
1. Modernice sus personalizaciones principales: deje de tratar su ERP como un producto a medida. Convierta activamente las personalizaciones heredadas en extensiones. Si bien la IA puede leer tablas personalizadas, carece del preentrenamiento semántico necesario para comprender sus campos únicos, lo que conlleva costosos ciclos de reentrenamiento o errores. Al trasladar la lógica personalizada a extensiones externas basadas en API, su base de datos principal se mantiene estándar y es fácilmente comprensible para la IA.
2. Centra tu atención en los modelos de lenguaje pequeños: deja de preocuparte por qué gigante tecnológico ha lanzado el modelo con más parámetros esta semana. Empieza a evaluar modelos de peso abierto que se puedan ajustar específicamente para tu sector. Calcula el retorno de la inversión (ROI) de alojar un SLM en tu propio entorno controlado (ya sea en hardware local dedicado o en una infraestructura de nube privada como AWS) frente a los costes impredecibles y recurrentes del alquiler de tokens de API generalistas.
3. Realice una migración de datos "limpia": antes de lanzar cualquier programa piloto de IA, debe poner en orden sus datos. Al migrar a un ERP moderno en la nube, sea implacable con sus datos históricos. No migre quince años de facturas cerradas o códigos de proveedores obsoletos. Archive esa información en un Data Lake separado y utilice BI generativo para consultarla cuando sea necesario. Transfiera solo sus datos maestros activos, transacciones abiertas y saldos de inventario actuales al nuevo sistema. Una alta relación señal-ruido es el requisito fundamental para la precisión de la IA. Si desea profundizar en el tema, comience aquí: El manual de migración.
Mi opinión final
La paradoja del retorno de la inversión, destacada por Deloitte, constituye una llamada de atención muy necesaria para toda la industria tecnológica. Nos recuerda que la simple compra de una suscripción al software más novedoso y de moda no transforma mágicamente a una organización en una potencia autónoma.
La verdadera inteligencia empresarial requiere una profunda disciplina arquitectónica. Sin duda, el mercado presenciará una purga de empresas que intenten aplicar IA generalista para solucionar sus procesos heredados obsoletos. Sin embargo, las organizaciones que combinen el enfoque hiperespecializado de los modelos de lenguaje pequeños con la agilidad estandarizada de la extensibilidad de los ERP en la nube dejarán de perseguir la moda pasajera. Construirán la base necesaria para generar valor real y acumulativo en la planta de producción.
Escrito por Andrea Guaccio
28 de marzo de 2026