La apuesta por la Inteligencia artificial sigue siendo una fuerza dominante en los presupuestos tecnológicos: analistas proyectan un gasto mundial de $2.52 trillion en 2026, con un incremento anual del 44%. Sin embargo, la percepción cambió. Según el ciclo de Gartner, la gen AI ha entrado en el valle de la desilusión, donde las expectativas superaron lo entregado y los consejos de administración empiezan a pedir cuentas claras sobre el retorno de la inversión.
Frente a ese escenario, conviene replantear la estrategia: en vez de perseguir proyectos espectaculares sin rumbo, las organizaciones deben concentrarse en construir capacidad, forjar alianzas que aporten valor y transformar exploraciones en servicios productivos. Al mismo tiempo, los gigantes tecnológicos han invertido cantidades históricas en centros de datos y hardware —más de $814 billion desde principios de 2026—, lo que obliga a evaluar cómo se financian y contabilizan esos costes.
1. Construir capacidad como cimiento estratégico
La primera prioridad es invertir en infraestructura. Gartner prevé que la expansión de plataformas y servidores optimizados para AI será una parte notable del gasto emergente hasta 2026, con un crecimiento de casi 49% en componentes dedicados. Esto no es solo comprar chips: implica decidir si la organización necesita poseer su capacidad, alquilarla o consumirla como servicio a través de APIs de modelos grandes.
Seleccionar entre operar un datacenter propio, usar hyperscalers como AWS, Microsoft o Google, o apoyarse en proveedores que gestionen el cómputo, determina la agilidad y el coste a largo plazo. Un ejemplo habitual es una entidad financiera que busca automatizar aprobaciones de tarjetas de crédito: la elección de dónde se entrena y ejecuta el modelo influye directamente en tiempo de respuesta, seguridad y control de datos.
2. Forjar asociaciones que sumen y compartan riesgos
Con la IA en fase de enfriamiento, las empresas deberían apostar por socios tecnológicos probados en su stack habitual. No todos los actores deben reinventar la rueda: solo las organizaciones líderes y con visión deben embarcarse en desarrollos internos de alto riesgo. Las relaciones con proveedores deben orientarse a obtener compromiso sobre resultados, no solo facturación por horas.
Modelos de colaboración
Las estructuras de contratación importan: la facturación por tiempo y materiales deja al cliente con todo el riesgo; alternativas como la co-desarrollo o la tarificación basada en resultados alinean incentivos. Cuando un proveedor comparte tanto el trabajo como la recompensa, aumenta la probabilidad de transformar experimentos en servicios productivos.
3. Evitar exploraciones al azar: enfoque en datos y procesos
El tercer pilar es evitar la dispersión. Con estudios como los del MIT que indican que alrededor del 95% de los proyectos de gen AI no generan valor, la salida no es abandonar la tecnología sino priorizar. Concentrarse en datos, procesos y en la integración con las unidades de negocio ayuda a convertir prototipos en soluciones escalables.
La gobernanza interna es clave: llevar a las partes interesadas desde el inicio, definir métricas de negocio claras y diseñar procesos que permitan pasar de pruebas a producción sin perder calidad ni control. Este enfoque reduce la probabilidad de que los proyectos terminen como pruebas costosas sin impacto real.
Costes de entrenamiento y sostenibilidad financiera
Un tema crítico que reclama transparencia es cómo se contabilizan los costes de entrenamiento de modelos. Empresas como Anthropic han invertido de manera masiva y proyectan cifras enormes (por ejemplo, la compañía reportó ingresos y gastos significativos en 2026 y comunicó un run rate en crecimiento el 12 de febrero de 2026). El punto esencial es que los gastos de entrenamiento no son un gasto puntual: son recurrentes y semejantes a los costes de producción, por lo que deben considerarse dentro del coste de bienes vendidos y en las proyecciones de margen.
Si las organizaciones ocultan o externalizan estos costes, la contabilidad puede dar una imagen distorsionada de la rentabilidad. Por ello, la transparencia en la contabilidad de inferencia y entrenamiento es un requisito para evaluar correctamente la viabilidad de un proyecto AI a medio plazo.
Conclusión: inversión disciplinada y pragmática
La caída en el entusiasmo por la gen AI no implica que la tecnología sea irrelevante; más bien, ofrece una oportunidad para racionalizar inversiones. Priorizar la construcción de capacidad, alinear con socios que compartan riesgo y evitar exploraciones dispersas mediante un foco en datos y procesos corporativos aumentará las probabilidades de obtener retornos reales. Con costes de infraestructura y entrenamiento elevados, la disciplina financiera y la transparencia contable son imperativos para que la promesa de la IA se convierta en valor sostenible.
