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

      Nueva investigación pone un número concreto en algo que muchos líderes de TI ya sospechaban. La mayoría de los pilotos de IA nunca llegan a producción, y el gasto detrás de ellos no está desapareciendo, simplemente está en un limbo. Jon Bitz, director de relaciones y cofundador de KloudStax, dice que ese limbo no es el fracaso que parece desde afuera.

      Los números siguen aterrizando en el mismo vecindario sin importar quién los cuente. La última investigación de Forrester sobre IA agentiva encontró que tres cuartas partes de los líderes empresariales dicen que la están adoptando, pero solo una pequeña minoría la tiene funcionando en algo más allá de pilotos limitados. Gartner predice que hasta 2026, las organizaciones abandonarán el 60 por ciento de los proyectos de IA que no están respaldados por datos listos para IA e infraestructura de integración. Y la propia encuesta empresarial de Deloitte encontró que más de un tercio de las empresas todavía están utilizando IA a un nivel superficial, con poco cambio real en cómo trabajan día a día.

      Junta todo eso y comienza a formarse un patrón. Las empresas están aprobando presupuestos de IA más rápido de lo que están convirtiendo ese gasto en algo que se asemeje a un sistema repetible y funcional, y la brecha entre los dos se ha convertido en una de las preguntas abiertas más incómodas en la nube empresarial en este momento.

      El gasto no está desperdiciado, está aparcado.

      Jon Bitz, quien pasa la mayor parte de su tiempo dentro de estas conversaciones presupuestarias como socio de Google Cloud, no cree que la historia sea tan sombría como los números de abandono hacen que suene.

      “Una parte significativa del gasto en la nube de IA todavía está ocurriendo en preproducción, y eso no es algo malo”, dijo Bitz. “Las pruebas, la experimentación y la validación son partes críticas de la adopción correcta de la IA. Necesitas esa fase para entender qué funciona y qué no”.

      Donde sí ve un problema real es cuánto tiempo tiende a prolongarse esa fase sin que nadie intervenga para avanzar. “En algunos casos, una gran parte de lo que se está financiando aún no ha llegado a un flujo de trabajo de producción estable y repetible”, dijo.

      Su lectura sobre la solución no es recortar el presupuesto de experimentación, que es el instinto que muchos equipos financieros alcanzan una vez que los números del piloto se vuelven incómodos. Es ser más deliberado sobre convertir lo que la fase de experimentación realmente enseña a una organización en algo que se envía. “Nuestro objetivo no es necesariamente reducir la experimentación, es convertirla”, dijo Bitz. “Tomar lo que se está aprendiendo y convertirlo en sistemas de producción, para que el gasto se desplace de las pruebas a cargas de trabajo que realmente están generando valor dentro del negocio”.

      Dónde realmente va a trabajar el dinero.

      Pregúntale a Bitz dónde el gasto en la nube ya está dando frutos y señala un lugar menos llamativo que la mayoría de los titulares de IA del último año. No nuevos lanzamientos de modelos, no ventanas de contexto más grandes, solo las cosas poco glamorosas que ya estaban funcionando en una empresa antes de que apareciera la IA generativa.

      “Un valor real está apareciendo en la automatización del flujo de trabajo central, tomando procesos manuales y que consumen mucho tiempo y convirtiéndolos en sistemas listos para producción”, dijo, señalando las operaciones de soporte, la producción de ingeniería y la IA incrustada directamente en flujos de trabajo generadores de ingresos como los lugares donde está aterrizando.

      La mala asignación, en su experiencia, tiende a seguir un guion familiar. Los equipos persiguen un mejor modelo o activan más GPUs porque esa parte es fácil, mientras que el trabajo más duro de estructurar datos y definir flujos de trabajo se omite. “Si los datos no están estructurados y los flujos de trabajo no están claramente definidos, se vuelve muy difícil mover algo a producción”, dijo Bitz.

      Las facturas de los hiperescaladores están recibiendo más escrutinio, no menos confianza.

      También ha habido una conversación más fuerte últimamente sobre si las empresas están comenzando a resistirse a los precios de los hiperescaladores en sí, especialmente a medida que las cargas de trabajo de IA hacen que las facturas mensuales sean más difíciles de predecir. Los datos del Estado de la Nube 2026 de Flexera respaldan eso desde el lado financiero, con la imprevisibilidad de costos vinculada a cargas de trabajo de IA dinámicas que aparece como uno de los principales obstáculos que las empresas informan, y casi la mitad de las grandes organizaciones ahora tienen una función de gobernanza de IA dedicada para mantenerlo bajo control. Bitz dice que eso no está sumando resistencia a las plataformas en sí en lo que está escuchando en la práctica.

      “Estamos comenzando a ver más escrutinio, pero no tanto rechazo a los hiperescaladores en sí o al valor de las soluciones y plataformas”, dijo. “Se trata más de cómo se estructura y gestiona el gasto”. Las preguntas que las empresas están realmente haciendo tienden a ser más específicas que un referéndum sobre los precios de la nube: qué está realmente impulsando la factura, qué está vinculado a la producción frente a pilotos y pruebas de concepto, y dónde hay margen para optimizar.

      Ese escrutinio está empujando a las empresas hacia elecciones arquitectónicas más opinadas, servicios y cargas de trabajo sin servidor y gestionados dimensionados a lo que realmente necesitan, junto con una gobernanza más estricta sobre quién puede activar qué. Los socios también están asumiendo más de ese trabajo de optimización. “Se trata menos de desafiar el precio y más de preguntar cómo usar estas plataformas correctamente”, dijo Bitz. “Cuando la arquitectura, los datos y los patrones de uso son correctos, la economía tiende a seguir”.

      La ineficiencia tiene un rastro de papel, y rara vez comienza con el cómputo.

      Es tentador tratar las facturas descontroladas de la nube de IA como un problema de cómputo, ya que ese es el elemento que todos pueden ver. Bitz dice que casi nunca es ahí donde está la verdadera historia.

      “El cómputo es algo fácil de señalar, pero en la mayoría de los casos, el gasto ineficiente es realmente un reflejo de las brechas en datos, arquitectura, gobernanza y flujos de trabajo no definidos”, dijo. Lanzar un modelo más grande o más GPUs a un sistema que nunca fue diseñado para soportar IA en primer lugar no soluciona el desorden subyacente, solo hace que la misma inconsistencia sea más cara de ejecutar. Como lo expresó Bitz, la IA no está creando nuevos problemas dentro de una organización tanto como está amplificando los que ya estaban allí.

      La brecha entre grandes presupuestos y pequeños no se trata realmente de presupuesto.

      Hay una preocupación separada que recorre muchas conversaciones en el mercado medio en este momento, que es que los precios de la nube y la complejidad de la infraestructura están ampliando silenciosamente la brecha entre las empresas que pueden permitirse experimentar con IA y las que no pueden. Bitz cree que la brecha es real, pero que la gente está señalando la causa equivocada.

      “La complejidad juega un papel más grande que solo una brecha presupuestaria entre SMB, mercado medio y empresa, aunque la barrera de entrada es real”, dijo. Las organizaciones más grandes tienen margen para absorber algunos errores costosos en el camino. Las más pequeñas no tienen ese mismo margen de error, por lo que terminan necesitando ser más precisas desde el principio en lugar de menos ambiciosas. “Las empresas que vemos ganar con IA no son necesariamente las que gastan más, son las que implementan los sistemas más limpios en torno a casos de uso bien definidos”, dijo Bitz.

      Lo que sucede en el próximo año y medio.

      Bitz no espera que el gasto en IA se desacelere, pero sí cree que la conversación dentro de las empresas ya se está desplazando hacia la responsabilidad en lugar de la escala bruta. Está observando a las organizaciones mover el trabajo de prueba de concepto a KPIs reales de nivel de producción, prestando más atención a la economía unitaria como el costo por salida o por flujo de trabajo, equipos de ingeniería medidos por la producción impulsada por IA que generan en lugar de cuánto de las herramientas han adoptado, y más visibilidad a nivel C sobre lo que realmente está comprando el gasto en IA.

      “La adopción de IA aún es temprana para muchas organizaciones, y a medida que los equipos se sientan más cómodos, el enfoque naturalmente cambia de ‘¿estamos usando IA?’ a ‘¿esto realmente está funcionando y generando valor?’” dijo Bitz. Durante los próximos 12 a 18 meses, espera que ese cambio siga creciendo, con el gasto continuando en aumento pero bajo mucha más presión para mostrar su trabajo.