El error que hace fracasar casi toda estrategia de IA

Imagine una sala de juntas donde, durante meses, una organización bien financiada despliega inteligencia artificial con entusiasmo: licencias compradas, equipos capacitados, proyectos piloto en marcha. Y, al cabo del año, nadie sabe decir qué cambió. Los modelos funcionaron, el presupuesto alcanzó, el talento estaba; sin embargo, el retorno no aparece por ningún lado. Esa escena no es excepcional, y probablemente usted la ha visto en su propia institución o en alguna cercana. Según el informe del MIT NANDA Project, publicado en julio de 2025 a partir de ciento cincuenta entrevistas a directivos, una encuesta a trescientos cincuenta empleados y el análisis de trescientos despliegues públicos de inteligencia artificial generativa, el noventa y cinco por ciento de las iniciativas no produce un retorno medible identificable.

El dato no es marginal: es uno de los hechos más significativos sobre el estado real de la adopción institucional de inteligencia artificial. Y abre la pregunta que organiza este capítulo: ¿por qué la enorme mayoría de los proyectos empresariales y de las iniciativas universitarias no produce retorno medible, y qué tienen en común esos fracasos? La respuesta importante no está en la historia particular de cada proyecto que falló, porque cada uno tiene la suya. Está en el patrón estructural que comparten. Los tres hallazgos centrales del informe, que examino más adelante, apuntan todos en la misma dirección: la causa principal del fracaso no es técnica, no es presupuestaria, y no es de capacidades de los modelos. Es organizacional.

Sostengo que la causa estructural de esos fracasos, tanto empresariales como universitarios, es de naturaleza categorial. Las instituciones que despliegan inteligencia artificial sin modelo confunden la iniciativa con la estrategia, la herramienta con el dispositivo, la capacitación con la incorporación, y la directriz con la gobernanza. Cuando las categorías están confundidas, las decisiones operativas se toman en planos equivocados y producen exactamente los resultados que el MIT documentó. SinergIA opera, antes que cualquier otra cosa, como un dispositivo de distinción categorial: separa lo que hay que separar para que cada cosa se decida en el plano que le corresponde.

2.1La advertencia de la bandera roja

Hay un episodio histórico que vale la pena tener presente, porque condensa con precisión inquietante lo que está en juego. En 1865, el Reino Unido aprobó la Locomotive Act, recordada por la posteridad como la Ley de la Bandera Roja. La norma exigía que todo vehículo automotor circulara a no más de seis kilómetros por hora en zonas rurales y tres en las urbanas, y que lo hiciera con tres personas a bordo: un conductor, un fogonero y una tercera que debía caminar cincuenta y cinco metros por delante del vehículo agitando una bandera roja para advertir del peligro. La justificación era la seguridad pública: los caballos se espantaban, los peatones podían morir. Eran preocupaciones legítimas, ancladas en hechos verificables. La ley estuvo vigente treinta y un años. Cuando se derogó, en 1896, Alemania y Francia ya tenían industria automotriz, mientras el Reino Unido había dedicado tres décadas a construir un marco regulatorio que protegía al pasado de un futuro que llegó de todos modos, solo que sin participación británica.

El paralelo con las directrices universitarias actuales sobre inteligencia artificial es estructuralmente análogo, y por eso resulta incómodo. Muchas universidades formulan directrices que prohíben, restringen o ralentizan la incorporación, y lo hacen bajo justificaciones igualmente legítimas: la integridad académica, la protección de datos, la equidad entre estudiantes. Las preocupaciones son reales; nadie sensato las descartaría. Pero esas directrices están escritas como banderas rojas: protegen al pasado de un futuro que llega de todas formas, solo que sin participación universitaria gobernada. La diferencia entre la Ley de la Bandera Roja y una directriz universitaria bien diseñada no está en las preocupaciones, que son las mismas, sino en algo más sutil y decisivo: en si el dispositivo regulatorio bloquea el desarrollo o lo gobierna. El capítulo seis retomará este caso para mostrar cómo SinergIA gobierna sin prohibir, y el capítulo diecinueve cerrará el libro con la pregunta de qué tiene cada universidad para no repetir 1865 en su propio terreno.

Y no hace falta remontarse a 1865 para reconocer el patrón: acaba de repetirse. En junio de 2026, cuando uno de los laboratorios de frontera liberó al público un modelo de altísima capacidad, el Gobierno de Estados Unidos ordenó suspender su acceso —y el de su versión sin restricciones— mediante una directiva de control de exportaciones, invocando la seguridad nacional. La preocupación era legítima, como lo fueron los caballos espantados de 1865. Pero la propia empresa, al acatar la orden, objetó que la capacidad señalada ya estaba disponible en otros modelos y que retirar uno desplegado a cientos de millones de personas, sin un proceso transparente y basado en hechos técnicos, equivalía a bloquear en lugar de gobernar. Esa es, exactamente, la distinción de este capítulo: no entre preocuparse o no —las preocupaciones eran reales en los dos siglos—, sino entre un dispositivo que detiene el desarrollo y uno que lo conduce. La bandera roja no es una antigüedad británica: es una tentación contemporánea, y la universidad que escribe sus directrices bajo el miedo la repite en su propio terreno.

2.2El vacío de aprendizaje que documentó el MIT

Vale la pena volver sobre el informe del MIT NANDA Project con más detenimiento, porque su segundo hallazgo es más revelador que el primero. El estudio combinó ciento cincuenta entrevistas a directivos, una encuesta a trescientos cincuenta empleados y el análisis de trescientos despliegues públicos de inteligencia artificial generativa. El hallazgo central ya se ha mencionado. El hallazgo segundo, y el que de verdad importa, es que la causa principal del fracaso no es la calidad de los modelos —excelente y verificable en los benchmarks que documentan los propios proveedores—, ni el presupuesto —los proyectos analizados estaban bien financiados—, ni la disponibilidad de talento técnico. La causa principal es lo que el informe denomina learning gap, una brecha de aprendizaje organizacional: la organización no aprende de su propio despliegue. Implementa, mide de manera superficial, no incorpora ciclos de revisión, y los proyectos terminan convertidos en islas operativas sin retroalimentación institucional.

La traducción al lenguaje del modelo SinergIA es directa: esas organizaciones desplegaron herramientas sin un dispositivo iteractivo gobernado. El AIA-i resuelve precisamente aquello que el informe identificó como ausente, a saber, los ciclos de revisión, ajuste y verificación institucionalizados, que constituyen el quinto principio operativo del AIA-i, la iteracción gobernada. El capítulo once desarrollará el AIA-i en detalle e introducirá un criterio de discriminación entre un AIA-i auténtico y un wrapper trivial, cuya métrica concreta desplegará el capítulo quince dentro de la familia de métricas relacionales del modelo. Aquí basta con extraer la conclusión que de todo esto se desprende: ese patrón de fracasos no es un destino tecnológico inevitable, sino la consecuencia de la ausencia de un modelo institucional articulado. Su universidad tiene ante sí dos caminos. Puede repetir el patrón —y muchos pilotos universitarios actuales lo repiten sin advertirlo— o puede adoptar un dispositivo iteractivo desde el inicio.

2.3Cinco respuestas que no bastan

El campo de la incorporación universitaria de inteligencia artificial está dominado por cinco respuestas que operan como sustitutos de un modelo y que comparten un mismo defecto estructural: cada una actúa sobre un único plano —normativo, formativo, técnico o experimental— y deja los demás sin tocar. Prohibir opera solo en el plano normativo, y su efecto más constante es producir Shadow AI institucional, es decir, un uso real que ocurre fuera de las directrices formales y que la institución prefiere negar que existe. Regular funciona mejor que prohibir, pero sin un modelo que la oriente termina regulando lo que entiende y dejando sin regular lo que se le escapa. Capacitar opera en el plano formativo, pero sin un dispositivo institucional que recoja la competencia adquirida produce docentes capaces dentro de instituciones que no saben aprovecharlos. Comprar herramientas IA opera en el plano técnico, pero sin un diagnóstico del uso real optimiza para problemas que no son los críticos. Cabe aquí una precisión que el modelo sostiene de manera estable, porque evita una confusión costosa: una herramienta IA es un producto comercial —como Khanmigo o MagicSchool, construidos sobre modelos de frontera de OpenAI, Anthropic, Google u otros— que usa subyacentemente un modelo de IA, donde el usuario final accede a la herramienta, no al modelo. Comprar una herramienta IA es legítimo y a veces necesario, pero es distinto de construir un AIA-i propio: en la herramienta comprada, la universidad no controla el modelo subyacente ni la política de datos, que son del proveedor; en el AIA-i propio, la universidad gobierna ambos. El modelo SinergIA no prohíbe comprar herramientas IA; lo que sostiene es que comprarlas no equivale a construir capacidad institucional, y que la sexta vía —construir AIA-i propios— es la que produce la autonomía que las cinco respuestas reactivas no producen. Y pilotear opera en el plano experimental, pero sin modelo los pilotos quedan como islas que ni se replican ni se aprenden.

Cada una de las cinco respuestas hace algo; ninguna es un modelo. El defecto que comparten es, una vez más, categorial: confunden la iniciativa con la estrategia. El cierre de este capítulo mostrará qué resuelve un modelo institucional que las cinco respuestas no resuelven por separado, y el capítulo siete definirá operativamente qué es SinergIA precisando, una por una, las cuatro cosas que el modelo no es.

2.4La confusión categorial como causa de fracaso

Lo que ocurre cuando una universidad confunde un modelo con otra cosa es observable y se repite con una regularidad casi mecánica. Cuando confunde el modelo con una metodología, espera que le entregue pasos; al no recibirlos, concluye que el modelo es abstracto y lo abandona. Cuando lo confunde con un plan, espera fechas, indicadores y presupuestos asignados; al recibir en cambio categorías para pensar, concluye que el modelo no es operativo. Cuando lo confunde con una arquitectura tecnológica, espera la especificación de unas herramientas; al recibir principios independientes del proveedor, concluye que el modelo no es implementable. Y cuando lo confunde con una política normativa, espera reglas claras de lo permitido y lo prohibido; al recibir distinciones categoriales, concluye que el modelo no responde a lo que necesita.

En los cuatro casos, la institución descarta lo que el modelo sí entrega —categorías para organizar el pensamiento— porque no le entrega lo que esperaba, que eran instrucciones para no tener que pensar. La confusión categorial no es un fallo intelectual de quienes la cometen; es el síntoma de instituciones que necesitan respuestas operativas inmediatas y que, por esa misma urgencia, leen toda propuesta conceptual como una demora. El capítulo siete desarrollará esta confusión con cinco secciones dedicadas a mostrar qué no es SinergIA, y por qué cada una de esas confusiones produce el tipo de fracaso que el informe del MIT documentó empíricamente.

2.5Lo que un modelo institucional sí puede hacer

Frente a esas cinco respuestas insuficientes, un modelo institucional resuelve tres cosas que ninguna de ellas resuelve por sí sola. Resuelve, en primer lugar, la articulación de los cuatro planos en una coherencia interna: lo que se prohíbe se relaciona con lo que se enseña, lo que se compra con lo que se pilotea, y lo que se pilotea con lo que se diagnostica, de modo que las decisiones dejan de tomarse en compartimentos estancos. Resuelve, en segundo lugar, la posibilidad de un lenguaje compartido: entrega categorías comunes para que actores institucionales heterogéneos puedan pensar juntos, de manera que un directivo universitario, el vicerrector académico, la dirección de tecnología, un decano y un representante estudiantil conversen con un vocabulario común sin que ninguno reduzca a los demás al lenguaje de su propia especialidad. Y resuelve, en tercer lugar, la permanencia: los modelos sobreviven a la renovación de los cargos directivos, mientras que las respuestas puntuales se marchan con quien las formuló.

SinergIA opera específicamente sobre estas tres funciones. Es un modelo institucional y no una metodología; entrega categorías compartidas para pensar en común sin disolver las diferencias; y está diseñado para revisarse de manera periódica sin perder su identidad, una propiedad que el capítulo quince desarrollará bajo la idea de directrices vivas y aprendizaje del propio modelo. El resto del libro despliega, capítulo por capítulo, cómo lo hace.

La Ley de la Bandera Roja no fracasó por falta de buenas intenciones; fracasó porque confundió el peligro con la tecnología que lo producía, y reguló la segunda creyendo contener el primero. Las cinco respuestas que hoy dominan el campo cometen una variante del mismo error: confunden la iniciativa con la estrategia, y actúan creyendo que actuar es lo mismo que tener un modelo.