En 2026, el problema ya no es justificar por qué invertir en IA. El problema es otro: decidir qué iniciativas merecen capital, cuáles solo producen entusiasmo y cuáles deben detenerse antes de seguir consumiendo presupuesto ejecutivo.
Los datos van en esa dirección. Deloitte reporta que en 2025 la inversión en IA siguió creciendo, pero el retorno sigue siendo difícil de capturar para muchas organizaciones. IBM va incluso más directo: en su lectura para 2026, solo alrededor del 25% de las iniciativas de IA entrega el ROI esperado.
Ese dato debería cambiar el tono de cualquier conversación de inversión. Porque significa que el problema no es "si la IA sirve". El problema es si la organización sabe invertir en ella con disciplina — y ahí es donde la mayoría todavía falla.
En 2026, el cuello de botella dejó de ser técnico. Ahora es de asignación de capital
Durante 2024 y 2025, muchas empresas financiaron IA como innovación distribuida: pilotos por área, compras tácticas de copilots, PoCs de agentes, experimentos con RAG, automatizaciones parciales, herramientas SaaS con IA embebida.
Eso fue útil para aprender. Pero malo para construir cartera. Porque la mayoría de esas decisiones se tomó sin una lógica consistente de portfolio: sin baseline económico claro, sin costo total de escalamiento, sin criterios homogéneos de éxito, sin readiness de datos comparable entre casos, sin reglas explícitas para matar, pivotar o escalar.
El resultado hoy se parece menos a una estrategia y más a una suma de iniciativas. Eso es exactamente lo que un CTO, un CDO o un CFO ya no puede permitirse en 2026.
El error más común es evaluar IA como si todas las iniciativas fueran equivalentes. Una empresa puede meter en el mismo pipeline presupuestario cosas completamente distintas: copilots de productividad, automatización documental, modelos predictivos, agentes operacionales, modernización de data stack, gobierno de datos para AI-readiness, reentrenamiento, observabilidad, seguridad y controles de IA.
Estas iniciativas no compiten en la misma categoría de valor, ni tienen la misma estructura de riesgo, ni el mismo horizonte de captura. Por eso el control de inversiones en IA no puede basarse solo en promesas de impacto. Tiene que basarse en una estructura comparativa.
Qué debería evaluar un comité serio antes de aprobar presupuesto de IA
Para 2026, cualquier iniciativa de IA que pida presupuesto relevante debería poder responder, con evidencia, al menos seis preguntas:
No "qué tecnología implementa". Qué problema real mueve. Si el caso no puede expresar con claridad el costo actual del problema, su frecuencia y su impacto en ingresos, costos, riesgo o tiempo, todavía no está listo para presupuesto serio.
Sin baseline, no existe ROI. Existe narrativa. La pregunta correcta no es "¿mejorará algo?". Es: ¿contra qué estado actual vamos a medir y quién valida esa diferencia?
Muchas iniciativas de IA no fracasan por el modelo. Fracasan porque la empresa intenta capturar valor sobre datos no listos, mal gobernados o distribuidos de forma incompatible con la implementación. McKinsey insiste en que el valor de IA se correlaciona con prácticas integradas de gestión de datos.
No el costo del piloto. El costo de convertir el piloto en capacidad operativa. Aquí es donde muchas organizaciones se engañan: financian una prueba pequeña, validan técnicamente y descubren tarde que el rollout requiere integración, gobierno, soporte, observabilidad, training, seguridad y change management.
No todo proyecto necesita retorno inmediato. Pero todo proyecto necesita un horizonte explícito.
Toda iniciativa de IA debería entrar al portafolio con tres rutas posibles definidas desde el inicio: scale, pivot, kill. Si no existe kill criterion, no tienes disciplina de inversión. Tienes apego al proyecto.
La métrica equivocada: medir "éxito del piloto" en vez de "probabilidad de capturar valor"
Uno de los errores más comunes en 2026 es sobrevalorar el piloto. El piloto importa, pero no por sí mismo. Importa como evidencia parcial de algo mucho más relevante: la probabilidad de capturar valor a escala.
Un piloto de IA puede verse "exitoso" porque funciona técnicamente, produce resultados prometedores o entusiasma al usuario final — y aun así ser una mala inversión si el costo de escalar es excesivo, la dependencia operativa es alta, el cambio organizacional requerido es inviable, los datos necesarios no están sosteniblemente disponibles o la medición de impacto a escala no está resuelta.
Una empresa madura no debería preguntar solo "¿el piloto funcionó?". Debería preguntar: ¿el piloto redujo incertidumbre suficiente como para justificar una inversión mayor?
Ese es otro estándar.
El nuevo problema financiero: AI spend sin disciplina de FinOps
Hay otro cambio estructural en 2026: el presupuesto de IA ya no vive aislado. FinOps Foundation reporta que en 2025 la mayoría de los equipos ya gestionaba gasto de IA y en 2026 eso escala a un 98%, con AI cost management como prioridad crítica. Además, muchas organizaciones están siendo presionadas para autofinanciar inversión en IA con ahorros de optimización.
Eso tiene dos implicancias concretas. Primero, el problema de IA también es problema de costo variable: inference, embeddings, storage, vector search, retraining, observabilidad, herramientas SaaS y consumo de nube ya no son un "side budget". Segundo, el control de inversiones en IA necesita hablar el idioma de FinOps: no basta con decir "esto puede dar mucho valor", hay que responder cuánto costará operar, qué variabilidad tiene el consumo, qué compromisos de infraestructura genera y cómo se absorbe financieramente si escala.
En otras palabras: la IA ya no puede financiarse como un laboratorio. Tiene que evaluarse como una capacidad operativa.
Una forma útil de ordenar el portafolio: las cuatro categorías de inversión en IA
No todo el presupuesto de IA debería competir entre sí. Una forma práctica de ordenar el portafolio es separar iniciativas en cuatro categorías, que no deberían evaluarse con el mismo criterio:
- Quick wins de productividad. Copilots, automatización de tareas, síntesis documental, soporte interno. Buscan retorno corto, baja fricción y adopción visible.
- Casos de valor funcional. IA aplicada a áreas como comercial, riesgo, operaciones, supply chain o atención. Buscan impacto medible en KPIs del negocio.
- Fundaciones habilitantes. Gobierno de datos, calidad, metadata, arquitectura, seguridad, evaluación, observabilidad. No siempre muestran ROI directo inmediato, pero aumentan la tasa de éxito del portafolio completo.
- Bets estratégicas. Agentes, capacidades propias, diferenciación sectorial, automatización de alto impacto, plataformas internas. Son apuestas de mayor horizonte, mayor riesgo y mayor potencial de ventaja.
El error es hacer competir una fundación habilitante contra un quick win con el mismo criterio. No deberían evaluarse igual.
Qué debería exigirse antes de aprobar un piloto
Un piloto serio no entra al portafolio por entusiasmo del sponsor. Debería entrar con una ficha mínima obligatoria que incluya, como mínimo:
- Problema de negocio definido y baseline validado
- Hipótesis de valor explícita
- Datos requeridos y estado de readiness
- Costo del piloto y costo estimado de escalamiento
- Owner ejecutivo y owner técnico
- Criterio de éxito, criterio de pivot y criterio de kill
- Ventana de evaluación
Si una iniciativa no puede llenar esa ficha con precisión razonable, no está lista para presupuesto. Está lista para discovery. Y discovery no es lo mismo que inversión.
Qué delata que una propuesta de IA está inflada
Hay señales bastante claras de que una iniciativa viene con más promesa que disciplina. Tu comité debería estar alerta cuando una propuesta habla mucho del modelo y poco del proceso, promete "transformación" sin baseline, usa ahorro proyectado sin explicar la fórmula, evita hablar de datos, no estima costo total de operación, no tiene sponsor de negocio real, depende de talento externo sin transferencia clara, asume que piloto exitoso equivale a escalamiento viable o no define qué pasaría si falla.
En un comité ejecutivo, estas propuestas no deberían entrar al pipeline de capital como "casos avanzados". Deberían devolverse a maduración.
Lo que cambia cuando una empresa madura: de aprobar proyectos a gestionar cartera
Las empresas que avanzan en 2026 ya no tratan la IA como una secuencia de casos aislados. La tratan como un portafolio con disciplina. Eso implica revisar trimestralmente el desempeño del portfolio, reasignar presupuesto según evidencia, cortar proyectos sin dramatizar, financiar fundaciones aunque no tengan brillo de demo, vincular gasto de IA con optimización y capacidad operativa, separar exploración de escalamiento y construir memoria organizacional de lo que funcionó y lo que no.
El control de inversiones en IA no es una hoja Excel. Es una capacidad de gobierno. Y ese cambio cultural importa más que cualquier framework de scoring.
La posición de Yaripo
La mayoría del mercado todavía vende IA como una secuencia de casos de uso prometedores. Eso ya no basta. Una empresa seria necesita otro lenguaje: disciplina de capital, priorización comparable, control de costo de escalamiento, readiness de datos, reglas de kill/pivot/scale y relación entre FinOps, Data Governance y captura de valor.
Ese es el punto de vista Yaripo: no mirar la IA solo como posibilidad tecnológica, sino como una cartera de decisiones donde cada peso invertido debería tener una lógica de valor, riesgo y sostenibilidad.
En 2026 el problema ya no es conseguir presupuesto para IA. El problema es demostrar que tu organización sabe asignarlo mejor que el resto.
La mayoría de las empresas ya no necesita convencerse de que la IA importa. Necesita algo más difícil: un sistema para decidir qué financiar, qué frenar y qué escalar antes de que el entusiasmo se transforme en gasto sin retorno. Ese sistema no se construye con slogans. Se construye con disciplina. Y ahí está la diferencia entre organizaciones que coleccionan pilotos y organizaciones que realmente convierten IA en ventaja competitiva.