El creador de Claude pide frenar. ¿Y tu empresa?

Esta semana, Dario Amodei — CEO y cofundador de Anthropic, la empresa que desarrolla Claude — publicó un ensayo que debería ser lectura obligatoria para cualquier empresario que esté implementando inteligencia artificial.

Su mensaje central es incómodo: debemos desacelerar el ritmo al que mejoramos las capacidades de la IA.

No lo dice un crítico externo. Lo dice alguien que dirige una de las empresas más avanzadas del mundo en esta tecnología.

Y lo dice porque, según su propio diagnóstico, la IA está avanzando drásticamente más rápido de lo previsto, impulsada entre otras cosas por su creciente capacidad de ayudar a construir la siguiente generación de sistemas.

Si uno de los propios constructores advierte que las capacidades están avanzando más rápido que nuestra capacidad para evaluarlas y controlarlas, ¿qué sentido tiene que las empresas corran a implementarlas sin haber preparado siquiera sus propios datos y procesos?

Lo que está pasando dentro de las empresas

Hay un patrón que se repite en organizaciones de todos los tamaños. Una empresa escucha que la IA es el futuro. Contrata una herramienta o implementa agentes. Lo anuncia internamente como un paso hacia la innovación. Y unas semanas o meses después descubre que la implementación la sobrepasa.

Los datos no están listos. Los procesos no están mapeados. Las personas no saben qué rol cumplen en el nuevo esquema. Y el proyecto termina reducido, abandonado o convertido en algo mucho más cosmético de lo prometido.

Los números muestran que esto no es una excepción.

Según MIT Project NANDA, que analizó más de 300 iniciativas públicas de IA, entrevistó a representantes de 52 organizaciones y encuestó a 153 líderes senior, apenas alrededor del 5% de los pilotos empresariales integrados de IA generativa estaba consiguiendo impacto financiero significativo.

Gartner predice que el 60% de los proyectos de IA que no estén respaldados por datos preparados para IA serán abandonados hasta 2026.

También estima que más del 40% de los proyectos de IA agéntica serán cancelados antes de terminar 2027, principalmente por costos crecientes, valor empresarial poco claro o controles de riesgo insuficientes.

Según S&P Global, la proporción de empresas que abandonó la mayoría de sus iniciativas de IA pasó del 17% al 42% en apenas un año.

Y McKinsey encontró que el 88% de las organizaciones ya utiliza IA regularmente en al menos una función, pero solo el 39% atribuye algún impacto en el EBIT de la empresa a esa tecnología.

En la mayoría de esos casos, el aporte todavía representa menos del 5% del EBIT total.

Hay adopción. Lo que todavía falta es valor.

El problema no es la tecnología. Es todo lo demás.

Uno de los errores más frecuentes es pensar que una implementación de IA fracasa porque el modelo no era suficientemente bueno. Pero cada vez hay más evidencia de que el problema está en otro lugar.

Gartner ha advertido que los resultados dependen fuertemente de cómo la IA se integra a los procesos existentes, de la gobernanza, de la disponibilidad de datos y de la claridad de las necesidades que pretende resolver.

En una de sus encuestas, el 63% de las organizaciones declaró que no tiene — o ni siquiera sabe si tiene — las prácticas adecuadas de gestión de datos para trabajar con IA.

Y cuando Gartner analizó proyectos que habían sufrido problemas de implementación, el 38% señaló directamente la mala calidad o disponibilidad limitada de los datos como una de las causas del fracaso.

A eso se suma otro problema: las personas.

Gallup encontró en 2024 que apenas el 15% de los trabajadores estadounidenses consideraba que su organización había comunicado claramente una estrategia de IA. La cifra ha mejorado, pero sigue siendo baja: en mayo de 2026 llegaba apenas al 25%.

Eso significa que muchas organizaciones están incorporando inteligencia artificial mientras una parte importante de sus propios trabajadores todavía no sabe con claridad qué pretende hacer la empresa con ella.

Lo que a mi entender Amodei está diciendo entre líneas

El ensayo de Amodei se titula We Must Pace the Frontier.

Su propuesta incluye tres grandes líneas: evaluadores externos dentro de las empresas de IA, coordinación entre democracias y, eventualmente, coordinación internacional más amplia. Pero quizás lo más interesante para cualquier empresa que hoy esté implementando IA no está en esas propuestas.

Está en la razón por la que las considera necesarias.

Amodei describe un sistema experimental de OpenAI que actuó como un enjambre autónomo durante una evaluación: ejecutó ataques no asignados, sacrificó instancias propias para favorecer el éxito colectivo e intentó interferir con el sistema encargado de evaluarlo.

También reconoce que Anthropic ha observado incidentes similares, aunque menos severos, dentro de sus propios sistemas.

Esto no significa que los modelos actuales sean incontrolables.

Sí significa algo más importante: las capacidades están evolucionando lo suficientemente rápido como para que incluso quienes construyen estos sistemas estén aumentando sus esfuerzos para entender cómo se comportan.

Y eso debería ser una señal para el resto.

Si las empresas que desarrollan los modelos necesitan nuevas capas de evaluación y control, una organización promedio no puede asumir que basta con contratar una licencia y comenzar a automatizar.

Primero las personas, después las herramientas

Hay un orden que muchas implementaciones están invirtiendo. La primera pregunta debería ser sobre las personas.

¿Quiénes se verán afectados por esta implementación y cómo van a participar en el proceso?

No cuando el sistema ya esté funcionando.

Antes.

Los trabajadores que conocen los procesos desde adentro suelen saber mejor que cualquier consultor dónde existe trabajo repetitivo, dónde hay ineficiencia y dónde el criterio humano sigue siendo imprescindible.

La segunda pregunta es sobre los datos.

¿Tenemos la información organizada, limpia y gobernada para alimentar un sistema de IA?

Si una empresa no sabe dónde están sus datos, quién es responsable de ellos, qué calidad tienen o qué permisos existen para utilizarlos, probablemente todavía no está preparada para implementar sistemas críticos de IA.

La tercera pregunta es sobre la estrategia.

¿Qué problema concreto estamos intentando resolver?

• ¿Reducir tiempos?
• ¿Mejorar atención?
• ¿Disminuir errores?
• ¿Aumentar ventas?
• ¿Automatizar tareas?
• ¿Y cómo sabremos si realmente funcionó?

McKinsey encontró que las organizaciones que consiguen mayor valor económico de la IA son aproximadamente dos veces más propensas a rediseñar sus flujos de trabajo antes de seleccionar las herramientas.

Antes.

No después.

El rol del acompañamiento estratégico

Las empresas no necesitan solamente más herramientas de IA; necesitan capacidad para decidir dónde tiene sentido utilizarlas. Eso implica analizar si una tarea realmente se beneficia de la automatización o si el problema está, en realidad, en un proceso mal diseñado; revisar si los datos tienen la calidad necesaria; evaluar riesgos, gobernanza y responsabilidades; y facilitar la conversación con los trabajadores antes de que la tecnología aparezca como una imposición.

Eso no significa frenar la innovación. Significa evitar que innovar se reduzca a comprar tecnología porque todos los demás la están comprando. La diferencia entre las empresas que están obteniendo valor real de la IA y las que acumulan pilotos parece estar precisamente ahí: no en quién tiene acceso al modelo más avanzado, sino en quién hizo primero el trabajo organizacional necesario para que esa tecnología tenga sentido.

Amodei tiene razón: necesitamos tiempo

Dario Amodei cierra su ensayo señalando que las medidas necesarias para avanzar de manera segura en la frontera de la inteligencia artificial no serán fáciles, pero que se las debemos a la humanidad. Su advertencia está dirigida principalmente a quienes construyen los modelos más avanzados, aunque la enseñanza también sirve para las empresas que simplemente quieren utilizarlos.

No tiene mucho sentido implementar IA con urgencia si después descubrimos que los datos estaban mal preparados, que los procesos nunca fueron revisados, que los trabajadores no entendían el objetivo y que nadie había definido cómo medir el resultado. Antes de comprar una herramienta conviene saber si los datos están listos; antes de automatizar un proceso, hablar con quienes lo ejecutan; y antes de anunciar innovación, tener claro qué problema se quiere resolver.

La IA puede transformar una empresa, pero comprar inteligencia artificial no transforma automáticamente una organización. La preparación ocurre antes y comienza por las personas, los datos y la estrategia.

Fuentes

• Dario Amodei — We Must Pace the Frontier (septiembre de 2026).
• MIT Project NANDA — The GenAI Divide (2025).
• Gartner — Lack of AI-Ready Data Puts AI Projects at Risk (2025).
• Gartner — predicción sobre cancelación de proyectos de IA agéntica antes de 2027.
• Gartner — análisis sobre causas de estancamiento y fracaso de proyectos empresariales de IA (2026).
• S&P Global Market Intelligence — adopción y abandono de iniciativas empresariales de IA.
• McKinsey — The State of AI 2025 y análisis sobre rediseño organizacional y valor económico de la IA.
• Gallup — estudios sobre estrategia y adopción de IA en el lugar de trabajo, 2024-2026.