La inteligencia artificial atraviesa una etapa en la que conviven avances extraordinarios, inversiones récord y promesas difíciles de comprobar. La comparación con la burbuja puntocom aparece con frecuencia porque ambas épocas comparten entusiasmo, capital abundante y la expectativa de que una tecnología transformará prácticamente todo.
Sin embargo, comparar no significa afirmar que la IA sea una ilusión. Internet sobrevivió al estallido de muchas empresas porque la tecnología resolvía problemas reales. Con la IA puede ocurrir algo parecido: la capacidad tecnológica puede ser auténtica aunque parte de las expectativas, productos y valoraciones necesiten corregirse.
Una tecnología real también puede estar rodeada de expectativas excesivas
El AI Index Report 2026 de Stanford HAI describe un crecimiento acelerado de la inversión y de la adopción organizacional. También muestra que el uso de agentes autónomos sigue siendo temprano y que el costo de la infraestructura crece junto con los ingresos del sector.
La pregunta útil no es si la IA funciona, sino dónde funciona, para quién, con qué datos, bajo qué supervisión y a qué costo.
Este matiz evita dos errores opuestos: creer que cualquier producto con IA tendrá éxito o descartar toda la tecnología porque algunas promesas no se cumplan. El valor se encuentra entre ambos extremos.
Lo que la comparación con la era puntocom sí puede enseñarnos
La narrativa puede crecer más rápido que los resultados
Cuando una tecnología domina la conversación, muchas propuestas comienzan a presentarse como inevitables. Se financian soluciones antes de validar quién las necesita y se confunde una demostración llamativa con un sistema preparado para trabajar todos los días.
- Adopción no es impacto: probar una herramienta no demuestra que mejore un proceso.
- Capacidad no es producto: un modelo potente todavía necesita datos, integración, experiencia de uso y soporte.
- Automatización no es autonomía: muchas tareas requieren revisión, contexto y responsabilidad humana.
- Crecimiento no es sostenibilidad: adquirir usuarios no garantiza que los ingresos cubran infraestructura, operación y mejora.
La depuración no implica el fracaso de la tecnología
Después de la burbuja puntocom desaparecieron numerosos proyectos, pero la infraestructura, los hábitos y los modelos útiles siguieron evolucionando. Una corrección en el mercado de la IA podría afectar proveedores, productos intercambiables y propuestas sin diferenciación, sin detener los casos de uso que ya aportan resultados.
El análisis del Fondo Monetario Internacional sobre IA y crecimiento plantea precisamente esa tensión: la inversión puede impulsar productividad a largo plazo, pero exige infraestructura, activos complementarios, medición y capacidad de adaptación.
La lección central
Una transformación tecnológica no avanza en línea recta. Puede atravesar entusiasmo, desilusión y adopción madura. El método de Gartner Hype Cycle describe ese recorrido y ayuda a separar la atención pública del valor probado.
Seis preguntas para evaluar una propuesta de IA
- ¿Qué problema concreto resuelve? La descripción debe señalar una tarea, una dificultad o una oportunidad observable.
- ¿Qué resultado debería mejorar? Puede ser tiempo de respuesta, calidad, capacidad, conversión, costo o experiencia, pero debe poder comprobarse.
- ¿Dispone de datos y contexto suficientes? Sin información pertinente, permisos y criterios claros, un buen modelo puede producir una mala solución.
- ¿Qué ocurre cuando se equivoca? El nivel de supervisión debe depender del impacto posible del error.
- ¿Cuál es el costo completo? Además de la herramienta, importan integración, consumo, mantenimiento, seguridad, formación y revisión.
- ¿Existe una ventaja sostenible? Una interfaz conectada a un modelo público puede ser útil, pero necesita conocimiento, proceso, datos o servicio que otros no puedan copiar fácilmente.
Problema → Datos → Tarea → Supervisión → Resultado → Aprendizaje → Escala
Para una prueba inicial también conviene definir eventos concretos, por ejemplo tarea_resuelta, respuesta_revisada o tiempo_ahorrado. Una métrica vinculada al trabajo real aporta más información que la cantidad de mensajes enviados al sistema.
Señales de entusiasmo sin una base suficiente
Ninguna señal aislada condena un proyecto, pero varias juntas justifican una revisión más cuidadosa.
- La explicación comienza por el modelo utilizado y no por la necesidad.
- El beneficio se expresa con palabras generales como revolucionar o transformar, sin una medida concreta.
- La propuesta depende por completo de un único proveedor y no contempla cambios de precio o disponibilidad.
- No existe un responsable para revisar errores, sesgos, privacidad o seguridad.
- El piloto se considera exitoso por su novedad, aunque nadie lo incorpore al proceso habitual.
Cómo convertir una prueba atractiva en una solución útil
1. Empezar por una tarea acotada
Elegí una actividad frecuente, comprensible y con riesgo controlado. Resumir información interna, clasificar consultas o preparar un primer borrador suelen permitir aprender antes de automatizar una decisión crítica.
2. Comparar contra una referencia
Medí cómo se realiza hoy la tarea: tiempo, errores, costo y satisfacción. Sin una línea de base, cualquier mejora será una impresión.
3. Mantener supervisión proporcional
La intervención humana no es necesariamente una falla del sistema. Puede ser el mecanismo que aporta contexto, corrige excepciones y protege a quienes reciben el resultado.
4. Escalar solo después de aprender
Si el piloto demuestra utilidad, documentá datos necesarios, límites, responsables y costos. Escalar significa volver el resultado repetible, no solamente aumentar el volumen.
Conclusión
La IA no necesita estar libre de exageraciones para ser transformadora. Es posible que exista sobreinversión, que muchos productos desaparezcan y que algunas expectativas se ajusten mientras la tecnología continúa integrándose en tareas reales.
El criterio más seguro es reemplazar la pregunta “¿usa inteligencia artificial?” por “¿qué mejora de forma comprobable y sostenible?”. Las propuestas que puedan responder con un problema claro, datos adecuados, supervisión responsable y resultados medibles tendrán mejores posibilidades de permanecer cuando la euforia deje de ser suficiente.
