El dato lo dio Dave Levy, vicepresidente de Amazon Web Services, frente a empresas latinoamericanas: más del 90% de los proyectos de inteligencia artificial en la región no pasan de la prueba de concepto. No es exageración ni pesimismo — es la realidad documentada de lo que ocurre cuando las empresas adoptan IA sin la base correcta para llevarla a producción.
Para una PyME mexicana que está evaluando dar el paso hacia la inteligencia artificial, este número no debería generar miedo. Debería cambiar la pregunta: el problema no es si tu empresa puede adoptar IA. El problema es si está construida para que funcione.
¿Por qué fallan nueve de cada diez proyectos?
La narrativa usual culpa a la tecnología: modelos que no dan los resultados esperados, herramientas que son demasiado complejas o costos que se salen de control. Pero Levy —quien supervisa la expansión de AWS en México y el resto de LATAM— fue directo: el problema no es tecnológico. Es de ejecución.
Las organizaciones subestiman lo que implica llevar la IA del laboratorio a la operación real. Un piloto exitoso en condiciones controladas choca con la realidad cuando se enfrenta a datos incompletos, sistemas que no se integran, equipos que no fueron capacitados para operar con IA y una infraestructura que no tiene la estabilidad necesaria para soportar la carga.
No fallan los modelos de IA. Falla la infraestructura sobre la que se ejecutan, los datos con los que operan y la organización que se suponía debía adoptarlos.
El eslabón que nadie menciona: la infraestructura base
La discusión sobre IA en México se concentra en elegir el modelo correcto, contratar el talento adecuado o definir el caso de uso más prometedor. Pocas veces se habla del prerequisito que hace que todo lo demás funcione: la infraestructura digital.
La IA trabaja sobre datos. Los datos viven en sistemas. Los sistemas operan sobre infraestructura. Cuando esa cadena tiene un eslabón débil —un servidor que falla, un sitio que carga lento, datos que viven en silos sin conexión— el proyecto de IA está condenado antes de empezar.
Las empresas que logran llevar sus proyectos de IA de la prueba de concepto a producción tienen en común algo que pasa desapercibido en los análisis de tendencias: una base tecnológica sólida. Hosting confiable, sistemas integrados, datos accesibles y actualizados, y plataformas que escalan cuando la demanda lo requiere.
El mapa de México: oportunidad y riesgo al mismo tiempo
AWS está expandiendo su infraestructura en México precisamente porque ve en el país un mercado con apetito real para la IA. La región tiene el talento, el tamaño de mercado y la urgencia competitiva para ser un hub de adopción tecnológica en América Latina. Pero ese potencial se desperdicia cuando las organizaciones saltan directo a IA sin resolver su digitalización básica primero.
Para las PyMEs mexicanas, la buena noticia es que el punto de entrada a la IA nunca fue más accesible. La mala noticia es que la mayoría llega con sistemas que no están listos: hojas de cálculo como base de datos, correos electrónicos como sistema de CRM y páginas web que no actualizan en años. Esa no es la base sobre la que se construye un proyecto de IA que llegue a producción.
Qué hace diferente al 10% que sí lo logra
Las organizaciones que llevan sus proyectos de IA a producción no son necesariamente las que eligieron el mejor modelo de lenguaje ni las que invirtieron más en consultoría. Son las que resolvieron su infraestructura antes de pedir que la tecnología haga magia.
El patrón es consistente: migraron a la nube, consolidaron sus datos en sistemas que pueden conectarse entre sí, eligieron proveedores de hosting que garantizan disponibilidad real y construyeron sitios web que funcionan como puntos de contacto confiables con sus clientes. Sobre esa base, la IA no es un riesgo — es una extensión natural de la operación.
Para una PyME que quiere estar en ese 10%, la ruta no empieza con un contrato de ChatGPT Enterprise ni con la contratación de un data scientist. Empieza con una pregunta más simple: ¿mis sistemas actuales están conectados, son confiables y tienen los datos que un modelo de IA necesita para funcionar?
El costo de equivocarse en el orden
Hay un costo que no aparece en los presupuestos de IA: el costo de empezar por el lugar equivocado. Contratar herramientas de IA antes de tener infraestructura digital sólida no solo genera proyectos fallidos — genera escepticismo dentro de la organización que hace más difícil la siguiente iteración.
Las empresas que fracasan en su primer proyecto de IA suelen concluir que la IA no funciona para negocios como el suyo. La conclusión correcta es otra: la IA no funciona sobre infraestructura rota. El orden importa.
En Bit Farm trabajamos con PyMEs mexicanas que quieren hacer este camino bien. No empezamos con IA — empezamos con la base: un servidor confiable, un sitio web que responde, sistemas que integran datos en lugar de dispersarlos. Esa es la diferencia entre un piloto que muere en el laboratorio y una implementación que genera resultados reales.