Research

3 oct 2026Masahiro TaimaDesarrollo de productosGestiónBusiness Development

En la era de la IA: ¿usar IA genérica, implementar productos de agentes de IA especializados o desarrollar internamente? Estrategias de implementación de sistemas basadas en investigación y casos recientes

Product

Comenzar gratis (próximamente) Consultar sobre Enterprise

Career

Estamos buscando activamente personas que trabajen con nosotros en mign para desarrollar servicios de agentes de IA especializados

Esta es una traducción automática del texto original en japonés

Overview

Cuando las empresas desarrollan IA internamente, solo el 5% llega a la operación en producción. Implementar productos existentes con IA general o agentes de IA especializada en el contexto adecuado aumenta la tasa de éxito de adopción de IA en la empresa. Este artículo se basa en investigaciones sobre fallos de proyectos de TI y casos prácticos, así como en encuestas a empresas de IA posteriores a 2025, para organizar un enfoque que combine tres opciones —IA general, agentes de IA especializada y desarrollo interno— seleccionando la más adecuada según la naturaleza del negocio. En conclusión, es importante "comprar los modelos, mantener los datos internamente y elegir el flujo de trabajo según la naturaleza del negocio", y cuando hay dudas, comenzar con IA general y avanzar reversiblemente hacia soluciones especializadas y desarrollo interno.

Introducción

El progreso de la IA es notable, y creo que la adopción de IA se ha convertido en una consideración obligatoria para prácticamente todas las empresas y organizaciones. Hay dos opciones principales para la adopción de IA: implementar productos existentes o desarrollar internamente. Cuando se implementan productos de IA existentes, hay dos opciones: adoptar IA general o implementar agentes de IA especializada. Estas deben seleccionarse según el negocio objetivo, y en este artículo organizamos este enfoque basándonos en investigaciones recientes y casos prácticos.

La novedad de esta columna se encuentra en los siguientes 4 puntos:

  • Comparar casos de éxito y fracaso, así como tasas de éxito entre implementación de productos existentes y desarrollo interno: Se han documentado muchos casos y estadísticas sobre fracasos en proyectos de TI, pero hay pocas comparaciones que coloquen "cuando se implementa un producto existente" y "cuando se desarrolla internamente" en el mismo nivel, comparando tanto éxitos como fracasos. En este artículo alineamos casos de éxito y fracaso de ambos, junto con las tasas de éxito que muestran las investigaciones, demostrando que no existe una conclusión simple de que uno sea más seguro que el otro.

  • Organizar exhaustiva y mutuamente excluyentemente los factores de fracaso según el proceso de implementación de sistemas: Se han acumulado investigaciones sobre factores de fracaso en ingeniería de software, economía conductual e investigación de sistemas de información, pero cada una utiliza terminología diferente, dificultando que los profesionales comprendan la visión general. En este artículo organizamos los factores según los cinco procesos desde la planificación hasta la operación, distinguiendo entre factores exclusivos de la implementación de productos existentes, factores exclusivos del desarrollo interno y factores comunes a ambos.

  • "Qué negocios se adaptan a productos existentes y cuáles al desarrollo interno" se puede determinar usando teoría de gestión empresarial: Las teorías de Williamson (1985), Barney (1991), Carr (2003), Wardley (2020) y otros se traducen en cuatro ejes de decisión —"diferenciación", "especificidad de activos", "madurez del mercado" y "velocidad de cambio"—, permitiendo derivar la forma de implementación a partir de la naturaleza del negocio.

  • Vincular las tres opciones —"IA general", "agentes de IA especializada" y "desarrollo interno"— a los negocios objetivo, incluyendo la presencia o ausencia de personalización: Las encuestas corporativas publicadas después de 2025 (MIT NANDA, 2025; Menlo Ventures, 2025) muestran que incluso en IA, la tasa de llegada a producción del desarrollo interno es aproximadamente la mitad de la de los productos existentes. En esta columna diferenciamos entre IA general y agentes de IA especializada desde perspectivas como "mercado objetivo", "valor proporcionado" y "conocimiento integrado", y presentamos los negocios apropiados tanto para su uso sin personalización como con personalización.

Casos de éxito y fracaso en la implementación de sistemas

Antes de considerar la decisión de implementación del sistema, primero confirmamos "qué éxitos y fracasos están ocurriendo". El fracaso no es un fenómeno limitado al desarrollo interno; también se repite en la implementación de productos existentes. Al mismo tiempo, al observar casos de éxito, vemos que tanto la implementación de productos existentes como el desarrollo interno tienen condiciones claras para el éxito.

Implementación de productos existentes

Casos de éxito en la implementación de productos existentes

Lo común en los casos de éxito de implementación de productos existentes es que "no se adaptó el producto al negocio, sino que se adaptó el negocio a los estándares del producto" y que "la implementación fue gradual".

  • Hershey (2002): Éxito con el mismo producto tres años después del fracaso: Hershey, que causó una falla de envío a gran escala en 1999 al cambiar completamente su sistema ERP, realizó una actualización importante del mismo sistema SAP en 2002, esta vez completándola antes de lo previsto y 20% por debajo del presupuesto (Koch, 2002). Lo que cambió no fue el producto sino el enfoque: realizaron el cambio durante la temporada baja, dedicaron tiempo suficiente a pruebas y capacitación, e implementaron de forma gradual. Estos fueron los factores clave del éxito.

  • Nike (2001-2006): Transición a implementación gradual: Nike experimentó un fracaso en 2000 cuando implementó un sistema de pronóstico de demanda, perdiendo aproximadamente $100 millones en oportunidades de ventas, pero posteriormente cambió su política en la renovación de sistemas principales a "no cambiar todo a la vez", implementando gradualmente durante varios años por región y función. Con este cambio, completaron la renovación antes de 2006 sin incidentes graves (Koch, 2004).

  • Netflix (2008-2016): Comprar la base, construir la diferenciación: Netflix, tras sufrir una falla de base de datos en 2008, comenzó la migración desde sus propios centros de datos a AWS, cerrando el último centro de datos en 2016 (Netflix, 2016). Mientras utilizan infraestructura externa en la nube para servidores y bases de datos, continúan desarrollando internamente los algoritmos de recomendación y control de distribución, que son el núcleo de la diferenciación. Este es un ejemplo representativo de "qué comprar y qué construir" claramente definido.

  • Capital One (2020): Migración completa a la nube por una institución financiera: Capital One, un gran banco estadounidense, cerró ocho centros de datos y realizó una migración completa de infraestructura a AWS en 2020 (Capital One, 2020). Esto demuestra que incluso en una industria regulada como la banca, es posible tomar la decisión de delegar la capa de infraestructura a productos externos y concentrar los recursos de desarrollo propios en aplicaciones para clientes y análisis de datos.

Casos de fracaso en la implementación de productos existentes

Lo común en los casos de fracaso de implementación de productos existentes es que el producto no se utilizó según sus estándares, sino que se personalizó significativamente para adaptarlo al negocio, o que el método de cambio fue incorrecto.

  • FoxMeyer Drug (1996): FoxMeyer, un gran distribuidor de productos farmacéuticos estadounidense, fracasó en la implementación de SAP R/3 y un sistema de automatización de almacenes, llegando a solicitar quiebra en 1996. Se atribuye la causa al volumen de procesamiento que superó significativamente las expectativas y la complejidad de la reorganización del almacén que se llevaba a cabo en paralelo, convirtiéndose en un caso emblemático de fracaso en la implementación de ERP. Por ejemplo, se reporta que el nuevo sistema podía procesar aproximadamente 10,000 órdenes por noche, muy por debajo de las aproximadamente 420,000 del sistema anterior, resultando en una incapacidad continua para procesar pedidos.

  • Hershey (1999): Hershey, fabricante de dulces de gran tamaño, implementó simultáneamente tres sistemas —ERP, gestión de clientes y planificación de cadena de suministro— justo antes de la temporada alta de Halloween. La confusión en el procesamiento de pedidos resultó en que pedidos por aproximadamente $100 millones no pudieran ser enviados, y las ganancias trimestrales cayeron un 19%. El análisis atribuye esto principalmente a la compresión del cronograma de implementación y al enfoque de cambio simultáneo (Big Bang).

  • Lidl (2018): Lidl, un gran minorista alemán, canceló su proyecto de implementación de SAP en 2018 después de invertir aproximadamente €500 millones durante 7 años. Mientras SAP estándar evalúa el inventario al precio de venta, Lidl insistió en su método tradicional de gestión al precio de compra, acumulando personalizaciones a gran escala que finalmente resultaron en el colapso del proyecto (Handelsblatt, 2018).

  • Birmingham City Council (2022-): Birmingham, el mayor municipio del Reino Unido, experimentó que el presupuesto inicial de aproximadamente £19 millones para la migración de sistemas básicos de SAP a Oracle Fusion se hinchó a más de £100 millones, causando problemas en informes financieros y auditoría. Los auditores externos señalaron como una de las causas principales una personalización excesiva en operaciones que deberían poder manejarse con funcionalidad estándar (Grant Thornton UK LLP, 2023). Por ejemplo, se reporta que operaciones de conciliación bancaria que deberían procesarse con funcionalidad estándar fueron realizadas con especificaciones personalizadas, resultando en que la conciliación revertiera a procesos manuales, acumulando decenas de miles de artículos sin procesar.

Desarrollo interno

Casos de éxito en el desarrollo interno

Lo común en los casos de éxito de desarrollo interno es que "la operación era el núcleo de la ventaja competitiva, no existía un producto apropiado en el mercado, y la organización tenía capacidad para desarrollar y mejorar continuamente".

  • Walmart (1990s-): Sistema independiente de cadena de suministro: Walmart construyó en 1991 un sistema independiente llamado "Retail Link" que compartía datos de ventas e inventario con proveedores, revelando en tiempo real el desempeño de ventas de cada tienda a los proveedores, distanciándose significativamente de los competidores en precisión y velocidad de reabastecimiento. Bessen (2022) analiza que tal software independiente no disponible comercialmente se convirtió en la fuente de la ventaja de la empresa en la industria minorista.

  • Amazon (2000s-): La infraestructura interna se convierte en negocio: Amazon construyó independientemente infraestructura de computación, almacenamiento y bases de datos para respaldar su negocio minorista, ofreciendo estas como AWS desde 2006 en adelante, convirtiéndose ahora en un negocio que genera la mayor parte de las ganancias de la empresa. Este es un caso donde el sistema desarrollado internamente no solo mejoró la eficiencia operativa propia, sino que se convirtió en un nuevo negocio en sí mismo, la forma más fuerte en que puede justificarse el desarrollo independiente.

  • Inditex (Zara) (2000s): Sistema independiente simple adaptado al modelo de negocio: Inditex, que opera Zara, desarrolló internamente un sistema que conecta terminales de tienda con planificación de producción en la oficina central para respaldar su modelo de negocio único de ciclo de 2 semanas desde concepto hasta tienda. Ferdows et al. (2004) analizan que aunque el sistema de la empresa es técnicamente simple, se adapta perfectamente al modelo de negocio, generando una ventaja competitiva que no se puede lograr con productos comerciales.

  • JPMorgan Chase (2024-): IA desarrollada internamente en una industria regulada: JPMorgan Chase desarrolló internamente "LLM Suite", que utiliza modelos de base externos en infraestructura interna, comenzando su despliegue en 2024 y ampliándose a una escala donde aproximadamente 200,000 empleados la utilizan antes de 2025 (JPMorgan Chase, 2025). Este es un caso donde se reúnen condiciones como: la imposibilidad de enviar datos confidenciales fuera de la empresa debido a regulaciones financieras, la posesión de una enorme organización técnica y presupuesto tecnológico de decenas de miles de millones de dólares anuales, y que los datos independientes son el núcleo de la diferenciación.

Casos de fracaso en el desarrollo interno

Lo común en los casos de fracaso de desarrollo interno es intentar construir un enorme sistema independiente durante un largo período de una sola vez, la ausencia de una persona responsable de integrar los resultados de múltiples organizaciones, y que los requisitos continuaron cambiando hasta el final.

  • Programa nacional del NHS británico (NPfIT): El programa de integración de historias médicas electrónicas del Servicio Nacional de Salud del Reino Unido, iniciado en 2002, fue efectivamente disuelto en 2011 después de invertir más de £10 mil millones. El Comité de Cuentas Públicas de la Cámara de los Comunes lo describió como "uno de los peores fracasos de TI de todos los tiempos" (House of Commons Committee of Public Accounts, 2013). Se atribuye a intentar desarrollar centralizadamente un enorme sistema independiente de una sola vez, la incapacidad de reflejar los requisitos variados de cada institución de salud, y el colapso de la relación con la empresa contratista. Por ejemplo, aunque se buscaba un registro médico electrónico unificado a nivel nacional, los procedimientos de diagnóstico y formatos de registro variaban entre hospitales, y sin poder implementarlo de una forma que fuera práctica para el personal, las empresas de desarrollo se retiraron sucesivamente.

  • Healthcare.gov de EE.UU.:El sitio de intercambio de seguros médicos publicado en octubre de 2013 apenas permitió que se completara el registro en unos pocos usuarios de millones que accedieron en el primer día de lanzamiento, lo que requirió una reconstrucción a gran escala. Una auditoría señaló que no había un responsable para integrar sistemas propietarios desarrollados por múltiples contratistas, que los requisitos continuaron cambiando hasta poco antes del lanzamiento público, y que las pruebas de carga no se realizaron hasta poco antes del lanzamiento en producción (U.S. Government Accountability Office, 2014).

  • Desarrollo del sitio web y aplicación móvil de Hertz:La empresa de alquiler de autos Hertz encargó a una consultoría el desarrollo de un nuevo sitio web y una aplicación móvil a partir de 2016, pero en 2019 demandó pidiendo un reembolso de 32 millones de dólares y daños y perjuicios alegando que los entregables no funcionaban. Los cambios de requisitos, la falta de compatibilidad móvil y las pruebas insuficientes fueron los puntos en cuestión, ilustrando que incluso al externalizar el desarrollo propietario, "cambiar al proveedor contratista" no es la solución. Por ejemplo, surgió una discrepancia en la comprensión entre las partes sobre si la compatibilidad con tamaños de pantalla para tabletas estaba incluida en el contrato, revelando que la parte que colocaba la orden carecía de la capacidad de definir claramente los requisitos y verificar la aceptación.

  • Sistemas de contabilidad de instituciones financieras:La renovación del sistema de contabilidad de grandes bancos suele implicar desarrollo propietario a escala de múltiples años y cientos de miles de millones de yen, con casos reportados en varios países de grandes fallos después de la operación. La razón analizada de los fallos incluye que los requisitos y la tecnología cambien durante un largo período de desarrollo, la dificultad de integrar resultados de múltiples proveedores, y que después de la operación no queden dentro de la empresa personas que comprendan la imagen general del sistema. Por ejemplo, en un proyecto que requirió casi 10 años de desarrollo, la tecnología elegida al inicio había quedado obsoleta en el momento de la operación, y la aseguración de técnicos que pudieran mantenerla se convirtió en sí misma en un problema.

Probabilidad de éxito de la implementación de sistemas

Los casos individuales no revelan qué forma de implementación tiene qué probabilidad de éxito. En este capítulo, confirmamos las probabilidades de éxito que muestran estudios de investigación.

Probabilidad de éxito de la implementación de productos existentes

  • La tasa de éxito de la implementación de ERP (sistemas de núcleo empresarial) es de aproximadamente 50%:Los estudios continuos del Panorama Consulting Group (2023) sobre ERP, un ejemplo representativo de implementación de productos existentes, reportan que aproximadamente la mitad de las empresas que implementan exceden el presupuesto o el período, y menos de la mitad de las empresas reportan haber obtenido suficientemente los efectos inicialmente esperados. Sin embargo, como el tamaño del proyecto es pequeño y la retirada es fácil, los fracasos extremos son raros. La implementación de productos existentes permite contratos y cancelaciones separados por dominio de negocio, limitando la cantidad de inversión por caso y la pérdida en caso de fracaso. Por ejemplo, incluso si falla la implementación de una herramienta de apoyo a ventas, la pérdida se limita a algunos meses de cuota de licencia y costos de migración, siendo raro que afecte la supervivencia de la empresa.

  • La tasa de utilización de licencias SaaS es de aproximadamente 60%:Aunque la implementación en sí se complete, es común ver fracasos en forma de licencias contratadas que no se utilizan. La encuesta de Zylo (2023) reporta que aproximadamente el 40% de las licencias SaaS contratadas por empresas quedan sin usar, resultando en aproximadamente 17 millones de dólares de desperdicio anual por empresa. Por ejemplo, cuando departamentos contrataron herramientas de gestión de proyectos por separado, dando como resultado 5 tipos de herramientas similares en toda la empresa, ninguna de las cuales se asentó adecuadamente.

  • En la tasa de éxito de la implementación de IA, la implementación de productos existentes es el doble que el desarrollo propio:MIT NANDA (2025) reporta que la tasa de llegada a producción de herramientas de IA implementadas mediante asociación con proveedores externos fue aproximadamente del 67%, mientras que las herramientas desarrolladas internamente se quedaron en aproximadamente el 33%. Aunque la elección de un producto existente no garantiza el éxito, se confirma en IA también que aumenta significativamente la probabilidad de éxito.

Probabilidad de éxito del desarrollo propio

  • La tasa de éxito del desarrollo propio es de aproximadamente 30%:El informe CHAOS publicado continuamente por Standish Group muestra que aproximadamente el 30% de los proyectos de software en general cumplen con todos los criterios de presupuesto, período y satisfacción; aproximadamente el 20% terminan cancelados o no utilizados; y el resto del 50% se completa con al menos uno de los problemas de exceso presupuestario, retraso o insuficiencia de funcionalidades (Standish Group, 2015, 2020). Aunque hay debate sobre la definición de éxito y los sujetos de la encuesta, esta proporción no ha cambiado significativamente en más de 20 años.

  • La tasa de éxito del desarrollo propio según la escala es del 6% en proyectos grandes y del 61% en proyectos pequeños:La compilación por escala de Standish Group (2015) muestra que mientras que la tasa de éxito de proyectos pequeños (menos de 1 millón de dólares) es del 61%, en proyectos grandes (más de 10 millones de dólares) el éxito es del 6% y el fracaso (cancelación o no utilizado) alcanza el 43%. La tasa de éxito cae precipitosamente conforme aumenta la escala del proyecto. Un estudio de McKinsey y la Universidad de Oxford analizando más de 5,400 proyectos de TI mostró que proyectos grandes con presupuestos de 15 millones de dólares o más excedían el presupuesto en un promedio del 45%, el período en más del 7%, e infravaloraban el valor inicialmente previsto en un 56% (Bloch et al., 2012). Por ejemplo, si la misma organización con el mismo equipo de desarrollo ejecuta 10 proyectos de 100 millones de yen en lugar de 1 proyecto de 1,000 millones de yen, la probabilidad de que este último "cumpla con todos los requisitos de presupuesto, período y valor" desciende a aproximadamente una décima parte de la primera opción.

  • En el desarrollo propio de IA, la tasa de éxito es del 5%:MIT NANDA (2025) reporta que para herramientas de IA personalizadas dirigidas a empresas, el 60% de las empresas llegan a evaluación, el 20% avanzan a piloto, y solo el 5% llega a operación en producción. En comparación con el desarrollo de software tradicional, se puede ver que el desarrollo propio de IA tiene una barrera más alta para la llegada a producción.

Factores de fracaso en la implementación de sistemas

Se organizan los factores de fracaso de cada una de la implementación de productos existentes y el desarrollo propio. La implementación del sistema se divide en cinco procesos: "planeamiento e inversión", "definición de requisitos y selección de productos", "diseño, desarrollo y personalización", "pruebas, migración y operación" y "operación, mantenimiento y evolución", organizando los factores que ocurren en cada proceso.

Factores de fracaso en la implementación de productos existentes

En la implementación de productos existentes, el proveedor realiza el diseño, desarrollo y mantenimiento del producto en sí, por lo que los factores de fracaso se concentran en la "etapa de selección de productos" y la "etapa de ajuste del producto a la empresa", así como en el "cambio en la organización".

Proceso 1: Planeamiento e inversión

  • Mala evaluación de la forma de implementación:Es la decisión de utilizar un producto estándar para la operación que es el núcleo de la diferenciación. Como muestra la teoría basada en recursos (Barney, 1991), un producto que cualquiera puede comprar en el mercado no es fuente de ventaja competitiva, por lo que reemplazar una operación que es la fortaleza misma de la empresa con un producto existente resulta en la pérdida de esa fortaleza. Por ejemplo, una empresa minorista que competía ganando en precisión de pronóstico de demanda única, pero cambió a un módulo estándar de pronóstico de demanda, resultando en ser "nivelada" a la misma precisión que los competidores.

  • Omisión de presupuestación de inversiones complementarias:Brynjolfsson et al. (2021) muestran la "curva J de productividad", donde el efecto de la adopción de tecnologías de propósito general como TI e IA no aparece inicialmente y acelera más adelante. La razón es que se requieren inversiones complementarias en activos intangibles como rediseño de procesos empresariales, recapacitación de personal y cambios en la estructura organizativa, que se adelantan como costos no medidos. En la implementación de productos existentes, típicamente solo se presupuestan "tarifas de licencia y costos de apoyo a la implementación", omitiendo el trabajo de campo y la educación necesarios para ajustar los negocios al estándar. Por ejemplo, al implementar un sistema de reporte de gastos sin revisar las reglas de aprobación ni capacitar a los gerentes, resultó en operación dual continua entre solicitudes en papel e ingreso en el sistema.

  • La premisa de que "la implementación produce resultados":Como muestra Aral & Weill (2007), el efecto de la inversión en TI se determina por la capacidad de la organización, no por la cantidad de inversión. La evaluación que espera resultados después de ver una lista de características de productos carece de esta premisa. Por ejemplo, aunque se implemente un sistema de gestión de clientes, si no hay hábito de los vendedores de registrar registros de negocios y el comportamiento de los gerentes de usar esos registros para orientación, el sistema permanece como una "libreta de direcciones costosa".

Proceso 2: Definición de requisitos y selección de productos

  • Falta de advertencia del desajuste entre el negocio y el producto:Davenport (1998) afirma que sistemas empresariales como ERP incorporan suposiciones sobre la "forma de proceder empresarial" prevista por el proveedor, y las empresas que implementan enfrentan la elección estratégica de "ajustar el sistema al negocio o ajustar el negocio al sistema". Soh et al. (2000) clasifican la falta de correspondencia (desajuste) entre el producto y la organización en tres tipos: datos, funcionalidad y salida, demostrando que proceder con la implementación sin evaluar este desajuste en la etapa de selección conduce a la necesidad de resolverlo mediante personalización en procesos posteriores. Por ejemplo,

  • Evaluación insuficiente de la continuidad del proveedor y el producto:Es finalizar en la comparación de características de productos sin evaluar la situación financiera del proveedor, base de clientes, hoja de ruta del producto, impacto si fuera adquirido, y medios de exportación de datos antes de contratar. Como muestra Shapiro & Varian (1999), el software depende de formatos de datos, procedimientos empresariales y habilidades de empleados de un producto específico, lo que hace que cambiar de proveedor sea muy costoso. Por ejemplo, después de la implementación de toda la empresa de una herramienta de asistencia desarrollada por una startup, el proveedor fue adquirido y un año después se notificó el cierre del servicio, pero no había medios incluidos en el contrato para extraer en bloque datos históricos de asistencia.

  • Insuficiencia de capacidad de la parte que coloca la orden:Una revisión de investigación sobre externalización de TI (Lacity et al., 2009) reporta consistentemente que incluso cuando se delega externamente, es crucial que la parte que coloca la orden mantenga la capacidad de definir requisitos y evaluar y controlar al proveedor para el éxito. Las empresas que pierden esta capacidad no pueden evaluar las propuestas del proveedor y terminan contratando características innecesarias y personalizaciones según lo sugerido por la empresa de soporte de implementación. Por ejemplo, una empresa que redujo su departamento de sistemas de información para cambiar a externalización no pudo explicar por sí misma "qué configuración se necesita para qué operación" durante la actualización del ERP, por lo que la empresa de soporte de implementación adoptó la misma configuración que antes, resultando en continuar pagando por características para operaciones ya descontinuadas.

Proceso 3: Diseño, desarrollo y personalización

  • Personalización excesiva:Brehm et al. (2001) clasifican los métodos de ajuste de ERP en 9 niveles, desde "configuración (cambio de parámetros)" hasta "modificación del código fuente del paquete", mostrando que conforme aumenta el nivel, aumentan el riesgo técnico, los costos de mantenimiento y la pérdida de soporte del proveedor. Muchas empresas tienden a ver la "personalización" como un concepto único, pero los ajustes que permanecen dentro del rango de configuración y las modificaciones que requieren cambios de código son completamente diferentes en naturaleza. Por ejemplo, cambiar el número de niveles de aprobación de 3 a 4 en la pantalla de configuración es configuración, pero agregar como programa una regla única como "cuando el gerente está ausente, las aprobaciones de 2 jefes de sección substituyen" es modificación, requiriendo verificación de operación y corrección cada vez que se actualiza la versión del producto, llevando al aumento de costos de mantenimiento del proveedor o la pérdida de soporte del proveedor.

  • Complejidad de las partes de integración:Incluso sin modificar el producto en sí, crear múltiples integraciones con otros sistemas hace que la parte de integración se convierta en esencia en un sistema único. Por ejemplo, construir decenas de integraciones de datos entre el ERP y los sistemas existentes de gestión de ventas, almacén y contabilidad resultó en la necesidad de reensayar todas las integraciones cada vez que se actualiza cualquiera de los productos, llegando a una situación donde "se compró el producto, pero se requiere un equipo dedicado para el mantenimiento de las integraciones".

  • Complejidad de la configuración y dependencia de personas clave: Incluso en configuraciones sin código, la acumulación a lo largo de los años puede llevar a un estado donde nadie entiende la visión general. Por ejemplo, un sistema de gestión de clientes que ha tenido cientos de campos y reglas de automatización añadidos durante 10 años, de modo que agregar una nueva regla interfiere con las existentes y causa comportamientos inesperados.

Proceso 4: Pruebas, migración y puesta en marcha

  • Negligencia en pruebas y migración de datos: Existe la tendencia a omitir pruebas de escenarios empresariales que incluyen configuración, datos y integraciones propios de la empresa, basada en la suposición de que los productos existentes tienen "operaciones garantizadas". Somers & Nelson (2001) investigaron los factores de éxito en la implementación de ERP y señalaron la "precisión de datos" y las "pruebas de software" como factores críticos en la fase de implementación, mientras que Redman (1998) organizó los mecanismos por los cuales los datos de baja calidad aumentan los costos operativos de las empresas. Por ejemplo, un procesamiento de facturación que funciona correctamente en el producto individual puede generar doble facturación debido a inconsistencias en los datos de clientes migrados del sistema anterior (como el mismo cliente registrado con múltiples variaciones de nombre).

  • Riesgo de cambio simultáneo: El método de cambiar de una vez del sistema antiguo al nuevo hace que el alcance del impacto sea máximo cuando ocurren problemas. Hersey operó 3 sistemas simultáneamente justo antes del pico de demanda, lo que causó confusión en el procesamiento de pedidos. Aunque la migración gradual o la operación paralela conllevan costos, funcionan como un seguro para evitar grandes fracasos. Por ejemplo, el éxito de Hersey en 2002 eligiendo un período de baja demanda e implementando cambios gradualmente demuestra la lección inversa.

  • Aceptación insuficiente por parte de los usuarios finales: Como los productos existentes presuponen cambios en la forma de trabajar, si los usuarios finales no aceptan el cambio, ocurrirá una "reversión" a procedimientos antiguos o uso de hojas de cálculo personales inmediatamente después de la puesta en marcha. Por ejemplo, después de que se puso en marcha un nuevo sistema de compras, los empleados del departamento continuaron haciendo pedidos por teléfono como antes e ingresaban los datos posteriormente en el sistema de manera rutinaria, lo que resultó en una divergencia entre los datos de inventario y la realidad.

Proceso 5: Operación, mantenimiento y evolución

  • Cambios en la política del proveedor y bloqueo de cliente: Como Farrell & Klemperer (2007) explicaron teóricamente, los costos de cambio dan poder de control de precios a los proveedores. Después de la adquisición de VMware por Broadcom en 2023, se eliminó la versión de licencia perpetua y se pasó a un modelo de suscripción, lo que causó que los costos aumentaran varios veces en muchas empresas, un ejemplo representativo de esto. El fin del suministro de productos o la quiebra o compra del proveedor también están incluidos en este factor.

  • Carga de mantenimiento de partes personalizadas: Las modificaciones realizadas en el producto en el proceso 3 requieren reverificación y corrección cada vez que el producto se actualiza. Como Erlikh (2000) demostró, la mayor parte del costo del ciclo de vida del software es mantenimiento, y el mantenimiento de partes modificadas recae en la empresa. Por ejemplo, un ERP basado en nube que realiza actualizaciones automáticas 4 veces al año, requiriendo semanas de verificación de funcionamiento para reportes y lógica de procesamiento añadidos independientemente cada vez que se actualiza, convirtiendo la actualización en una "carga" en lugar de una "mejora".

  • Retraso en la transformación organizacional y falta de consolidación: Aunque el sistema se ponga en marcha, no habrá efectos si los procesos empresariales y la organización no cambian. Como Aral & Weill (2007) demostraron, lo que determina el efecto es la capacidad de la organización, y el resultado de no presupuestar inversiones complementarias en el proceso 1 se manifiesta en el proceso 5 como "sistemas no utilizados". Por ejemplo, el estado "aproximadamente 40% de las licencias sin usar" que muestra la investigación de Zylo (2023) mencionada en el capítulo anterior es la acumulación de estos fracasos.

  • Proliferación de SaaS y fragmentación de datos: El fenómeno de contratar SaaS individuales separados por departamento da como resultado que los mismos datos se dispersen en múltiples sistemas, dificultando el entendimiento a nivel empresarial. Por ejemplo, los departamentos de ventas, atención al cliente y marketing usan herramientas de gestión de clientes diferentes, resultando en información sobre el mismo cliente que difiere en 3 lugares.

Factores de fracaso en el desarrollo propio

En el desarrollo propio, dado que la empresa es responsable de todos los procesos desde planificación hasta mantenimiento, los factores de fracaso aparecen en los 5 procesos. En particular, es característico que los factores derivados de propiedades específicas del software como variabilidad de requisitos, complejidad y costo de mantenimiento, así como los factores derivados del juicio humano como sesgos de planificación y escaladas, se vuelven más graves en proporción al tamaño y duración del proyecto. En el desarrollo propio, la empresa asumiría toda la parte que el proveedor asume en la implementación de productos existentes.

Proceso 1: Planificación y decisión de inversión

  • Mala decisión sobre la forma de implementación: La decisión de crear internamente operaciones que no conducen a diferenciación. La teoría de costos de transacción (Williamson, 1985) muestra que es más racional comprar del mercado operaciones estándar con requisitos estables que pueden ser suministrados por múltiples proveedores, pero en la práctica el juicio se distorsiona por la idea preconcebida de que "nuestras operaciones son especiales" o por antecedentes pasados. Como señaló Carr (2003), la inversión excesiva en áreas de tecnología comoditizadas no genera ventaja y solo aumenta costos y riesgos. Este error de juicio se convierte en el punto de partida del fracaso en todos los procesos posteriores. Por ejemplo, no son pocas las empresas que desarrollaron independientemente operaciones como contabilidad, nómina y asistencia, donde los procedimientos están casi completamente determinados por la ley, con la razón de que "no se ajusta a nuestras operaciones", pagando continuamente costos de modificación cada vez que la ley cambia.

  • Subestimación de costos y duración debido a sesgo de planificación: Kahneman & Tversky (1979) señalaron la tendencia de las personas a ignorar casos similares pasados (perspectiva externa) al hacer planes y hacer estimaciones basadas en los detalles del plan frente a ellos (perspectiva interna). Como resultado, el tiempo y el costo se subestiman sistemáticamente. Flyvbjerg (2006) propuso como contramedida la "predicción de clase de referencia", que corrige las estimaciones a partir de la distribución de resultados de proyectos similares. La investigación sobre distribuciones de ley de potencias del capítulo anterior (Flyvbjerg et al., 2022) demuestra empíricamente qué forma tiene esta clase de referencia, y cuanto mayor es el tamaño del desarrollo propio, más gruesa es la cola de la distribución. Por ejemplo, la estimación de que "los requisitos están definidos, así que se completará en 18 meses" es un ejemplo típico de la "perspectiva interna" que ignora que proyectos del mismo tipo siguen una distribución donde el promedio excede 27% y 1 de cada 6 es 3 veces mayor (Flyvbjerg & Budzier, 2011).

  • Omisión en la presupuestación de inversiones complementarias: Al igual que con los productos existentes, los costos de rediseño empresarial, educación y cambio organizacional se colocan fuera del "costo de desarrollo" (Brynjolfsson et al., 2021). En el desarrollo propio, además, el personal para la operación después de la implementación (monitoreo, respuesta a consultas, respuesta a incidentes) frecuentemente no se estima. Lientz & Swanson (1980) demostraron en una encuesta a gran escala que el esfuerzo requerido para mantenimiento y operación después de la puesta en marcha excede el esfuerzo de desarrollo, y un plan que no incluye este esfuerzo en el presupuesto es estructuralmente insuficiente. Por ejemplo, después de la puesta en marcha de un sistema construido por un equipo de desarrollo de 10 personas, la mitad del equipo de desarrollo se vio absorbido por respuesta a incidentes y solicitudes de modificación, sin poder comenzar el siguiente desarrollo.

  • Aumento del alcance y orientación hacia construcción monolítica: La decisión de construir múltiples áreas empresariales como un único sistema gigante de una sola vez aumenta el tamaño, la duración y la complejidad de integración. Flyvbjerg et al. (2022) presentaron el mecanismo por el cual la interdependencia entre elementos técnicos causa reacciones en cadena que conducen a sobrecostos extremos, y Flyvbjerg & Gardner (2023) demostraron que proyectos modulares que repiten la construcción de unidades pequeñas son mucho más seguros que la construcción monolítica. El NPfIT del NHS es un caso que demuestra el resultado de esta orientación monolítica (House of Commons Committee of Public Accounts, 2013). Por ejemplo, la decisión de "ya que estamos construyendo, integremos ventas, inventario, contabilidad y recursos humanos" crea una estructura donde los retrasos en cada área se influyen mutuamente.

Proceso 2: Definición de requisitos y selección de productos

  • Los requisitos siempre cambian después de comenzar a usar el sistema: Brooks (1987) señaló que el software tiene "dificultad esencial" que no puede resolverse con herramientas o métodos, siendo una de ellas la característica de que "cuando comienza a ser utilizado, siempre se solicitan cambios" (variabilidad). Los usuarios descubren lo que realmente necesitan solo después de ver algo funcionando, y dado que las leyes y operaciones también cambian durante el desarrollo, no hay forma de que "una vez completado, todo termine" sin importar cuán cuidadosamente se fijen los requisitos. Mientras que con productos existentes los proveedores asumen el costo de responder a estos cambios, con desarrollo propio la empresa debe perseguirlos perpetuamente.

  • Ausencia de responsable principal en la definición de requisitos: En el desarrollo propio, se requiere una persona responsable en el lado del departamento empresarial que contrata que pueda decidir "qué construir" y que posea conocimiento y competencia técnica comparable a la del personal de empresas de sistemas. Aunque el equipo de desarrollo, incluido un tercero subcontratado, puede decidir "cómo construir", solo quien entiende el negocio puede decidir "qué operaciones, en qué orden y hasta qué punto". Hofmann & Lehner (2001) demostraron que el grado de participación del lado empresarial explica más fuertemente el éxito o fracaso del proyecto, y Standish Group (2015) también coloca la "participación del usuario" en la posición más alta entre los factores de éxito. Cuando comienza el desarrollo sin esta persona responsable, los requisitos se completan con conjeturas del tercero proveedor o imitación del sistema actual. Por ejemplo, cuando el departamento empresarial solo dice "sería bueno si funcionara como el sistema actual" y el equipo de desarrollo recrea pantalla tras pantalla del sistema actual, el resultado es un sistema que simplemente reprodujo procedimientos empresariales de hace 20 años con nueva tecnología.

  • Falta de capacidad del lado contratante (en caso de externalización): Cuando el desarrollo propio se externaliza, si el lado contratante no posee la capacidad de definir requisitos y evaluar progreso y calidad, no podrá evaluar el producto entregado (Lacity et al., 2009; Feeny & Willcocks, 1998). El caso de Hertz, la principal empresa estadounidense de renta de automóviles (donde un proyecto de rediseño completo del sitio web y aplicación móvil fracasó y demandó a Accenture, el tercero contratado, por daños de más de 32 millones de dólares) puede interpretarse como un ejemplo donde esta falta de capacidad fue ignorada hasta el punto de llegar a juicio (Hertz Corp. v. Accenture LLP, 2019). Por ejemplo, el patrón de aceptar continuamente reportes de progreso del tercero como "en buen camino" y descubrir solo 3 meses antes de la entrega que características principales no funcionan.

Proceso 3: Diseño, desarrollo y personalización

  • Retrasos en cascada por complejidad e interdependencia: La ley de Brooks (1975) de que "agregar personal a un proyecto retrasado lo retrasa más" se debe a que el costo de comunicación aumenta con el cuadrado del número de personas. Un sistema diseñado independientemente tiene múltiples interdependencias entre componentes, de modo que un retraso o cambio de diseño en un lugar se propaga en cascada a otros elementos. Flyvbjerg et al. (2022) identificó esta reacción en cascada como el mecanismo de sobrecostos extremos. Por ejemplo, un cambio en el diseño de la base de datos se propaga a todas las pantallas, reportes y procesos de integración que la referencian, convirtiendo 1 semana de trabajo de cambio en 3 meses de trabajo de corrección.

  • Acumulación de deuda técnica: Como mostró Cunningham (1992) mediante la metáfora de la "deuda técnica", los compromisos en el diseño que priorizan los plazos aumentan continuamente los costos de cambio posteriores. En el desarrollo interno, es necesario planificar estratégicamente el pago de la deuda (refactorización) dentro de la empresa. Por ejemplo, copiar la misma lógica en múltiples ubicaciones para "simplemente hacerlo funcionar" genera la necesidad de buscar y modificar todas las ubicaciones cada vez que cambian las especificaciones, lo que resulta en defectos repetidos por errores de omisión.

  • Ausencia de responsabilidad de integración: Cuando múltiples empresas de desarrollo o departamentos participan en el desarrollo compartido, puede haber una situación donde no existe una entidad responsable de integrar el todo y garantizar la calidad. La auditoría de Healthcare.gov (U.S. Government Accountability Office, 2014) señaló la ausencia de un responsable de integración como factor de fallo principal. Por ejemplo, la empresa que desarrolla la interfaz, la empresa que maneja el procesamiento de datos y la empresa que gestiona la conexión con organismos externos reportan cada una que "completamos nuestra parte", pero cuando se integran, el sistema no funciona.

  • Selección incorrecta de tecnología: En desarrollos a largo plazo, la tecnología elegida al inicio puede quedar obsoleta al completarse, o se puede elegir una tecnología que solo pocos técnicos saben utilizar. Bisbal et al. (1999) sistematizaron cómo los "sistemas heredados" resultantes obstaculizan el cambio organizacional debido a la reducción de personal de mantenimiento y la obsolescencia técnica. La Oficina de Contabilidad General de los Estados Unidos informó que muchos sistemas básicos del gobierno federal fueron escritos en lenguajes de décadas atrás, y la jubilación inminente de técnicos especializados se ha convertido en un riesgo crítico (U.S. Government Accountability Office, 2016). Por ejemplo, un responsable adopta un lenguaje de programación específico basándose en su experiencia, pero tras su jubilación, no se puede contratar un sucesor y el mantenimiento se paraliza.

Fase 4: Pruebas, migración y operación

  • Negligencia en pruebas y migración de datos: Las pruebas de carga, las pruebas de aceptación basadas en escenarios de negocio y la validación de la migración de datos desde el sistema anterior se comprimen por la presión de cumplir plazos. En Healthcare.gov, las pruebas de carga no se realizaron hasta poco antes de la puesta en producción, y en Hertz, la falta de pruebas en dispositivos móviles fue un punto de controversia. Por ejemplo, aunque se podría haber predicho de antemano que el primer día de lanzamiento recibiría 10 veces el acceso esperado, la prueba con esa carga se realizó por primera vez una semana antes del lanzamiento, y aunque se encontraron problemas, no hubo tiempo para corregirlos.

  • Riesgo del cambio simultáneo: El método de cambiar del sistema anterior al nuevo sistema de una sola vez maximiza el impacto si surge un problema (Markus & Tanis, 2000). En el desarrollo interno, la decisión de cambio simultáneo es más probable porque se prefiere evitar el costo operativo duplicado de una operación paralela. Por ejemplo, el banco TSB del Reino Unido cambió las cuentas de clientes a una nueva plataforma de contabilidad durante el fin de semana de abril de 2018, pero la semana siguiente aproximadamente 1.9 millones de clientes no pudieron acceder a la banca en línea, lo que resultó en pérdidas de aproximadamente 330 millones de libras esterlinas en costos de recuperación y compensación al cliente. Una investigación independiente identificó como causa principal la decisión de cambio simultáneo sin pruebas suficientes antes de la migración (Slaughter and May, 2019).

  • Escalada: No se puede detener: Keil (1995) analizó como "escalada" el fenómeno en el que proyectos de TI que están fracasando se continúan e invierte dinero adicional. La fijación en los costos ya invertidos, el prestigio del responsable y el malentendido sobre "casi terminar" retrasan la decisión de abandonar el proyecto. Como el desarrollo interno hace que abandonar signifique la pérdida total de la inversión, la escalada se prolonga. Por ejemplo, el NPfIT del NHS ya había dejado claro en los primeros años que las principales empresas desarrolladoras se retiraban y que la adopción en el terreno no progresaba, pero la decisión de disolver el proyecto se pospuso hasta 2011 porque "ya invertimos decenas de miles de millones de libras".

Fase 5: Operación, mantenimiento y evolución

  • Subestimación del costo de mantenimiento: Desde el estudio clásico de Lientz & Swanson (1980), se ha confirmado repetidamente que el mantenimiento y operación representan más de la mitad del costo del ciclo de vida del software, y Erlikh (2000) estima que en sistemas empresariales alcanza el 85-90%. Comparar desarrollo interno con productos existentes usando "costo de desarrollo" como criterio ignora la mayoría de los costos. Por ejemplo, un sistema con costo de desarrollo de 100 millones de yenes requiere típicamente 200-500 millones de yenes adicionales en mantenimiento, modificación y actualización de infraestructura durante 10 años, lo que comúnmente resulta en ser decenas de veces más caro que la cuota de uso de 10 años de un producto existente.

  • Cambio continuo y transición generacional de tecnologías base: Las "Leyes de la evolución del software" formuladas por Lehman (1980) demuestran que los programas utilizados en la práctica deben cambiar continuamente o la satisfacción disminuye, y cuanto más se continúan los cambios, mayor es la complejidad. Además, actualizaciones de SO y navegadores, respuesta a vulnerabilidades de seguridad, cumplimiento de cambios legales, y transiciones generacionales de tecnologías base como migración a la nube y API-fication ocurren continuamente como "mantenimiento defensivo" para preservar el valor. Por ejemplo, muchos sistemas construidos en la primera mitad de la década de 2010 se ven obligados a modificarse con cada cambio en especificaciones de navegadores, fin del soporte del SO del servidor, actualización de esquemas de cifrado, resultando en un estado donde "la funcionalidad no ha cambiado en absoluto, pero cuesta dinero cada año solo para mantenerlo".

  • Fuga de talento y conocimiento personalizado: El conocimiento de sistemas únicos se acumula en el personal que los creó. Rigby et al. (2016) cuantificaron el grado en que se pierde el conocimiento del software cuando se van los desarrolladores, demostrando que la proporción de código que solo entiende una persona específica determina el riesgo de mantenimiento después de la rotación. Que se forme un "sistema que nadie entiende" debido a cambios de personal o jubilación es un fenómeno común en muchas empresas. Con productos existentes, el conocimiento de funcionalidades estándar circula en el mercado, aumentando la resistencia a cambios de personal. Por ejemplo, documentos de diseño no actualizados durante 10 años de modificaciones continuas, cuando se jubila la única persona que entendía todo el sistema, resulta en un sistema que "nadie toca porque se rompe".

  • Retraso en la transformación organizacional y fracaso en la adopción: Como ocurre con productos existentes, si los procesos de negocio y la organización no cambian aunque el sistema esté en operación, no aparecerán resultados (Aral & Weill, 2007). En el desarrollo interno, el requisito tiende a ser "reproducir los procesos actuales tal como están", perdiendo oportunidades de mejora de negocio en sí. Hammer (1990) criticó la automatización de procedimientos existentes tal como están, llamándolo "pavimentar el camino de las vacas", como un ejemplo típico de efectividad nula. Por ejemplo, un sistema que simplemente convierte un formulario de solicitud en papel a una pantalla no reduce el esfuerzo de entrada, sino que crea el trabajo doble de escribir en papel y luego ingresar en el sistema.

Diferencias en los factores de fallo entre la adopción de productos existentes y el desarrollo interno

Puntos comunes

  • El "malentendido sobre la forma de adopción" como punto de partida del juicio es común a ambos: El error de resolver el núcleo de diferenciación con un producto existente y crear negocio propietario en operaciones no diferenciadas surgen ambos de la carencia del mismo eje de juicio (diferenciación, especificidad de activos, madurez del mercado). Por ejemplo, el juicio de "alineación" de "porque otras empresas desarrollan internamente" o "porque otras empresas usan este producto" es un error en ambas direcciones.

  • La negligencia en inversión complementaria y retraso en transformación organizacional son problemas organizacionales, no técnicos, y ocurren en ambas formas: Como demuestran la curva J de Brynjolfsson et al. (2021) y la investigación de capacidad organizacional de Aral & Weill (2007), el valor del sistema nace del cambio en procesos de negocio y personal. Por ejemplo, empresas que no actualizaban manuales de procedimientos ni ofrecían capacitación después de la puesta en operación del nuevo sistema terminan con un "sistema no utilizado" tanto en productos existentes como en desarrollo interno.

  • La insuficiencia de capacidad del lado del ordenante y del negocio es fatal en ambas formas: La capacidad de definir requisitos, evaluar entregables y controlar a proveedores o equipos de desarrollo no puede delegarse. Por ejemplo, empresas que redujeron extremadamente sus departamentos de sistemas de información pierden la capacidad de juzgar la razonabilidad de propuestas de ambos lados, tanto en la selección de productos existentes como en la contratación de desarrollo interno.

  • El fracaso en la disciplina de pruebas y método de cambio aparece de la misma forma en ambas formas: La omisión de pruebas de carga, validación insuficiente de migración de datos y cambio simultáneo causan fallos independientemente del origen del producto. Por ejemplo, Hershey (producto existente) y Healthcare.gov (desarrollo interno) tienen diferentes formas, pero ambos comparten el mismo fallo de "no realizar pruebas hasta poco antes de la producción y lanzar simultáneamente".

Puntos diferentes

  • Los fallos específicos del desarrollo interno aumentan proporcionalmente a la escala, duración y cantidad de código único: Los errores de planificación, retrasos en cascada, deuda técnica, costo de mantenimiento y personalización del personal son todos funciones de "la cantidad de código único que la empresa posee" y "la escala y duración del proyecto" (Flyvbjerg et al., 2022; Lientz & Swanson, 1980). Por ejemplo, con la misma "gestión de ventas", la diferencia entre configurar un producto existente y lanzarlo en 3 meses versus desarrollarlo internamente en 2 años significa que el segundo se expone 8 veces más a cambios de requisitos, rotación de personal y obsolescencia tecnológica.

  • Los fallos específicos de la adopción de productos existentes se concentran en evaluación en la fase de selección y profundidad de personalización: El descuido del desajuste entre producto y negocio propio y evaluación insuficiente del proveedor aparecen en la fase 2, la personalización excesiva en la fase 3, y el bloqueo en la fase 5, pero la raíz está en el juicio sobre "usar el producto en su forma estándar o hacer desarrollos personalizados" (Soh et al., 2000; Brehm et al., 2001). En el momento en que se elige personalización profunda, simultáneamente se heredan también factores específicos del desarrollo interno. Por ejemplo, Lidl adoptó un producto existente, pero la escala y duración de 7 años y 500 millones de euros tiene la misma estructura de riesgo que un desarrollo interno a gran escala (Handelsblatt, 2018).

  • La magnitud de la pérdida en caso de fracaso es mayor en el desarrollo interno: Los productos existentes tienen rutas de salida como rescisión de contrato o cambio de proveedor, por lo que la pérdida de fracaso tiende a limitarse a "cuota de uso hasta ese momento y costo de migración", mientras que el fracaso del desarrollo interno tiende a ser pérdida total de inversión, y la escalada de Keil (1995) también se prolonga. Por ejemplo, el fracaso en adoptar SaaS frecuentemente resulta en pérdidas de decenas de millones de yenes, mientras que el NPfIT del NHS perdió casi la mitad de aproximadamente 100 mil millones de libras.

  • La responsabilidad en mantenimiento y evolución difiere: En productos existentes, el proveedor realiza respuesta de seguridad, cumplimiento legal y transición generacional de tecnología base para todos los clientes en conjunto, mientras que en desarrollo interno, la empresa es responsable de todo (Lehman, 1980; Erlikh, 2000). Por ejemplo, cambios en tasa de impuesto al consumo o tasa de seguro social son absorbidos por actualizaciones de proveedor en productos existentes, pero en desarrollo interno resulta en modificaciones propias cada vez.

Operaciones objetivo de adopción de productos existentes y desarrollo interno

De la organización anterior, se entiende que la clave para evitar fracasos es el juicio sobre "qué operaciones adoptar con productos existentes y qué operaciones desarrollar internamente". Este juicio debe realizarse en "unidades de operación", no en todo el sistema.

Ejes de juicio que dividen adopción de productos existentes y desarrollo interno

Para determinar qué trabajos requieren productos existentes y cuáles son apropiados para desarrollo propio, se puede hacer una evaluación considerando cuatro teorías acumuladas en gestión empresarial.

  • Eje de diferenciación (Teoría basada en recursos): Barney (1991) argumentó que la ventaja competitiva sostenible surge únicamente de recursos que tienen valor (Valuable), son raros (Rare), son difíciles de imitar (Inimitable) y están organizacionalmente aprovechados (Organized). Los productos que cualquiera puede comprar en el mercado no son, por definición, ni raros ni difíciles de imitar. El desarrollo propio es una opción solo cuando realizar la tarea de manera única genera una ventaja visible para el cliente. Por ejemplo, la precisión de reabastecimiento de Walmart o la velocidad de rotación de productos de Zara son las razones por las que los clientes eligen estas empresas, y los sistemas que las respaldan cumplen con el eje de diferenciación.

  • Eje de especificidad de activos (Teoría de costos de transacción): Williamson (1985) señaló tres condiciones que hacen favorable la manufactura interna: alta "especificidad de activos" (imposibilidad de cambiar proveedores), alta "incertidumbre" (imposibilidad de prever futuros requisitos) y alta "frecuencia" de transacciones. Nelson et al. (1996) aplicaron esto a la adquisición de software, clasificando la compra de paquetes, desarrollo personalizado y desarrollo propio mediante dos ejes: "singularidad de la tarea" e "incertidumbre de requisitos". Por ejemplo, el cálculo de nómina tiene procedimientos definidos por ley y es esencialmente idéntico en todas las empresas del sector, por lo que la especificidad de activos es baja y los productos existentes son apropiados.

  • Eje de madurez de mercado (Teoría de comoditización): Carr (2003) argumentó que la TI, como la electricidad y los ferrocarriles, se comoditiza con la difusión y deja de generar ventaja competitiva en sí misma. Wardley (2020) muestra que toda tecnología y actividad evoluciona a través de las etapas de "emergente → construcción única → producto → comoditizado", y que el método de adquisición apropiado difiere en cada etapa. Las cosas en la etapa emergente solo pueden probarse en la empresa, pero cuando entran en la etapa de producto resulta racional comprarlas, y cuando alcanzan la etapa de comoditizado es racional usar un modelo de pago por uso. Por ejemplo, la infraestructura informática, que en los años 2000 requería poseer servidores propios, es ahora una comoditidad en forma de nube, lo que hace racional que Netflix cierre sus propios centros de datos.

  • Eje de velocidad de cambio: En campos donde los requisitos que definen la tarea (regulaciones, estándares técnicos, expectativas del cliente) cambian rápidamente, la ventaja de los productos existentes que externalizan los costos de seguimiento es mayor. Cuando el cambio es mínimo y la tarea es estable, la carga de mantenimiento interno es relativamente menor (Nelson et al., 1996; Lehman, 1980). Por ejemplo, en áreas como la conservación de libros electrónicos o la normativa de facturación, donde los cambios regulatorios continúan, los productos existentes donde los proveedores realizan las modificaciones para todos los clientes son incomparablemente más eficientes que hacer modificaciones propias cada vez.

Trabajos donde es apropiada la adopción de productos existentes

  • Tareas indirectas estándar: Este es el ámbito donde los tres ejes—diferenciación, especificidad de activos y madurez de mercado—convergen indicando "productos existentes". En la mayoría de las empresas, el 80-90% de las tareas caen aquí (Carr, 2003; Quinn & Hilmer, 1994). Por ejemplo, contabilidad, cálculo de nómina, procesamiento de gastos, gestión de recursos humanos, gestión de asistencia, correo electrónico, uso compartido de archivos y videoconferencias, incluso si se ejecutan de manera diferente, no son valoradas por los clientes, tienen mercados de productos maduros y requieren seguimiento frecuente de cambios normativos.

  • Tareas comunes en la industria: Trabajos donde los procedimientos son generalmente comunes dentro de la industria y existen múltiples productos para ese sector (Davenport, 1998). Por ejemplo, gestión de clientes, gestión de inventario, compras, gestión de proyectos y gestión de consultas de atención al cliente, aunque parezcan únicos para la empresa, son en esencia las mismas tareas en otras empresas del sector.

  • Tareas que parecen únicas para la empresa, pero no conducen a diferenciación: Trabajos donde existe un "método propio", pero ese método en sí no es la razón por la que los clientes eligen a la empresa. En este caso, en lugar de desarrollar un producto personalizado, se ajusta la tarea a los estándares del producto o se agrega la parte única solo mediante una extensión de bajo código (Soh et al., 2000; Brehm et al., 2001). Por ejemplo, flujos de aprobación únicos, formatos de informes internos y sistemas de categorías de gastos que varían por departamento generalmente persisten solo por razones históricas, y ajustarse a los estándares no afecta el negocio.

  • Flujos de trabajo que conectan múltiples productos: Cuando la tarea en sí es estándar, pero la transmisión de datos entre múltiples productos es única para la empresa. Por ejemplo, las pedidos recibidas en un sistema de pedidos se asignan en un sistema de inventario y se facturan en un sistema contable; mientras que cada producto es un producto existente, es apropiado configurar la integración entre productos usando APIs o herramientas de bajo código (Hasselbring, 2000).

  • Tareas con cambios rápidos y costos de seguimiento significativos: Las tareas donde los cambios legales, regulatorios o de estándares técnicos son frecuentes son fuertemente recomendadas por el eje de velocidad de cambio hacia productos existentes (Nelson et al., 1996). Por ejemplo, declaraciones fiscales, contratos electrónicos y cumplimiento normativo en privacidad de datos y seguridad se manejan más confiablemente cuando los proveedores abordan las revisiones regulatorias de manera consolidada que cuando una empresa intenta seguirlas continuamente.

  • Infraestructura comoditizada: Los ámbitos que están en la etapa comoditizada según el eje de madurez de mercado resultan más racionalmente utilizados que poseídos (Carr, 2003; Wardley, 2020). Por ejemplo, servidores, almacenamiento, bases de datos, plataformas de autenticación y plataformas de envío de correo, como demuestran los casos de Netflix y Capital One, incluso en industrias reguladas y grandes empresas, la tendencia principal es utilizar nubes externas (Netflix, 2016; Capital One, 2020).

Trabajos donde es apropiado el desarrollo propio

  • Trabajos que son el núcleo de diferenciación y donde no existen productos en el mercado: Tareas donde la diferenciación y la especificidad de activos son altas, y la madurez de mercado está en la etapa emergente o de construcción única. Como muestra Bessen (2022), el software único es fuente de ventaja competitiva para grandes empresas, pero solo cuando la tarea en sí es la fuente de diferenciación, no existe en el mercado un software que la resuelva, y la empresa tiene la capacidad organizacional y el capital para respaldar el desarrollo y la mejora continua. Por ejemplo, Retail Link de Walmart, el sistema de planificación de producción de Zara y los sistemas de logística y recomendación de Amazon no tenían productos en el mercado que hicieran lo mismo cuando fueron construidos.

  • Mecanismos de análisis y toma de decisiones que aprovechan datos únicos: Ámbitos donde se utilizan datos que solo la empresa posee (histórico de comportamiento de clientes, registros transaccionales de larga duración, datos de medición únicos) y cómo se usan esos datos genera ventaja competitiva. Como muestra la teoría de activos complementarios de Teece (1986), el valor reside no en el sistema en sí sino en los datos como activo complementario. Por ejemplo, cuando una compañía de seguros desarrolla un modelo único de cálculo de tarifas a partir de datos de accidentes de décadas, la plataforma de construcción del modelo usa infraestructura en nube existente y bibliotecas, pero la lógica de cálculo se desarrolla internamente.

  • La parte "única de la empresa" en ámbitos donde existe un producto pero es el núcleo de diferenciación: Cuando la mayoría de la tarea se puede procesar con un producto existente pero solo una parte del lógica que genera ventaja competitiva es única para la empresa. En este caso, en lugar de modificar el producto, se desarrolla la parte única como un sistema independiente y se conecta al producto mediante APIs de forma desacoplada. Como muestra Baldwin & Clark (2000), los módulos separados por interfaces estandarizados pueden evolucionar independientemente, y Christensen & Raynor (2003) señala que las ganancias migran a capas adyacentes a las capas comoditizadas. Por ejemplo, la base de un sitio de comercio electrónico usa un producto existente, mientras que solo el algoritmo de fijación de precios o la lógica de recomendación que genera ventaja competitiva se desarrolla internamente y se integra al producto mediante APIs.

  • Cuando el negocio en sí es software: Para empresas cuyo servicio central es software, ese software es por definición su núcleo de diferenciación (Andreessen, 2011). Por ejemplo, para Netflix el sistema de transmisión y recomendación, para Amazon la experiencia de compra; si fueran reemplazados por productos existentes, el negocio en sí no funcionaría. Sin embargo, incluso estas empresas usan productos existentes para tareas periféricas como contabilidad, recursos humanos e infraestructura.

Condiciones previas para realizar desarrollo propio

Cuando se realiza desarrollo propio, es necesario que se cumplan las siguientes tres condiciones previas.

  • Que la tarea objetivo genere ventaja competitiva: Que realizar la tarea de manera única sea la razón directa por la cual los clientes eligen a la empresa. Según la teoría de recursos de Barney (1991), los recursos que generan ventaja competitiva sostenible se limitan a aquellos que "tienen valor, son raros, son difíciles de imitar y están organizacionalmente aprovechados"; por definición, las tareas cubiertas por productos disponibles en el mercado no cumplen esta condición. Quinn & Hilmer (1994) argumentan que solo las actividades en las que la empresa puede ser de clase mundial deben mantenerse internamente, y Moore (2005) divide las tareas en "núcleo" (razón por la que el cliente elige a la empresa) y "contexto" (necesario pero puede hacerse igual que los competidores), señalando que el núcleo se mueve gradualmente hacia contexto. Lo importante aquí es hacer el juicio desde la perspectiva del cliente, no desde la afirmación del personal de "nuestra tarea es especial". Como muestra Soh et al. (2000), muchas tareas que el personal percibe como "especiales" son solo procedimientos que permanecen por razones históricas, sin relación con el valor para el cliente. Por ejemplo, la precisión de reabastecimiento de Walmart o la velocidad de rotación de Zara son razones directas por las que los clientes eligen estas tiendas, y los sistemas que las respaldan cumplen esta condición (Bessen, 2022; Ferdows et al., 2004). Por otro lado, la afirmación de que "nuestro flujo de aprobación es especial con 5 etapas" no genera valor para el cliente y no cumple esta condición.

  • Que no exista un producto apropiado en el mercado: La inexistencia de un producto apropiado debe confirmarse mediante "investigación" no "suposición" antes de tomar la decisión. Como muestra Wardley (2020), toda tecnología evoluciona a través de "emergente → construcción única → producto → comoditizado", y continuar con construcción única en ámbitos que han alcanzado la etapa de producto solo aumenta costos y riesgos (Carr, 2003). Incluso en el marco de Nelson et al. (1996), el desarrollo propio es racional solo cuando "la singularidad de la tarea es alta y no existe un producto de mercado adecuado". Por lo tanto, antes de comenzar, se debe confirmar mediante pruebas reales si hay productos que manejan la tarea de varios proveedores, y si esos productos se pueden aplicar al trabajo de la empresa en forma estándar o dentro del rango de configuración e integración. Por ejemplo, Walmart desarrolló Retail Link internamente en 1991 porque entonces no existía un producto en el mercado para compartir datos de ventas con proveedores en tiempo real (Bessen, 2022). Por el contrario, muchos de los sistemas de búsqueda y resumen de documentos internos desarrollados internamente en 2023 por "falta de productos" verán que múltiples productos especializados ofrecerán funcionalidad igual o superior para 2025 (Menlo Ventures, 2025), por lo que esta condición no es un control único sino que requiere revalidación periódica.

  • Tener personal, presupuesto y organización para mejora y mantenimiento: El desarrollo interno no es "desarrollar y terminar", sino contar con una estructura de mejora y mantenimiento continuos durante 5 o 10 años después de la construcción. Desde Lientz & Swanson (1980), se ha confirmado repetidamente que más de la mitad del costo del ciclo de vida del software se gasta en mantenimiento y operación después del lanzamiento, y Erlikh (2000) estima que alcanza el 85-90% en sistemas empresariales. En otras palabras, elegir el desarrollo interno significa decidir asumir costos de mantenimiento varias veces mayores que el costo de desarrollo (varios cientos de veces más que un producto existente) en el futuro. Esta estructura requiere tres elementos. Primero, personal. Como Rigby et al. (2016) demostraron, el conocimiento de sistemas únicos se concentra en quienes los crearon, por lo que se requiere un equipo de múltiples personas que puedan hacerse cargo incluso si el desarrollador principal se va, así como documentación. Segundo, presupuesto. Según la regla empírica de Boehm (1981), el costo anual de mantenimiento alcanza aproximadamente el 15-20% del costo de desarrollo, al que se suma el costo de renovación debido a cambios generacionales en tecnologías base (Lehman, 1980). Tercero, organización. Feeny & Willcocks (1998) argumentan que para seguir aprovechando los sistemas en los negocios, es necesario mantener en la organización interna capacidades clave como el pensamiento que conecta negocio y tecnología, control del diseño, y gestión de proveedores y equipos de desarrollo. Aral & Weill (2007) demostraron que los resultados de la inversión en TI se determinan no por la cantidad invertida, sino por las capacidades organizacionales de este tipo. El "software único que construyó ventaja competitiva" que Bessen (2022) mostró estuvo sin excepción acompañado por organizaciones tecnológicas de gran escala e inversión continua. Por ejemplo, JPMorgan Chase pudo elegir el desarrollo interno porque, además de tener una restricción regulatoria y datos únicos como núcleo de diferenciación, contaba con un presupuesto tecnológico de decenas de miles de millones de dólares anuales y miles de ingenieros (JPMorgan Chase, 2025). A la inversa, si una organización con solo 2-3 desarrolladores elige el desarrollo interno, la partida de esos pocos individuos se convierte en la vida útil del sistema.

Diferencia entre IA general, agentes de IA especializados y desarrollo interno, según tipo de tarea

Aquí nos enfocamos en IA, dividiendo los productos existentes en IA general y agentes de IA especializados, e identificamos cuál de las tres opciones, incluyendo el desarrollo interno, es más apropiada para cada tipo de tarea. Los cuatro ejes de criterio del capítulo anterior pueden aplicarse directamente a IA, pero como IA tiene propiedades distintas del software tradicional, primero confirmamos "qué tareas son apropiadas para la adopción de IA en primer lugar".

Tareas apropiadas para la adopción de IA

IA, a diferencia de sistemas tradicionales, tiene la propiedad de involucrarse horizontalmente en tareas, producir resultados probabilísticos y tener límites de capacidad que son difíciles de predecir de antemano. Por lo tanto, antes de "¿adoptamos IA?", es necesario juzgar "¿esta tarea es adecuada para IA?" por cada tarea.

  • La mayoría de la tarea consiste en procesamiento y juicio de lenguaje, documentos e imágenes: Eloundou et al. (2023) estima que aproximadamente el 80% de trabajadores estadounidenses se verán afectados por modelos de lenguaje de gran escala en al menos el 10% de sus tareas laborales, y aproximadamente el 19% se verá afectado en más de la mitad de su trabajo. El impacto es mayor en tareas que manejan información, como lectura, escritura, resumen, clasificación y conciliación de documentos. Por ejemplo, revisión de contratos, respuestas a consultas, conciliación entre solicitudes y criterios, y creación de código son casos aplicables, pero el trabajo físico en el terreno o las negociaciones cara a cara no cumplen esta condición.

  • Existe un medio para verificar la corrección del resultado: IA puede devolver diferentes resultados para la misma entrada e incluir errores. Por lo tanto, son apropiadas las tareas donde la corrección del resultado puede verificarse por un humano u otro mecanismo (NIST, 2023). Por ejemplo, en tareas de revisión que verifican códigos regulatorios y planos, IA es apropiada porque el revisor puede confirmar los artículos de base que IA indicó, pero las predicciones donde no existe respuesta correcta y no pueden verificarse posteriormente tienden a pasar por alto los errores de IA.

  • Estar dentro del límite de capacidad de IA: Dell'Acqua et al. (2023) realizaron un experimento con 758 personas de una consultoría mostrando que en tareas donde IA es competente, la productividad aumenta significativamente, mientras que en tareas que se ven similares pero están fuera del límite, usar IA reduce en realidad la tasa de respuestas correctas en 19 puntos porcentuales. Este "límite irregular (jagged frontier)" significa que el alcance de aplicación no puede confirmarse sin intentarlo realmente. Por ejemplo, en el mismo "resumen de documentos", el resumen de informes generales puede estar dentro del límite, mientras que el trabajo de encontrar inconsistencias comparando múltiples recursos puede estar fuera del límite. Es esencial probar a pequeña escala con datos reales de la empresa antes de la adopción.

  • Hay variación en el nivel de experiencia de los encargados y hay gran margen para mejora general: Brynjolfsson et al. (2025) mostró que con la adopción de IA en el departamento de servicio al cliente, el número de casos resueltos por hora aumentó en promedio 14%, mientras que aumentó 34% en personal con poca experiencia pero tuvo poco efecto en personal experimentado. El efecto de IA se manifiesta en la forma de "acercar el promedio de la organización al nivel del personal experimentado". Por ejemplo, en centros de atención al cliente con muchas nuevas contrataciones y rotación frecuente, o en tareas de revisión donde personal inexperto debe consultar criterios complejos, el efecto es considerable, mientras que en tareas operadas solo por pocos expertos, el efecto es limitado.

  • Se puede diseñar el mecanismo de responsabilidad y corrección si ocurren errores: Como mostró la sentencia en Moffatt v. Air Canada (2024), las empresas asumen la misma responsabilidad por los resultados de IA que por los de empleados. Por lo tanto, la condición es que sea una tarea donde se pueda diseñar un mecanismo para detectar errores, corregirlos y asumir responsabilidad. Por ejemplo, el apoyo a la redacción de documentos internos es apropiado porque los errores pueden corregirse internamente, pero un chatbot que responde directamente a clientes es problemático porque la orientación incorrecta se convierte directamente en responsabilidad legal.

  • Alta frecuencia y procesamiento estándar por artículo: La adopción de IA requiere una inversión inicial fija de preparación de datos de evaluación e integración en tareas, por lo que es más fácil recuperar la inversión en tareas con mayor volumen de procesamiento. Por ejemplo, respuesta a miles de consultas mensuales o revisión de cientos de documentos mensuales son apropiadas, pero casos especiales que ocurren solo algunos por año son más racionales de manejar por humanos.

Diferencias entre IA general y agentes de IA especializados

¿Cuál es la diferencia fundamental entre IA general y agentes de IA especializados? Ambos pueden distinguirse desde cinco perspectivas: "mercado objetivo", "valor entregado", "conocimiento incorporado", "unidad de uso" y "modelo de tarificación".

  • El mercado objetivo es diferente: Proveedores de IA general como OpenAI, Anthropic, Google (Gemini), etc., se posicionan dentro del marco de "sustitución y aumento del trabajo del conocimiento global", ubicando todo el gasto en salarios de trabajo del conocimiento mundial (aproximadamente 25 billones de dólares) como mercado objetivo. Por otro lado, los agentes de IA especializados redefinen el mercado objetivo como el gasto en salarios de una industria específica. Por ejemplo, Harvey en legal define "mercado de servicios legales de 1 billón de dólares (con gasto tradicional de software de aproximadamente 40 mil millones de dólares)" como objetivo, y Sierra en servicio al cliente define "gasto en servicio al cliente de 40 mil millones de dólares" como objetivo (Taima, 2026).

  • El valor entregado difiere entre "aumento" y "sustitución de tareas": IA general proporciona "aumento" que complementa el trabajo de cada empleado y mejora la productividad. Los agentes de IA especializados apuntan a "sustitución" que asumen procesos comerciales específicos, y Sequoia Capital lo llama "Service-as-a-Software" en el sentido de "vender trabajo en sí mismo, no software". Por ejemplo, IA general aumenta la velocidad a la que un abogado lee contratos, pero un agente de IA especializado ejecuta principalmente la tarea de revisión de contratos, moviendo al abogado a un rol de verificación de resultados.

  • El conocimiento y flujo de trabajo incorporados son diferentes: Lo que IA general proporciona es la capacidad del modelo de base en sí; el usuario debe proporcionar conocimiento, procedimientos y criterios de decisión específicos de la tarea. Los agentes de IA especializados incorporan como producto, sobre el modelo de base, la base de conocimiento de la industria, datos de evaluación por expertos, procedimientos de tareas, cumplimiento regulatorio, e integración con sistemas de negocio existentes. Por ejemplo, un producto especializado para revisión de construcción incorporaría la estructura de códigos y leyes de construcción, métodos de lectura de planos, operaciones por agencia de revisión, y formatos de registros de revisión, sin que el usuario deba enseñar estas cosas desde cero.

  • La unidad de uso difiere entre "individual" y "proceso comercial": IA general es una herramienta que los individuos usan en formato de diálogo, existiendo fuera del proceso comercial de la organización. Los agentes de IA especializados se integran dentro del proceso comercial, operando mientras intercambian datos con sistemas comerciales. Por ejemplo, un documento creado con IA general es transferido manualmente por el encargado al sistema comercial, pero un agente de IA especializado recibe datos directamente del sistema de revisión o sistema de gestión de clientes, escribiendo los resultados de vuelta.

  • El modelo de tarificación es diferente: IA general se centra principalmente en tarificación según el número de usuarios (asientos), mientras que los agentes de IA especializados están transitando hacia tarificación según el volumen de tareas procesadas o resultados logrados. Esto refleja que los especializados apuntan a adquirir el "presupuesto de costos de personal". Por ejemplo, productos especializados en servicio al cliente adoptan tarificación de "por consulta resuelta".

  • Situación actual del mercado de ambos: Aunque los ingresos de empresas de agentes de IA especializados crecen rápidamente, el logro respecto al mercado objetivo es todavía mínimo. Por ejemplo, Cursor (desarrollo de software) con ingresos anualizados de 2 mil millones de dólares logra aproximadamente 0.13% del mercado objetivo, Harvey (legal) con 1.9 mil millones de dólares logra aproximadamente 0.02%, Sierra (servicio al cliente) con más de 1.5 mil millones de dólares logra aproximadamente 0.04%, y OpenEvidence (médico) con más de 1 mil millón de dólares logra aproximadamente 0.4-0.5%. Los agentes de IA especializados están "en la entrada de entrada del mercado", y se espera que sigan expandiéndose significativamente en el futuro.

Tareas apropiadas para IA general

Cuando no se personaliza

Usar directamente productos de IA conversacional no limitados a tareas específicas como ChatGPT, Microsoft Copilot, Claude, Gemini, etc. La forma de uso central es la de empleados utilizándolo para mejorar su productividad individual (Bommasani et al., 2021).

  • Borrador y revisión de documentos: Trabajo de comenzar a escribir textos como correos electrónicos, reportes y propuestas, y trabajo de pulir el texto escrito. Noy & Zhang (2023) mostraron en un experimento usando ChatGPT en tareas de redacción que el tiempo de trabajo se redujo aproximadamente 40% y la calidad del resultado mejoró. Por ejemplo, borradores de correos en inglés a clientes o revisión de texto de reportes internos son usos donde se ha confirmado efectividad sin importar industria o puesto.

  • Resumen y organización de información: Trabajo de extraer puntos clave del contenido de documentos largos o reuniones y estructurar la información. Dell'Acqua et al. (2023) realizaron un experimento con 758 consultores mostrando que en tareas de dominios donde IA es competente como lluvia de ideas, escritura y análisis, el número completado aumentó 12%, el tiempo requerido se redujo 25%, y la calidad mejoró 40%. Por ejemplo, crear actas de reuniones de grabaciones, resumir puntos clave de docenas de páginas de recursos en una página, etc.

  • Traducción y soporte multilingüe:Lectura de documentos en otros idiomas y conversión de los propios escritos a otros idiomas. Eloundou et al.(2023)estima que las tareas centradas en el procesamiento del lenguaje, incluida la traducción y la redacción, son las áreas más fuertemente afectadas por los grandes modelos de lenguaje. Por ejemplo, leer borradores de contratos de socios comerciales en el extranjero o redactar guías para clientes multilingües.

  • Asistencia en la creación de código:Asistencia en la escritura de programas, funciones de hojas de cálculo y scripts. Peng et al.(2023)demostró mediante experimentación controlada que los desarrolladores que utilizaban GitHub Copilot completaban tareas 55,8% más rápido que quienes no lo usaban. Por ejemplo, crear funciones complejas en hojas de cálculo, crear scripts de agregación de datos o explicar código existente.

  • Generación de esquemas e ideas:Generación de materiales para comenzar a pensar, como la estructura de documentos, opciones de planes o enfoques de preguntas. En el experimento de Dell'Acqua et al.(2023), las tareas creativas como la lluvia de ideas para nuevos productos y la propuesta de segmentación de mercado también estaban dentro de las áreas donde la IA destaca. Por ejemplo, generar múltiples patrones de esquemas para presentaciones o identificar puntos de debate en talleres.

  • Propuestas de respuesta para consultas de clientes estándar:Redacción de respuestas a consultas frecuentes. Brynjolfsson et al.(2025)mostró que con la introducción de IA en departamentos de atención al cliente, el número de casos resueltos por hora aumentó en promedio un 14%, y en personal menos experimentado un 34%. Por ejemplo, generar propuestas de respuesta a consultas estándar como métodos de devolución u horarios de operación, que el personal confirma antes de enviar.

Lo común a todos estos es que son tareas transversales a la organización, que se completan a nivel individual y cuyo resultado puede verificarse inmediatamente por la persona. Sin embargo, también hay limitaciones, y como se denomina "brecha de aprendizaje" en MIT NANDA(2025), los productos de IA general no retienen el contexto empresarial, no aprenden de los comentarios ni se adaptan a los flujos de trabajo empresariales, por lo que dejan de usarse en tareas complejas y continuas(mientras que el 70% elige IA para tareas simples, el 90% elige personas para tareas complejas y a largo plazo). Además, el "IA en la sombra" donde los empleados utilizan productos de contratos individuales en el trabajo genera problemas de control como envíos de información confidencial a terceros y falta de claridad en la responsabilidad, por lo que debe abordarse no mediante prohibición sino mediante adopción oficial y establecimiento de reglas de uso(MIT NANDA, 2025; Haag & Eckhardt, 2017).

En caso de personalización

Se trata de configurar instrucciones propias de la empresa(indicaciones del sistema), documentos internos a consultar y funciones de sistemas internos llamables para una serie de productos de IA general, constituyéndolos como "asistentes internos" para usos específicos. Como los GPTs de ChatGPT(OpenAI, 2023), Projects de Claude(Anthropic, 2024)o Microsoft Copilot Studio(Microsoft, 2023), se utilizan funciones de configuración preparadas por el fabricante del producto y se pueden configurar sin escribir código.

  • Primera respuesta consultando conocimiento interno:Tareas que responden preguntas consultando conocimiento que existe como documentos, como regulaciones internas, manuales o preguntas frecuentes pasadas. La investigación avanza como "generación aumentada por búsqueda(RAG)" que busca documentos externos y refleja los resultados en las respuestas(Lewis et al., 2020), y se puede implementar mediante funciones de configuración del producto. Por ejemplo, respuestas iniciales a consultas estándar al departamento de sistemas de información como "método de configuración de VPN" o al departamento de recursos humanos como "procedimiento de solicitud de licencia parental".

  • Generación de documentos conforme al formato y tono de la empresa:Tareas que adaptan los resultados de la IA general a los estándares de formato y expresión de la empresa. El efecto de eficiencia en la creación de documentos que mostró Noy & Zhang(2023)puede reproducirse consistentemente en toda la organización sin diferencias individuales estableciendo muestras e instrucciones que se ajusten a los estándares de la empresa. Por ejemplo, unificar el tono de correos electrónicos dirigidos a clientes al de la empresa o estructurar informes en la composición de encabezados prescrita.

  • Clasificación y distribución de documentos recibidos:Tareas de clasificar consultas y solicitudes según su contenido y determinar el departamento responsable o prioridad. Brynjolfsson et al.(2018)organizó que las tareas con entradas y salidas claras y alta frecuencia son más adecuadas para el aprendizaje automático, siendo la clasificación un ejemplo típico. Por ejemplo, clasificar el contenido de formularios de consulta en categorías como "facturación", "técnico" o "cancelación" y distribuirlos al personal responsable.

  • Automatización de tareas individuales que abarcan múltiples herramientas existentes:Tareas que abarcan herramientas empresariales genéricas como calendario, correo, documentos y hojas de cálculo. Productos como Copilot Studio de Microsoft(2023)proporcionan funciones de integración con herramientas empresariales por parte del fabricante. Por ejemplo, crear actas de reunión a partir de grabaciones, registrar puntos de decisión en herramientas de gestión de tareas y preparar borradores de correo para partes interesadas como una serie de tareas.

  • Apoyo en la incorporación de nuevos empleados:Un propósito para que personal con experiencia limitada pueda investigar procedimientos de trabajo y terminología interna. Brynjolfsson et al.(2025)mostró que el efecto de la IA es mayor en personal con experiencia limitada(aumento de productividad del 34%), y un asistente que consulta conocimiento interno tiene como objetivo este efecto. Por ejemplo, permitir que los nuevos empleados verifiquen inmediatamente desde regulaciones internas "¿quién necesita aprobar esta solicitud?".

Hay limitaciones, y lo que se puede cubrir con este método es solo "referencia de conocimiento", no "ejecución de tareas". No es apropiado para integración en procesos empresariales donde se reciben datos en sistemas empresariales, se toman decisiones y se escriben resultados hacia atrás(MIT NANDA, 2025). Por ejemplo, si se hace referencia a un documento con criterios de revisión, se puede responder a "¿cómo interpretar este artículo?", pero no se puede ejecutar la tarea empresarial en sí de leer figuras presentadas, confrontarlas con los artículos aplicables y crear registros de revisión. Además, la calidad de las instrucciones y documentos de referencia establecidos, la verificación de la precisión de las respuestas y la actualización de documentos son responsabilidad de la empresa, y si los documentos de referencia se vuelven antiguos, las respuestas incorrectas continúan, y el comportamiento puede cambiar con actualizaciones de modelos de base(Gao et al., 2023; NIST, 2023). Por lo tanto, la personalización de IA general debe dirigirse a "respuestas iniciales que consulten documentos internos" y "eficiencia de tareas individuales", y es racional hacer la transición a productos especializados o desarrollo interno cuando sea necesaria la integración en procesos empresariales.

Tareas donde los agentes de IA especializada son apropiados

Sin personalizar

Se trata de utilizar productos de IA diseñados específicamente para campos de tareas particulares, como revisión de documentos legales, asistencia en la creación de registros médicos, inspección de permisos de construcción, atención al cliente y procesamiento contable, con funciones y procedimientos estándar sin modificación. Incorporan conocimiento, datos, flujos de trabajo, criterios de evaluación y cumplimiento regulatorio del campo de tareas particulares sobre el modelo de base, y asumen integración con sistemas empresariales.

  • Revisión de documentos legales y análisis de contratos:Verificación de cláusulas de contratos, investigación de jurisprudencia y leyes, asistencia en la creación de documentos. Según Menlo Ventures(2025), derecho es el segundo campo de mayor gasto en IA vertical después de sanidad(650 millones de dólares), y productos especializados como Harvey incorporan sistemas de jurisprudencia, leyes y contratos en el producto. Por ejemplo, confrontar cláusulas de contratos comerciales con cláusulas estándar propias, presentando desviaciones y fundamentos.

  • Creación de registros médicos y consulta de información clínica:Registro de contenido de consulta, consulta de literatura médica y directrices. En Menlo Ventures(2025), sanidad es el campo de mayor gasto en IA vertical(1.500 millones de dólares), y productos como OpenEvidence incorporan literatura médica y directrices clínicas. Por ejemplo, crear un borrador de registro clínico a partir de conversación de consulta, que el médico confirma y finaliza.

  • Primera respuesta de atención al cliente y ejecución de procesamiento:Tareas que operan todo el flujo desde recepción de consultas, consulta de información de clientes, ejecución de procesamiento como reembolsos o cambios de reserva, hasta registro. Productos como Sierra lo proporcionan como un flujo completo integrado con sistemas de gestión de clientes. El aumento de productividad en atención al cliente que mostró Brynjolfsson et al.(2025)también fue resultado de IA integrada en sistemas empresariales. Por ejemplo, responder consultas sobre estado de envío refiriendo datos reales del sistema de gestión de pedidos, llegando incluso a coordinar reenví si es necesario.

  • Soporte y automatización del desarrollo de software:Creación, corrección, revisión y prueba de código. Además de la aceleración del 55,8% que mostró Peng et al.(2023), productos especializados en desarrollo como Cursor proporcionan complementos con comprensión de toda la base de código y edición de múltiples archivos, convirtiéndose en el campo con mayor ingresos entre productos de IA especializada. Por ejemplo, implementar nuevas funciones con comprensión de la base de código existente y generar pruebas.

  • Inspección y comparación basadas en leyes y normas regulatorias:Tareas de confrontar documentos de solicitud o figuras con leyes o normas y determinar conformidad. Eloundou et al.(2023)mostró que tareas que incluyen verificación y comparación de documentos basadas en reglas son campos fuertemente afectados por grandes modelos de lenguaje, y en tales campos han aparecido productos especializados que incorporan sistemas de leyes, métodos de lectura de documentos y figuras, y operaciones específicas de agencias. Por ejemplo, en inspección de permisos de construcción, confrontar figuras presentadas con la Ley de Normas de Construcción, crear un borrador de puntos de observación usando artículos aplicables como fundamento.

  • Procesamiento estándar de contabilidad y back office:Procesamiento de facturas, contabilización, confirmación de gastos, procesamiento de diversas solicitudes. MIT NANDA(2025)reporta que mientras que los campos de ventas y marketing atraen atención, el beneficio máximo real se obtiene en back office, generando efectos a escala de cientos de millones de dólares anuales como reducción en costos de tercerización y tarifas de agentes. Por ejemplo, leer facturas recibidas, confrontar con datos de pedidos, contabilizar en sistema contable.

Lo común a estos es que conocimiento especializado, leyes regulatorias y formatos de datos específicos de la industria definen las tareas, y las capacidades genéricas del modelo de base por sí solas no alcanzan nivel práctico(Dell'Acqua et al., 2023), y que dentro de la industria los procedimientos y criterios de decisión se comparten generalmente, alcanzando alto grado de encaje con productos estándar(Davenport, 1998; Soh et al., 2000). Lo que MIT NANDA(2025)señaló como característica de empresas exitosas, "herramientas profundamente integradas en operaciones, que aprenden con el tiempo", es lo que intentan proporcionar los productos especializados. Por ejemplo, Morgan Stanley construyó un sistema de búsqueda y resumen para asesores financieros basado en más de 100.000 reportes de investigación propios mediante asociación con OpenAI, siendo este un buen ejemplo de "co-desarrollo con proveedor" donde la capa del modelo se obtiene externamente, la capa de datos es de propiedad de la empresa, y la capa de flujo de trabajo se construye conjuntamente con el proveedor(Morgan Stanley, 2023).

En caso de personalización

Formato de configuración de productos especializados dentro del rango proporcionado por la empresa, reflejando criterios de decisión, procedimientos, formatos y flujos de aprobación propios, e integración mediante API con sistemas empresariales propios. El principio de mantenerse en configuración e integración sin tocar la modificación del cuerpo del producto no es diferente del software tradicional(Brehm et al., 2001).

  • Reflejo de criterios y formatos de decisión por organización: Los fundamentos de la decisión (leyes, normas, directrices) son comunes en la industria, pero el énfasis, el formato de registro y la expresión de hallazgos varían según la organización. Strong & Volkoff (2010) categorizan el desajuste entre organización y sistema en seis tipos: funcionalidad, datos, usabilidad, función, control y cultura organizacional, mostrando la necesidad de distinguir lo que debe absorberse mediante configuración de lo que requiere cambios en los procesos.

  • Integración con sistemas empresariales existentes: Conectar el producto especializado con sistemas de recepción existentes, sistemas de gestión de clientes, sistemas de gestión documental y sistemas de contabilidad, eliminando la transcripción manual. Como señala Hasselbring (2000), la integración no debe acumularse mediante conexiones individuales, sino estructurarse dentro del rango de funciones de conexión estándar (API) que proporciona el producto, que es la condición de mantenibilidad. Por ejemplo, conectar un producto especializado de servicio al cliente con el sistema de gestión de pedidos de la empresa para que la IA pueda consultar datos reales y responder consultas sobre devoluciones o estado de envíos.

  • Configuración de puntos de verificación humana y flujos de aprobación: El trabajo de la IA en un procesamiento inicial y definiendo bajo qué condiciones las personas verifican y aprueban. El marco de gestión de riesgos de IA del NIST (2023) requiere supervisión humana proporcional a la magnitud del riesgo y el diseño de procedimientos para detectar y corregir errores. Por ejemplo, los hallazgos de auditoría relacionados con no conformidades graves siempre se verifican por un auditor antes de notificar al solicitante, o los reembolsos superiores a una cantidad determinada requieren aprobación del supervisor.

  • Incorporación de retroalimentación de expertos: Utilización de un mecanismo para reflejar correcciones y evaluaciones de expertos usuarios en la mejora del producto. El análisis de Brynjolfsson et al. (2025) sobre la IA de soporte al cliente también mostró un mecanismo mediante el cual se utilizan registros de respuestas de profesionales experimentados para proporcionar información similar a todos los miembros del equipo.

  • Configuración del rango de referencia de datos y permisos: El trabajo de definir el rango de datos que la IA puede consultar y las operaciones que puede ejecutar según departamento y rol. El NIST (2023) considera la clarificación del rango de manejo de datos y permisos de acceso como elementos fundamentales de la gobernanza del sistema de IA. Por ejemplo, permitir que los empleados de la sucursal consulten solo datos de clientes de su sucursal, mientras que los administradores corporativos consulten agregaciones de toda la empresa.

Como limitación, cuando el flujo de trabajo que presupone el producto difiere fundamentalmente del flujo de la empresa, la acumulación de configuraciones no lo resolverá. Similar al desajuste de software tradicional (Soh et al., 2000), es necesario decidir si cambiar el proceso, seleccionar un producto diferente o separar la parte única. Si comienzan a aumentar los procesos personalizados fuera del producto, significa que "el producto especializado no se ajusta al negocio" o "esa parte es el núcleo diferenciador que debe desarrollarse internamente", lo que lleva al juicio de desarrollo interno que se describe a continuación (Brehm et al., 2001).

Procesos apropiados para desarrollo interno

Una forma de construir internamente el mecanismo (RAG) de hacer que la empresa consulte y acceda a sus propios datos utilizando API de modelos base, aprendizaje adicional del modelo (ajuste fino), agentes que combinan múltiples procesos, etc. (Lewis et al., 2020; Bommasani et al., 2021).

  • Nuevas áreas donde no existen productos especializados en el mercado: El negocio de la empresa se encuentra en la etapa "emergente" en el eje de madurez del mercado, y no existen productos especializados apropiados aún (Wardley, 2020). Sin embargo, dado que el mercado de productos especializados se está expandiendo rápidamente (Menlo Ventures, 2025), "no existe ahora" no significa "no existirá el próximo año", requiriendo cuestionarse regularmente la razón para continuar con el desarrollo interno. Por ejemplo, la detección de anomalías dirigida a equipos e instalaciones únicas de la empresa, como procesos que existen solo en la empresa dentro de la industria, deben construirse internamente hasta que aparezca un producto.

  • Áreas donde no se pueden pasar datos a productos externos debido a restricciones regulatorias o de confidencialidad: Trabajo donde, por regulaciones, no se pueden enviar datos de clientes o datos confidenciales a servicios externos, requiriendo un mecanismo que funcione bajo el control de la empresa. Por ejemplo, una razón por la que JPMorgan Chase eligió desarrollo interno fue que bajo regulaciones financieras no podía compartir datos confidenciales externamente (JPMorgan Chase, 2025). Sin embargo, en muchos casos, esta restricción puede resolverse mediante la forma de prestación de productos especializados (operación dentro del entorno de la empresa, contratos de uso no educativo de datos), por lo que es necesario confirmar si realmente requiere desarrollo interno.

  • Cuando se integra IA en el producto o servicio de la empresa: Para empresas cuyo servicio central es software, la IA que se integra en él es, por definición, el núcleo de diferenciación (Andreessen, 2011). Por ejemplo, al agregar funcionalidad de IA orientada al cliente a un producto SaaS propio, esa funcionalidad es un elemento diferenciador de productos competidores, e integrar directamente un producto especializado externo sería renunciar a la diferenciación. Sin embargo, incluso en este caso, la capa de modelo generalmente se adquiere externamente, siendo común que la empresa desarrolle las capas de flujo de trabajo y datos.

En la decisión de desarrollo interno, el sistema de IA se divide en "capa de modelo", "capa de flujo de trabajo" y "capa de datos". La capa de modelo se commoditiza más rápidamente, utilizándola a través de API y manteniendo un diseño no fijado a un proveedor específico (OpenAI, Google, etc.). La capa de datos es el activo complementario más importante, asegurando funcionalidad de exportación en desarrollo interno o AI especializado (Teece, 1986). Para la capa de flujo de trabajo, el enfoque es AI genérica para tareas personales genéricas, productos especializados para operaciones comunes de la industria, desarrollo interno si es el núcleo de diferenciación y no existen productos. Si no se puede construir internamente un sistema de desarrollo, mantenimiento y evaluación por expertos en áreas que afectan vidas, propiedades o derechos legales, se elige un producto especializado con ese sistema (NIST, 2023; Moffatt v. Air Canada, 2024).

Marco de adopción de IA

Aquí, sobre la base de lo compilado hasta ahora, se presenta un marco práctico paso a paso sobre cómo considerar la adopción de IA. La premisa de este marco es que la decisión se debe tomar por "unidad de negocio" en lugar de "sistema completo", y "no se termina una vez decidido" sino que se revisa periódicamente.

Paso 1: Descomponer operaciones y separar en núcleo y contexto

  • Pensar en unidades de negocio en lugar de unidades de sistema: Plantear la pregunta "¿construir o comprar el sistema central?" o "¿adoptar IA?" es en sí mismo el comienzo del fracaso. El sistema central se compone de numerosas operaciones de diferentes naturalezas: contabilidad, compras, inventario, ventas, producción, etc., y cada una requiere una forma apropiada diferente. Primero, descomponer operaciones hasta una granularidad que sea posible juzgar.

  • Clasificar cada operación en núcleo y contexto: Siguiendo la distinción de Moore (2005), clasificar cada operación como "actividad que lleva directamente a la razón por la cual el cliente elige la empresa (núcleo)" y "actividad necesaria pero sin problema si se hace igual que los competidores (contexto)". Dado que el personal de campo tiende a sentir que sus operaciones son "especiales e importantes", la clasificación debe realizarse conjuntamente entre la dirección y el personal operativo, desde la perspectiva del cliente.

  • Limitar el núcleo a pocos: Es normal que el número de operaciones clasificadas como núcleo sea limitado. Prahalad & Hamel (1990) afirman que las empresas que enumeran más de 5-6 competencias principales malinterpretan su significado, y Moore (2005) argumenta que las actividades se desplazan del núcleo al contexto con el tiempo, por lo que la mayoría de los recursos se consumen en el contexto. Si la clasificación resulta en múltiples núcleos, replantear "¿Otro hace esto?" o "¿El cliente elige nuestra empresa por esto?" de uno en uno, la mayoría se desplazarán al contexto. Por ejemplo, un resultado donde 6 de 10 operaciones se clasifican como núcleo es casi una indicación segura de que los criterios son demasiado laxos.

  • Limitar a operaciones aptas para IA: Confirmar por cada operación las condiciones mostradas en el capítulo "Operaciones apropiadas para adopción de IA" (¿centrado en lenguaje y documentos?, ¿salida verificable?, ¿dentro de los límites de capacidad?, ¿variación en nivel de experiencia?, ¿posibilidad de diseñar responsabilidad y mecanismos de corrección?, ¿alta frecuencia?).

Paso 2: Cinco pruebas de decisión

Se aplican secuencialmente cinco pruebas por operación, agregando el eje de viabilidad a los cuatro ejes del capítulo anterior.

  • Prueba de diferenciación: ¿Realizar esta operación de forma única tiene valor visible para el cliente, es difícil que los competidores imiten y conduce a ventaja sostenible? Solo responda "sí" si cumple los cuatro criterios de VRIO, en cuyo caso considere desarrollo interno. Si responde "no", determine la forma de compra con las siguientes pruebas. Por ejemplo, el sistema de reposición de Walmart es "sí", pero su reembolso de gastos es "no".

  • Prueba de especificidad de activos: ¿Es la forma de proceder en esta operación única para la empresa, o es esencialmente igual a otras empresas del mismo sector? Si es igual, proceder con adopción de producto existente; si es única, re-verificar "¿esta singularidad pasa la prueba de diferenciación?". La singularidad que no conduce a diferenciación es un objetivo para ajustar el proceso a estándares. Por ejemplo, la singularidad de "nuestra aprobación es de 5 etapas" no conduce a diferenciación, por lo que ajustar al estándar de 3 etapas es el objetivo.

  • Prueba de madurez del mercado: ¿En qué etapa de evolución se encuentra el mercado de productos dirigidos a esta operación? Si hay múltiples proveedores compitiendo y la funcionalidad está estandarizada (etapa de producto/comodidad), proceder con adopción de producto existente; si el producto no existe o es inmaduro (etapa emergente/construcción propia), proceder con desarrollo interno. Por ejemplo, la gestión de clientes tiene un mercado de productos maduro, pero la optimización de un proceso de fabricación especial de la empresa puede no tener producto y requiere desarrollo interno. En el caso de IA, confirmar en tres etapas: ¿es suficiente IA genérica?, ¿existe un producto especializado?, ¿no existe?

  • Prueba de velocidad de cambio: ¿Qué tan rápido cambian los requisitos que rigen esta operación? En áreas de cambio rápido, la ventaja de productos existentes que pueden externalizar el costo de mantenimiento es mayor. Por ejemplo, operaciones con cambios regulatorios anuales u operaciones directamente afectadas por la evolución del modelo base son más racionales externalizando el seguimiento mediante adopción de producto existente a un proveedor.

  • Prueba de capacidad: ¿Posee la empresa el personal, presupuesto y organización para construir este sistema y continuar mejorando y manteniendo durante 5 a 10 años después de su operación? Si no, aunque otros tests indiquen desarrollo interno, buscar la opción de personalizar productos existentes o desarrollo conjunto para incorporar requisitos propios en el lado del producto. Por ejemplo, si una organización con solo 2 desarrolladores elige desarrollo interno, la renuncia de esos 2 se convierte en la vida útil del sistema.

Solo las operaciones donde los cinco tests indican desarrollo interno son objetivos de desarrollo interno. Si algún test indica adopción de producto existente, tratarlo como una advertencia que indica riesgo de desarrollo interno, considerando adopción de producto existente (IA genérica o agente especializado de IA). En particular, la prueba de capacidad tiene un veto de rechazo que anula los resultados de los otros cuatro tests.

Paso 3: Evaluar costos y valor en todo el ciclo de vida

  • Comparar por costo total de propiedad (TCO) en lugar de costo de desarrollo: El costo de la implementación interna se subestima significativamente si se considera solo el costo de desarrollo inicial. Los costos anuales de mantenimiento alcanzan del 15 al 20% del costo de desarrollo (Boehm, 1981), y la proporción del mantenimiento y operación en el costo del ciclo de vida se estima en del 5 al 7% (Lientz & Swanson, 1980) a del 85 al 90% en sistemas empresariales (Erlikh, 2000), por lo que el costo total de propiedad en 10 años es de 3 a 10 veces el costo de desarrollo inicial. Las estimaciones de productos existentes incluyen, además de las tarifas de uso, el costo de cambios operacionales, los costos de mantenimiento de las partes integradas y los costos futuros de cambio. Por ejemplo, según una encuesta de Panorama Consulting Group (2024), el costo mediano de un proyecto de implementación de ERP es de 450,000 dólares (aproximadamente el 0.2% de los ingresos anuales de la empresa objetivo), mientras que los grandes proyectos de desarrollo interno analizados por Bloch et al. (2012) tienen presupuestos superiores a 15 millones de dólares, lo que representa una brecha típica de 20 a 30 veces en comparación con la implementación de productos. Además, el lado del desarrollo interno incluye de 3 a 10 veces el costo inicial en gastos de mantenimiento y renovación futuros. Sin embargo, incluso con productos existentes, si se realizan amplias personalizaciones, pueden alcanzar el mismo orden de magnitud, como demuestran los casos de Lidl (aproximadamente 500 millones de euros) y la ciudad de Birmingham (más de 100 millones de libras) (Handelsblatt, 2018; Grant Thornton UK LLP, 2023).

  • Corregir estimaciones utilizando clase de referencia: Respecto a la estimación propia, se aplica la distribución de resultados de proyectos similares (Flyvbjerg et al., 2022) y se evalúa explícitamente la probabilidad de que el costo se exceda en más del doble. Si la gerencia no puede aceptar esta probabilidad, se excluye esa operación del alcance del desarrollo interno o se divide el tamaño para que el fracaso individual no sea catastrófico. Por ejemplo, basándose en una distribución de resultados que indica "1 de cada 6 proyectos ve triplicado su presupuesto", se divide la inversión por proyecto hasta un tamaño donde "triplicar el presupuesto no sería catastrófico para el negocio".

  • Evaluar el costo y la facilidad de salida: En cualquier forma de implementación, se evalúa "cuánta pérdida se puede contener si algo sale mal". Se estiman los costos y plazos requeridos para la cancelación e implementación de reemplazo de productos existentes, la suspensión del desarrollo interno y la transición a medidas alternativas, y se reconoce el valor en las opciones de salida (Keil, 1995). El valor de esta flexibilidad es mayor en áreas con mayor incertidumbre (Fichman, 2004). Por ejemplo, la opción de probar un producto de IA especializado bajo un contrato de 1 año y cancelar si no produce resultados no existe si se desarrolla internamente la misma funcionalidad.

  • Establecer el período de evaluación asumiendo una curva J: Si se juzga solo por los resultados del primer o segundo año después de la implementación, se puede interrumpir la inversión complementaria necesaria. El período de evaluación debe establecerse en al menos 5 años e incluir inversión complementaria durante ese período (rediseño de procesos y capacitación) en el presupuesto (Brynjolfsson et al., 2021). Por ejemplo, en el primer año de implementación del soporte de revisión por IA, el tiempo de procesamiento puede aumentar mientras los revisores se acostumbran al procedimiento de verificación de observaciones de IA, y si este período se juzga como "fracaso" y se interrumpe, se abandona la inversión antes de que se produzcan resultados.

  • Diferencia en la estructura de costos en el caso de IA: La API del modelo base opera con un modelo de precios por uso, lo que convierte los costos en costos variables en lugar de costos fijos. Si bien esto mejora la resistencia a las fluctuaciones de desempeño, los costos aumentan a medida que crece el uso. Según una encuesta de McKinsey (2026), el 20% de las empresas reporta que los costos operacionales de IA son una limitación en el uso. Además, los costos de inferencia continúan disminuyendo rápidamente, por lo que es peligroso juzgar "que sería más barato operar un modelo internamente" basándose en precios actuales. Por ejemplo, no es inusual que el costo de procesamiento por transacción se reduzca a una fracción en un año, y las estimaciones deben incorporar la tendencia de disminución de precios.

Paso 4: Establecer puntos de control que aborden factores de fracaso por fase

Para los factores por fase identificados en la sección sobre causas de fracaso, se establecen los siguientes puntos de control para cada fase.

  • Lo que se debe confirmar en la fase de planificación e inversión: Confirmar si existe un registro en el que el nivel de implementación y el responsable se deciden por unidad de negocio, si la estimación se corrige por clase de referencia (distribución de resultados de proyectos similares) (Flyvbjerg, 2006; Flyvbjerg et al., 2022), si la inversión complementaria como rediseño de procesos, capacitación y estructura operativa está presupuestada (Brynjolfsson et al., 2021), y si se divide por unidad de negocio en lugar de construirse de forma integral (Flyvbjerg & Gardner, 2023). Esto corresponde a "error de juicio en la forma de implementación", "sesgo de planificación", "omisión de inversión complementaria" y "expansión del alcance". Por ejemplo, confirmar si la propuesta se divide en contabilidad, compras e inventario, cada una con nivel de implementación, responsable y presupuesto indicados por separado, en lugar de una sola propuesta titulada "renovación del sistema central".

  • Lo que se debe confirmar en la fase de especificación de requisitos y selección de productos: Confirmar si se han identificado desajustes entre el producto y las operaciones, y se ha decidido si "cambiar el proceso" o "separarlo" (Soh et al., 2000; Davenport, 1998), si se ha evaluado la continuidad del vendedor, los medios para exportar datos y las condiciones de rescisión de contrato (Shapiro & Varian, 1999), y si la empresa tiene personal propio capaz de gestionar la especificación de requisitos y la gestión del vendedor (Feeny & Willcocks, 1998; Lacity et al., 2009). En el caso de IA, además de esto, confirmar si se ha realizado una prueba a pequeña escala con datos operacionales reales para confirmar los límites de capacidad (Dell'Acqua et al., 2023). Por ejemplo, confirmar si el contrato se realiza después de crear una lista de dónde el producto no pudo procesar correctamente al ingresar decenas de casos anteriores de la empresa, en lugar de seleccionar el producto basándose en una demostración.

  • Lo que se debe confirmar en la fase de diseño, desarrollo y personalización: Confirmar si han surgido personalizaciones que constituyen cambios al producto base, si se mantienen dentro del alcance de configuración e integración (Brehm et al., 2001), si es clara la entidad responsable de integrar el todo y de la calidad (U.S. Government Accountability Office, 2014), y si está planeado el pago de deuda técnica (Cunningham, 1992; McKinsey, 2020). Por ejemplo, una operación donde se juzga para cada solicitud de cambio si "esto puede manejarse mediante configuración o requiere escribir código", y si se requiere código, es obligatoria la aprobación del responsable.

  • Lo que se debe confirmar en la fase de pruebas, migración y puesta en marcha: Confirmar si las pruebas de carga, pruebas de aceptación y validación de migración de datos se realizaron según lo planeado (Somers & Nelson, 2001; U.S. Government Accountability Office, 2014), si se consideró migración gradual u operación paralela (Markus & Tanis, 2000), y si existe una puerta de etapa donde se decide "continuar, cambiar o parar", con el tomador de decisiones separado del promotor (Keil, 1995). En el caso de IA, además de esto, confirmar si se han establecido procedimientos y responsabilidades para la detección y corrección de errores (NIST, 2023; Moffatt v. Air Canada, 2024). Por ejemplo, que la reunión de decisión de puesta en marcha sea presidida por un responsable de otro departamento en lugar del promotor del proyecto, y que se documente de antemano el criterio "no se operará si hay asuntos importantes no resueltos en las pruebas".

  • Lo que se debe confirmar en la fase de operación, mantenimiento y evolución: Confirmar si se han asegurado la estructura y presupuesto de mantenimiento (Lientz & Swanson, 1980; Boehm, 1981), si hay documentación y compartición de conocimiento preparadas para cambios de personal (Rigby et al., 2016), si se ha implementado cambio de procesos de negocio y capacitación (Aral & Weill, 2007), y si hay estrategias para cambios de precios del vendedor y fin de producto (Farrell & Klemperer, 2007). En el caso de IA, además de esto, confirmar si hay procedimientos de seguimiento para actualizaciones y descontinuación de modelos base, y si hay monitoreo continuo de la calidad de salida (NIST, 2023). Por ejemplo, una operación donde en el primer año después de la puesta en marcha se verifica si "los documentos de diseño están actualizados", "¿el mantenimiento continuaría si se fuera un desarrollador clave?" y "¿cuál es la tasa de utilización de licencias?".

Paso 5: Revisar periódicamente

  • Reejecución anual de la prueba de madurez del mercado: Para el área en la que desarrolla internamente, confirmar "¿hubo cambios en el mercado de productos durante este año?". Si ha surgido un producto, replantee la razón para continuar con el desarrollo interno. En el área de IA, particularmente la aparición de productos especializados es rápida, por lo que se recomienda una frecuencia de revisión de cada seis meses. Por ejemplo, el sistema de búsqueda y resumen de documentos internos desarrollado internamente hace un año probablemente ahora tenga múltiples productos que proporcionan funcionalidad equivalente o superior.

  • Detectar obsolescencia del núcleo: Confirmar si la operación que en su momento pasó la prueba de diferenciación ha cambiado de contexto debido a la réplica de competidores o estandarización de la industria. Por ejemplo, el sistema de pedidos en línea que fue un punto fuerte único hace 10 años a menudo se ha convertido en una función estándar de la industria en la actualidad, y la racionalidad de continuar con el desarrollo interno en esa parte se ha perdido.

  • Reflejar cambios en personal y capacidades: Si hay rotación de desarrolladores clave u cambios organizacionales, los resultados de la prueba de capacidades cambian. Según la situación del personal, considere una transición de desarrollo interno a implementación de productos existentes, o una transición a desarrollo conjunto con proveedores de productos. Por ejemplo, cuando se retira el diseñador de un sistema de IA desarrollado internamente, debe considerarse seriamente una transición a un producto especializado equivalente.

  • Principio cuando hay duda: Para operaciones donde hay incertidumbre en la decisión, comience con implementación de productos existentes e identifique el potencial de diferenciación durante la operación. Es posible hacer la transición a desarrollo interno posteriormente, pero hacer la transición de desarrollo interno a implementación de productos existentes después significa abandonar los gastos de desarrollo realizados, siendo mucho más difícil. Bajo incertidumbre, es racional comenzar con opciones reversibles. Por ejemplo, en la implementación de IA, la ruta con menor pérdida es: primero soporte a trabajo individual con IA general, luego integración en procesos de negocio con productos especializados, y solo luego el núcleo de diferenciación que aún no se llena mediante desarrollo interno.

Conclusión

Para casi todas las empresas y organizaciones, la implementación de IA se ha convertido en un tema esencial de consideración, existiendo opciones entre implementar productos existentes o desarrollar internamente, y muchas personas están considerando cómo juzgar. Esperamos que el contenido de esta sección sirva como orientación para sus consideraciones y decisiones.

Referencias

  • Andreessen Horowitz. (2025). How 100 enterprise CIOs are building and buying gen AI in 2025. a16z. Resumen: Un informe de investigación basado en una encuesta de 100 CIOs empresariales que reporta que la adquisición de aplicaciones de IA está transitando de desarrollo interno a compra de productos externos, que el 37% de las empresas utilizan 5 o más modelos simultáneamente, que algunas empresas están alcanzando un punto donde la IA genera la mayor parte del código en el dominio del desarrollo de software, entre otros hallazgos.

  • Aral, S., & Weill, P. (2007). IT assets, organizational capabilities, and firm performance: How resource allocations and organizational differences explain performance variation. Organization Science, 18(5), 763–780. Resumen: Investigación que demuestra que el resultado de la inversión en TI no depende del monto invertido, sino de la combinación de la composición de activos de TI y las capacidades organizacionales (habilidades, procesos comerciales digitalizados y cultura de utilización de TI).

  • Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99–120. Resumen: Documento fundamental de la teoría basada en recursos (VRIO) que sostiene que la ventaja competitiva sostenida surge de recursos que son valiosos, escasos, difíciles de imitar y utilizados organizacionalmente.

  • Bessen, J. (2022). The new Goliaths: How corporations use software to dominate industries, kill innovation, and undermine regulation. Yale University Press. Resumen: Obra que argumenta que empresas como Walmart y Amazon construyen ventaja competitiva mediante software propietario no disponible en el mercado, lo que conduce a la concentración industrial y al estancamiento de nuevas participaciones. Demuestra las condiciones bajo las cuales el desarrollo interno genera ventaja competitiva.

  • Bloch, M., Blumberg, S., & Laartz, J. (2012). Delivering large-scale IT projects on time, on budget, and on value. McKinsey Quarterly. Resumen: Informe de investigación conjunta con la Universidad de Oxford que analiza más de 5.400 proyectos de TI, demostrando que los proyectos de gran escala superan presupuestos en más del 45% en promedio e incumplen con el valor esperado en un 56%.

  • Bloomberg. (2025, May). Klarna CEO says AI customer service push went too far, plans to hire humans again. Bloomberg News. Resumen: Reportaje de entrevista en el que el CEO de Klarna reconoce la degradación de la calidad del servicio al cliente mediante IA y anuncia planes para contratar nuevamente a empleados humanos.

  • Brehm, L., Heinzl, A., & Markus, M. L. (2001). Tailoring ERP systems: A spectrum of choices and their implications. Proceedings of the 34th Hawaii International Conference on System Sciences. Resumen: Investigación que clasifica los métodos de ajuste de ERP en nueve niveles, desde «configuración» hasta «modificación de código fuente», demostrando que niveles más profundos incrementan riesgo técnico, costos de mantenimiento y pérdida de soporte.

  • Brooks, F. P. (1975). The mythical man-month: Essays on software engineering. Addison-Wesley. Resumen: Clásico de gestión del desarrollo de software que incluye la Ley de Brooks: «Agregar personal a un proyecto retrasado lo atrasa aún más».

  • Brooks, F. P. (1987). No silver bullet: Essence and accidents of software engineering. IEEE Computer, 20(4), 10–19. Resumen: Documento que diferencia la dificultad del software en «dificultades esenciales» (complejidad, conformidad, variabilidad, invisibilidad) y «dificultades accidentales», argumentando que las primeras no pueden resolverse con herramientas o métodos.

  • Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. Quarterly Journal of Economics, 140(2), 889–942. Resumen: Estudio empírico de gran escala que demuestra que la introducción de IA generativa en departamentos de atención al cliente incrementa la productividad en promedio un 14%, con efectos especialmente notables en empleados menos experimentados.

  • Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. Resumen: Investigación que demuestra que los efectos de la adopción de tecnologías de propósito general siguen una «curva J», donde el impacto no aparece inicialmente porque requiere inversión complementaria en activos intangibles, pero luego se acelera.

  • Capital One. (2020, December 1). Capital One completes migration to the cloud and closes its last data center [Press release]. Resumen: Documento de comunicado de prensa de un gran banco estadounidense que anuncia el cierre de los ocho centros de datos y la migración completa de infraestructura a AWS. Caso de ejemplo de externalización de capa de infraestructura en industrias reguladas.

  • Carr, N. G. (2003). IT doesn't matter. Harvard Business Review, 81(5), 41–49. Resumen: Documento que argumenta que la TI se ha comoditizado como infraestructura similar a la electricidad o ferrocarriles, y no genera ventaja competitiva por sí sola, por lo que debe enfatizarse la minimización de gastos y gestión de riesgos.

  • Cunningham, W. (1992). The WyCash portfolio management system. OOPSLA '92 Experience Report. Resumen: Reporte que expresó por primera vez mediante la metáfora de «deuda técnica» cómo los compromisos de diseño acumulados como atajos a corto plazo incrementan continuamente los costos de cambio posteriores.

  • Davenport, T. H. (1998). Putting the enterprise into the enterprise system. Harvard Business Review, 76(4), 121–131. Resumen: Documento que analiza cómo los ERP incorporan supuestos del proveedor sobre la forma de conducir negocios, forzando a las empresas que los adoptan a tomar una decisión estratégica: «¿ajustar el sistema a los procesos o ajustar los procesos al sistema?»

  • Dell'Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Working Paper No. 24-013). Harvard Business School. Resumen: Investigación experimental con 758 consultores que demuestra que la capacidad de la IA presenta una frontera «dentada»: dentro de esta frontera la productividad aumenta significativamente, mientras que fuera de ella la tasa de aciertos disminuye.

  • Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An early look at the labor market impact potential of large language models. arXiv:2303.10130. Resumen: Investigación que estima que aproximadamente el 80% de los trabajadores estadounidenses se verían afectados por modelos de lenguaje de gran escala en al menos el 10% de sus tareas laborales, y el 19% en al menos el 50%, demostrando que la IA es una tecnología de propósito general.

  • Erlikh, L. (2000). Leveraging legacy system dollars for e-business. IT Professional, 2(3), 17–23. Resumen: Documento que estima que el mantenimiento y operación representan el 85-90% del costo total del ciclo de vida de los sistemas empresariales, destacando la magnitud de los costos de mantenimiento de sistemas heredados.

  • Farrell, J., & Klemperer, P. (2007). Coordination and lock-in: Competition with switching costs and network effects. In M. Armstrong & R. Porter (Eds.), Handbook of industrial organization (Vol. 3, pp. 1967–2072). Elsevier. Resumen: Literatura que organiza teóricamente el impacto de costos de cambio y efectos de red en la competencia de mercado, demostrando cómo los costos de cambio otorgan poder de fijación de precios a los proveedores.

  • Ferdows, K., Lewis, M. A., & Machuca, J. A. D. (2004). Rapid-fire fulfillment. Harvard Business Review, 82(11), 104–110. Resumen: Documento que analiza cómo Zara (Inditex) completa el ciclo desde diseño hasta venta en tienda en dos semanas operando un modelo de negocio integrado con un sistema de información desarrollado internamente y simplificado, demostrando cómo un sistema completamente adaptado al modelo de negocio genera ventaja competitiva.

  • Flyvbjerg, B. (2006). From Nobel Prize to project management: Getting risks right. Project Management Journal, 37(3), 5–15. Resumen: Documento que propone la «predicción de clase de referencia» como medida contra errores de estimación: corregir presupuestos utilizando distribuciones de resultados de proyectos similares.

  • Flyvbjerg, B., & Budzier, A. (2011). Why your IT project may be riskier than you think. Harvard Business Review, 89(9), 23–25. Resumen: Documento que analiza 1.471 proyectos de TI, demostrando que aunque el sobrecosto promedio es del 27%, uno de cada seis proyectos constituye un «cisne negro» con sobrecostos del 200% e incumplimientos de plazo del 70%.

  • Flyvbjerg, B., Budzier, A., Lee, J. S., Keil, M., Lunn, D., & Bester, D. W. (2022). The empirical reality of IT project cost overruns: Discovering a power-law distribution. Journal of Management Information Systems, 39(3), 607–639. Resumen: Estudio que analizó 5,392 proyectos de TI y demostró que los sobrecostos siguen una distribución potencial (colas gruesas). Advierte que las estimaciones basadas en distribuciones normales subestiman los sobrecostos extremos.

  • Gartner. (2025, June 25). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027 [Press release]. Resumen: Comunicado de prensa que predice que más del 40% de los proyectos de IA agentica serán cancelados por razones de coste, valor indefinido y gestión insuficiente del riesgo. Señala el prevalente "agent washing" entre miles de proveedores autoproclamados, de los cuales solo aproximadamente 130 poseen funcionalidad genuina de agente.

  • Grant Thornton UK LLP. (2023). Birmingham City Council: Statutory recommendations under Section 24 of the Local Audit and Accountability Act 2014. Resumen: Informe de auditoría externa que identifica el sobrecosto presupuestario y la disfunción en la gestión financiera de la implementación de Oracle en el Ayuntamiento de Birmingham, señalando la excesiva personalización como una de las causas principales.

  • Handelsblatt. (2018, July). Lidl stoppt Milliardenprojekt mit SAP. Handelsblatt. Resumen: Artículo que informa sobre la cancelación de la implementación de SAP en Lidl tras 7 años y aproximadamente 500 millones de euros invertidos, atribuyendo la causa a la excesiva personalización motivada por la rigidez en los métodos de valoración de inventario.

  • House of Commons Committee of Public Accounts. (2013). The dismantled National Programme for IT in the NHS (Nineteenth Report of Session 2013–14). The Stationery Office. Resumen: Informe parlamentario que verifica los costes y lecciones tras la desmantelación del programa integrado de historiales electrónicos (NPfIT) del NHS británico, sintetizando los problemas de los grandes proyectos centralizados de desarrollo interno.

  • JPMorgan Chase. (2025). LLM Suite named 2025 "Innovation of the Year" by American Banker. JPMorgan Chase Technology Blog. Resumen: Documento corporativo que explica el desarrollo y la escala de despliegue de "LLM Suite", una herramienta de desarrollo interno que utiliza modelos base externos sobre infraestructura propia.

  • Kahneman, D., & Tversky, A. (1979). Intuitive prediction: Biases and corrective procedures. TIMS Studies in Management Science, 12, 313–327. Resumen: Artículo que identifica el "sesgo de planificación" —la tendencia a ignorar casos similares pasados y realizar estimaciones desde una perspectiva interna— y propone correcciones mediante un enfoque externo.

  • Keil, M. (1995). Pulling the plug: Software project management and the problem of project escalation. MIS Quarterly, 19(4), 421–447. Resumen: Estudio que analiza los factores por los cuales proyectos de TI que muestran signos de fracaso continúan siendo financiados ("escalamiento"), y demuestra la necesidad de mecanismos formales para la toma de decisiones de cancelación.

  • Klarna. (2024, February 27). Klarna AI assistant handles two-thirds of customer service chats in its first month [Press release]. Resumen: Documento corporativo que anuncia que el asistente de IA desarrollado internamente utilizando un modelo base externo procesa dos tercios de los chats de atención al cliente, equivalente al trabajo de 700 personas.

  • Koch, C. (2002). Hershey's bittersweet lesson. CIO Magazine. Resumen: Artículo que reporta cómo Hershey, tras experimentar fallos de envío por un cambio simultáneo de ERP en 1999, logró completar una gran actualización en 2002 con éxito mediante una migración gradual en período de baja actividad y pruebas exhaustivas, terminando antes del plazo y bajo presupuesto.

  • Koch, C. (2004). Nike rebounds: How (and why) Nike recovered from its supply chain disaster. CIO Magazine. Resumen: Artículo que reporta cómo Nike, tras el fracaso de su sistema de predicción de demanda en 2000, transformó la modernización de sistemas nucleares a una implementación gradual por región y función, completando el proyecto sin incidentes mayores para 2006.

  • Lacity, M. C., Khan, S. A., & Willcocks, L. P. (2009). A review of the IT outsourcing literature: Insights for practice. Journal of Strategic Information Systems, 18(3), 130–146. Resumen: Revisión sistemática de investigación empírica en externalización de TI que sintetiza la superioridad del externalización selectivo, el diseño de contratos y la importancia de las capacidades del cliente, presentado para la práctica.

  • Lehman, M. M. (1980). Programs, life cycles, and laws of software evolution. Proceedings of the IEEE, 68(9), 1060–1076. Resumen: Artículo que formaliza las "leyes de evolución del software": los programas en uso real deben cambiar continuamente o su valor disminuye, y la complejidad aumenta con cada cambio.

  • Lientz, B. P., & Swanson, E. B. (1980). Software maintenance management: A study of the maintenance of computer application software in 487 data processing organizations. Addison-Wesley. Resumen: Estudio clásico que encuestó actividades de mantenimiento de software en empresas y fue el primero en demostrar sistemáticamente que más de la mitad del costo del ciclo de vida se destina al mantenimiento.

  • McKinsey & Company. (2026). The state of AI: Global survey 2026. QuantumBlack, AI by McKinsey. Resumen: Encuesta basada en 1,719 participantes de 97 países que reporta: la adopción de IA alcanza 88%, solo 37% de empresas reportan impacto en EBIT, 80% de respondedores perciben mejora en productividad personal, 32% de empresas eligieron auto-desarrollo mediante herramientas de codificación de IA, y 20% citan costos operacionales de IA como restricción.

  • Menlo Ventures. (2025). 2025: The state of generative AI in the enterprise. Menlo Ventures. Resumen: Análisis de gasto empresarial en IA generativa que reporta: compra de productos externos 76% versus auto-desarrollo 24% (cambio significativo hacia compra respecto al año anterior), gasto en IA verticalmente especializada alcanzó 3.5 mil millones de dólares, y solo 16% de empresas operan agentes autónomos.

  • MIT NANDA. (2025). The GenAI divide: State of AI in business 2025. Massachusetts Institute of Technology. Resumen: Encuesta basada en entrevistas a 52 organizaciones y 153 individuos que reporta: 95% de pilotos de IA generativa no alcanzan impacto en resultados, la tasa de llegada a producción de productos externos (67%) duplica la de auto-desarrollo (33%), e identifica una "brecha de aprendizaje" que obstaculiza la adopción sostenida.

  • Moffatt v. Air Canada, 2024 BCCRT 149 (Civil Resolution Tribunal of British Columbia, 2024). Resumen: Sentencia canadiense del Tribunal de Resolución Civil de Columbia Británica que reconoce responsabilidad de la aerolínea por orientación incorrecta de un chatbot y ordena indemnización.

  • Moore, G. A. (2005). Dealing with Darwin: How great companies innovate at every phase of their evolution. Portfolio. Resumen: Obra que clasifica las actividades empresariales en "core" (que genera diferenciación) y "context" (necesario pero sin diferenciación), argumentando que toda actividad migra de core a context con el tiempo.

  • Nelson, P., Richmond, W., & Seidmann, A. (1996). Two dimensions of software acquisition. Communications of the ACM, 39(7), 29–35. Resumen: Artículo que aplica teoría de costos de transacción a la adquisición de software, organizando mediante dos ejes —"singularidad del negocio" e "incertidumbre de requisitos"— la idoneidad de compra de paquete, desarrollo a medida, auto-desarrollo y externalización.

  • Netflix. (2016, February 11). Completing the Netflix cloud migration. Netflix. Resumen: Comunicado corporativo que reporta la completación en 2016 de la migración a AWS iniciada en 2008 tras una falla de base de datos, cerrando el último centro de datos propio. Ejemplo de separación: delegación de infraestructura base con auto-desarrollo enfocado en diferenciación.

  • Panorama Consulting Group. (2023). The 2023 ERP report. Panorama Consulting Group. Resumen: Informe anual basado en encuestas continuas a empresas con implementaciones ERP que reporta tasas de sobrecosto y retrasos, y muestra que aproximadamente la mitad de las implementaciones excede presupuesto o cronograma, y menos de la mitad logra plenamente los resultados esperados.

  • Shapiro, C., & Varian, H. R. (1999). Information rules: A strategic guide to the network economy. Harvard Business School Press. Resumen: Libro fundamental de economía de la información orientado a la práctica que sistematiza las propiedades económicas de los bienes de información (costos de cambio, bloqueo, efectos de red, estandarización).

  • Soh, C., Kien, S. S., & Tay-Yap, J. (2000). Enterprise resource planning: Cultural fits and misfits: Is ERP a universal solution? Communications of the ACM, 43(4), 47–51. Resumen: Investigación que analiza la implementación de ERP en un hospital, clasificando los desajustes entre producto y organización en tres tipos (datos, funcionalidad, resultados) y demostrando que su resolución mediante personalización aumenta significativamente los costos a largo plazo.

  • Standish Group. (2015). CHAOS report 2015. The Standish Group International. Resumen: Informe que investiga continuamente la proporción de éxito, desafíos y fracaso en proyectos de software, demostrando que la tasa de éxito se mantiene alrededor del 30%.

  • Standish Group. (2020). CHAOS 2020: Beyond infinity. The Standish Group International. Resumen: Edición 2020 del informe CHAOS, que destaca que la tasa de éxito no ha cambiado significativamente en más de 20 años y que identifica la supresión de la demora en la toma de decisiones como factor clave de éxito.

  • Taima, M. (2026, June 12). ¿Qué tan grande debería ser el mercado objetivo para empresas de agentes de IA? — Teoría, casos y últimas investigaciones sobre TAM. mign. https://www.mign.io/articles/57854/ Resumen: Una columna que organiza la estructura en la que las empresas de IA de propósito general (OpenAI, Anthropic, Google) apuntan a la totalidad del trabajo del conocimiento, mientras que las empresas de agentes de IA especializados en industrias (Harvey, Cursor, Sierra, OpenEvidence, etc.) apuntan a los gastos de personal de industrias específicas, comparando cuantitativamente el concepto de Service-as-a-Software y los ingresos, mercados objetivo y logros de cada empresa.

  • Teece, D. J. (1986). Profiting from technological innovation: Implications for integration, collaboration, licensing and public policy. Research Policy, 15(6), 285–305. Resumen: Una de las obras más importantes en teoría de estrategia tecnológica que muestra las condiciones bajo las cuales las ganancias de la innovación fluyen hacia los titulares de activos complementarios necesarios para la comercialización, en lugar de hacia el inventor.

  • U.S. Government Accountability Office. (2014). Healthcare.gov: Ineffective planning and oversight practices underscore the need for improved contract management (GAO-14-694). Resumen: Informe de auditoría de la Oficina de Contabilidad del Gobierno de los EE.UU. que señala la ausencia de un responsable de integración, cambios frecuentes de requisitos e insuficiencia de pruebas como causas del fracaso en el lanzamiento de Healthcare.gov.

  • Wardley, S. (2020). Wardley maps: Topographical intelligence in business. Creative Commons(オンライン公開). Resumen: Obra que sistematiza una metodología para describir componentes de negocio como mapas, asumiendo que la tecnología y las actividades evolucionan de «emergencia → construcción propia → producto → comodidad», y para seleccionar métodos de adquisición apropiados en cada etapa.

  • Williamson, O. E. (1985). The economic institutions of capitalism: Firms, markets, relational contracting. Free Press. Resumen: Libro fundamental de economía de costos de transacción que precisa cómo tres elementos (especificidad de activos, incertidumbre y frecuencia) determinan si una transacción debe internalizarse o delegarse al mercado.

  • Zylo. (2023). 2023 SaaS Management Index. Zylo. Resumen: Informe de investigación que analiza datos de contratos SaaS de empresas, reportando que aproximadamente el 40% de las licencias contratadas no se utilizan, resultando en un desperdicio anual de aproximadamente 17 millones de dólares por empresa.

Compartir este artículo