En los últimos años, la inteligencia artificial ha sido el motor impulsor de la transformación digital, prometiendo desde la automatización de procesos hasta la creación de valor en tiempo real para las grandes corporaciones. Sin embargo, la nueva oleada de críticas y regulaciones ha puesto a prueba la viabilidad de estos sistemas.

A nivel global, los centros de datos que alimentan modelos de IA profunda están cada vez más bajo el escrutinio de los gobiernos. El consumo energético, las emisiones de CO₂ y la dependencia de hardware especializado generan preocupaciones medioambientales que obligan a las empresas a replantear su estrategia de despliegue. Empresas como Google y Microsoft ya han anunciado planes para usar energía renovable, pero la transición no es instantánea ni exenta de costes.

En paralelo, los estados están introduciendo normativas específicas que restringen el uso de algoritmos en sectores sensibles. La nueva Ley de Protección de Datos de la Unión Europea, con su enfoque en la “IA Responsable”, exige auditorías de sesgo y trazabilidad de decisiones. En Latinoamérica, países como México y Chile están discutiendo regulaciones sobre el uso de algoritmos en la justicia y la banca. Estas restricciones obligan a las organizaciones a invertir en compliance antes de lanzar cualquier producto basado en IA.

El retorno de la inversión (ROI) también ha empezado a mostrar signos de volatilidad. Estudios de consultoras como McKinsey y Deloitte revelan que el 45 % de los proyectos de IA en empresas medianas no alcanzan la rentabilidad esperada en los primeros tres años. El problema radica en la sobreestimación de la capacidad de los modelos y en la falta de métricas claras que vinculen el rendimiento de la IA con resultados de negocio tangibles.

Además, la saturación del mercado de herramientas empresariales de IA ha generado un fenómeno de “cansancio tecnológico”. Soluciones que prometen automatizar la atención al cliente o la gestión de inventarios a menudo terminan siendo mal implementadas o simplemente no se adaptan al flujo de trabajo existente. El resultado es una pérdida de confianza en la tecnología, lo que lleva a los directivos a adoptar un enfoque más conservador.

Para entender por qué el escepticismo está en aumento, es útil analizar el ciclo de hype de la IA. Durante la fase de “exaltación”, la historia de éxito de modelos como GPT-3 y AlphaGo inspiró inversiones masivas. En la fase de “desilusión”, se revelan los límites técnicos y éticos, y la atención se desplaza a la regulación y la sostenibilidad. Ahora, la industria entra en la fase de “realidad”, donde la innovación debe ser guiada por la factibilidad práctica y la alineación con objetivos corporativos.

Esta transición tiene implicaciones críticas para los profesionales tech. El rol de los ingenieros de datos y de los científicos de datos debe incluir ahora competencias en auditoría de modelos, gestión de datos regulados y evaluación de impacto ambiental. Las empresas que inviertan en estas áreas estarán mejor posicionadas para superar la brecha entre promesa y entrega.

En conclusión, la IA no ha perdido su potencial; simplemente está siendo sometida a un escrutinio más riguroso. Los proyectos que sobrevivan a esta fase de “realidad” serán aquellos que integren robustas prácticas de gobernanza, métricas de rendimiento claras y un compromiso real con la sostenibilidad.