---
type: ART
asset_id: ART-EL-AIOrganizacional-WorkflowsYEcosistema-v01
version: v01
status: Draft
owner: Victor Heredia
sherpa_owner: Jay
fecha_creacion: 2026-05-20
fecha_ultima_actualizacion: 2026-05-20
fecha_migracion_bmf: 2026-05-20
intellbank: IB-EL-EmpowerLabs
subbank: PB-EL-Project-Bank
proposito: ART · AIOrganizacional WorkflowsYEcosistema · IB-EL-EmpowerLabs
nota_migracion: Frontmatter BMF agregado en batch masivo 2026-05-20 · Workbench FASE 5C · proposito pendiente revisión manual
---

# Por qué el 40% de los proyectos de IA van a fracasar y qué se necesita para no estar en esa lista

## La pregunta que nadie hace antes de comprar IA

Gartner calcula que más del 40% de los proyectos de IA agéntica van a morir antes de 2027. Costo, valor de negocio difuso, controles de riesgo insuficientes. No es que la tecnología falle. Es que las empresas no saben describir su propio trabajo antes de intentar automatizarlo.

Un CFO le pide a tres vendors que le coticen IA para su proceso de orders-to-cash. Recibe tres propuestas completamente distintas. Ninguna describe el trabajo que su equipo hace en la práctica. Eso está pasando en miles de empresas ahora mismo: el equipo interno sabe que algo necesita, los vendors tocan la puerta ofreciendo soluciones que no entienden el problema, y nadie se detiene a definir con precisión qué es lo que hay que resolver.

Un equipo de cuentas por cobrar, por ejemplo, no tiene "un problema de IA". Tiene media docena de problemas distintos: priorización de cobranza, match de facturas, seguimiento a clientes, manejo de excepciones, aplicación de pagos, resolución de disputas, reporteo, escalaciones. Cada uno tiene una forma diferente, un nivel de juicio diferente, un costo de error diferente. Cuando metes todo eso en un solo RFP, lo que recibes es una herramienta mediocre que hace bien una cosa y cubre mal las demás.

La unidad de decisión para IA no es el departamento. No es el puesto. Es el workflow individual.


## Lo que realmente significa "workflow"

Cuando hablo de workflow no me refiero a un prompt. Me refiero al loop operativo completo: qué información entra, qué puede hacer el sistema con ella, cómo se ve un buen resultado, quién revisa qué, qué se escala, quién es responsable del resultado final. El modelo de IA es una pieza pequeña dentro de ese loop. Importante, sí, pero no es la única pieza y probablemente no es la más difícil de resolver.

La pieza más difícil es poder describir ese workflow con claridad. Y aquí cae la frase que debería estar pegada en la pared de toda sala de juntas donde se discuta inversión en IA: no automatices lo que no puedes describir.

Si no puedes explicar en lenguaje llano cuáles son tus inputs, cuáles son tus outputs, cuáles son los estándares, cuáles son las excepciones, y quién es dueño del resultado, vas a tomar malas decisiones de inversión. Punto. No importa qué tan bueno sea el modelo o qué tan impresionante sea el demo del vendor.


## Los cinco movimientos que tienes

Una vez que entiendes la forma de tu workflow, las opciones se reducen a cinco:

**Automatizar.** Borrar el workflow. Funciona cuando el trabajo se repite seguido, sigue un patrón claro, las excepciones son reconocibles y verificar la calidad es barato.

**Construir.** Cuando el workflow es específico de tu empresa, tiene muchas excepciones, depende de contexto interno (tus datos, tus estándares, tus gates de aprobación, tus umbrales de riesgo), necesitas construirlo tú. No es un chatbot. Es un loop agéntico con skills, conectores, sub-agentes, llamadas a datos, y probablemente pedazos de herramientas que compraste integrados dentro.

**Comprar.** Si el trabajo es genérico y el mercado tiene soluciones maduras, compra. Pero hay niveles. Puedes comprar primitivas (componentes básicos que tu equipo de desarrollo apila en múltiples workflows) o puedes comprar una solución completa de workflow (tipo Harvey para legal). Si compras lo segundo, necesitas estar seguro de que hay un 80-90% de traslape entre cómo ellos imaginan el workflow y cómo funciona el tuyo. Si no, vas a gastar más tiempo ajustando que el que te ahorraste comprando.

**Contratar.** Muchas empresas buscan al unicornio morado: el experto de dominio que además es AI builder, arquitecto de sistemas, líder de cambio y tiene experiencia ejecutiva. Esa persona rara vez existe. La pregunta correcta es: ¿qué capacidad humana le falta a mi equipo para los workflows que estoy armando en los próximos 6-12 meses? Quizá es confianza de dominio, quizá es ingeniería de workflows, quizá es diseño de evaluaciones, quizá es ownership ejecutivo. Contrata para ese gap específico y hazlo rápido, porque el mercado de talento AI se mueve más rápido que tu proceso de selección.

**Esperar.** No todo tiene que resolverse ahora. Si un workflow está bajo en tu lista de prioridades, espera. No es que no hagas IA. Es que aplicas tus recursos limitados de change management donde obtienes más apalancamiento primero y te expandes desde ahí.

La mayoría de las veces la respuesta correcta es una combinación. Compras primitivas, construyes el workflow, y contratas al ingeniero que lo mantenga.


## La convergencia de los billones

Ahora sube un nivel y mira lo que está pasando en el mercado. Tres fuerzas están convergiendo en el mismo punto:

Private equity tiene un problema. Durante años, las empresas SaaS "todas sabían igual" desde el balance: mismas métricas de crecimiento, misma rentabilidad, muy fáciles de analizar como vehículo de inversión. Eso se rompió. Muchas empresas SaaS no saben cómo hacerse relevantes en un mundo donde los agentes de IA pueden hacer workflows completos. Los fondos de PE que tienen empresas SaaS en sus portfolios con vencimientos en 2026, 2027, 2028 están buscando desesperadamente cómo convertir esas empresas en algo vendible. Por eso están poniendo capital detrás de deployment companies de IA agéntica.

Los hyperscalers (Anthropic, OpenAI) descubrieron que no pueden quedarse sentados en sus oficinas bonitas hablando de lo fácil que es implementar IA. Tienen que poner ingenieros dentro de las empresas, sentados junto al cliente, ensuciándose las manos con la implementación real. Anthropic armó una deployment company con Blackstone, Hellman & Friedman y Goldman Sachs con 1,500 millones de dólares. OpenAI está haciendo algo similar con un venture valorado cerca de 10,000 millones. Cuando la empresa que fabrica el modelo te dice que el cuello de botella no es el modelo sino toda la capa de implementación, hay que prestar atención.

Las empresas (Fortune 500 y medianas por igual) pasaron de no entender la diferencia entre un chat y un agente a estar desesperadas por implementar workflows agénticos. Algo cambió en diciembre de 2025 y se ha acelerado desde entonces. Gente que llevaba años en modo co-pilot ahora entiende lo que los agentes pueden hacer porque los agentes se volvieron lo suficientemente buenos para completar workflows enteros de forma confiable. Eso es nuevo. Es un fenómeno de primavera 2026.

Las tres fuerzas convergen en una pregunta: ¿quién es dueño de la capa de implementación?


## Donde vive el valor real

Porque el valor no está en el modelo. El modelo es la pieza que hace que todo funcione, pero es commodity. Lo venden Anthropic, OpenAI, Google, y cada vez más players. El valor está en lo que rodea al modelo:

**Diseño del workflow.** Qué decisiones toma el modelo, qué pasos son humanos, dónde están los handoffs, qué cuenta como terminado. No es un prompt. Es un proceso definido donde cada paso tiene un dueño, un input y un output.

**Acceso a datos.** Cuáles fuentes de verdad lee el agente, qué permisos aplican a nivel de fila y campo, cuáles registros son autoritativos y cuáles están viejos.

**Autoridad.** Qué puede hacer el agente contra qué sistemas. Con qué límites de gasto o compromiso. Leer tiene un perfil de riesgo. Escribir tiene otro completamente distinto.

**Evaluaciones.** Cómo mides si el output del agente es correcto, completo y seguro antes de que llegue a cualquier lado. Las evals no son un benchmark. Son la forma en que calificas la adherencia del modelo a reglas de negocio específicas.

**Trazabilidad y recuperación.** Qué se logea, qué puede reconstruir un auditor después de una falla, qué pasa cuando el agente hace algo mal, cómo se revierte una acción, quién en la empresa mantiene el sistema afinado y actualizado.

Todos los vendors te van a decir que te venden eso. A menos que vengan a construirlo contigo dentro de tu empresa, no te lo están vendiendo. Te están vendiendo el modelo con un wrapper y llamándolo solución.


## Cuatro presiones que están apretando el mercado

Hay cuatro fuerzas que están comprimiendo a todos los que juegan en este espacio:

Los labs de frontera están bajando por el stack. Anthropic y OpenAI ya no solo venden el modelo y dejan que otros construyan alrededor. Están lanzando agentes especializados (Claude para finanzas, para diseño, Codex para código), están contratando ingenieros para embeber en empresas, están montando deployment companies. Cuando lanzan algo, lee la señal: no es que vayan a reemplazar a Bloomberg, sino que están diciendo públicamente dónde creen que la IA ya es lo suficientemente buena para capturar valor.

Las consultoras están subiendo por el stack. McKinsey, BCG, Accenture, Capgemini, PwC ya están dentro de los programas de alianza de OpenAI y Anthropic. No están solo haciendo change management. Están entrenando equipos de delivery en deployment de producción y llegando con ingenieros que pueden conectar IA con sistemas operativos. Tienen décadas de relaciones con los tomadores de decisión, lo cual les da una ventaja sobre cualquier startup que también esté vendiendo agentes.

Los sistemas de registro están abriendo interfaces agénticas. Salesforce, ServiceNow, Workday, SAP: todos están exponiendo APIs y frameworks para que agentes de IA actúen dentro de sus sistemas. No necesitan a un startup sentado entre sus datos y el agente del cliente. Quieren que el agente llame a su plataforma directamente, con sus permisos y su audit trail.

Private equity se convirtió en canal de distribución. Un fondo de PE que tiene 50 empresas en su portfolio puede instalar un mismo partner de deployment en todas, comparar resultados entre empresas y estandarizar playbooks donde los patrones se repiten. Esa forma de distribución es radicalmente diferente a la venta empresa por empresa que hacen la mayoría de los startups.


## Mientras tanto, las organizaciones se están aplastando

En paralelo a todo esto, las empresas están eliminando capas gerenciales a velocidad acelerada.

Cisco despidió miles de personas al mismo tiempo que reportó ingresos récord. El CFO dijo que no era por ahorro sino por "optimización de estructura". Coinbase recortó 14% de su plantilla con dos directrices: máximo cinco capas debajo del CEO y cero pure managers (todo el mundo tiene que ser contribuidor individual activo). GitLab anunció que va a remover tres capas de management y crear 60 equipos planos de I+D. Bayer pasó de 12 capas a 6 y eliminó 12,000 posiciones (50% de sus managers).

Los números cuentan la historia. En los 90s, el promedio era 5 reportes directos por manager. Para 2010 subió a 7. Para 2023, justo antes de la explosión de IA, era 8. El objetivo para 2026 en la mayoría de las empresas tech es 15. Meta en sus labs de IA aplicada está intentando 50 contribuidores por manager usando agentes.

Y funciona. Los números de revenue por empleado lo demuestran. Anthropic genera 9 millones de dólares por empleado. OpenAI 5.5 millones. Nvidia 5 millones. Meta 2.6 millones. Apple 2.4 millones. Más ingreso con menos gente, y el cuello de botella son las capas gerenciales intermedias.

Hay una explicación matemática para esto que se conoce desde 1975. Los nodos de comunicación en un equipo crecen de forma exponencial: 3 personas = 3 nodos, 6 personas = 15 nodos, 30 personas = 435 nodos, 150 personas = más de 11,000 nodos. Cada capa de management que agregas multiplica esa complejidad. Las organizaciones AI-native pueden comprimir esa curva porque la IA absorbe buena parte de la coordinación y el procesamiento de información que antes hacían los managers intermedios.

Los managers intermedios hoy gastan aproximadamente 23% de su tiempo en trabajo administrativo y 18% en trabajo de contribuidor individual. Casi la mitad de su día es trabajo que un sistema de IA bien integrado puede absorber. El problema es que los managers son las personas que más tardan en actualizar sus conocimientos técnicos. Llevan carreras enteras donde pudieron delegar cada revolución tecnológica a alguien técnico del equipo. Con IA eso ya no funciona.


## La pregunta que nadie responde bien: si quitas las capas, ¿qué pones en su lugar?

Y aquí es donde todo se conecta con algo que pocas empresas están resolviendo.

Puedes eliminar capas de management. Los datos dicen que funciona. Pero esos managers, aunque ineficientes en muchos casos, cumplían funciones reales: traducían la estrategia en ejecución, mantenían contexto de lo que estaba pasando en su área, coordinaban entre equipos, escalaban excepciones, definían qué era un resultado aceptable.

No puedes simplemente borrar esas funciones y esperar que se resuelvan solas. Necesitas un sistema que las asuma. No una herramienta de IA genérica. Un sistema operativo organizacional.

Eso es lo que hace el ecosistema DOIX (Distributed Organizational Intelligence). Es un framework de inteligencia organizacional que funciona como la capa que asume las funciones de coordinación, contexto y traducción que antes hacían las capas intermedias de management.

DOIX tiene piezas específicas para cada parte del problema:

**WORX** es la metodología que operacionaliza la inteligencia organizacional. El MasterPlaybook de WORX define cada workflow como un XDoc: una unidad atómica de trabajo con owner, sponsor, runners, inputs, outputs, protocolo, dependencias, changelog. Cada paso tiene un dueño. Cada resultado tiene un estándar. Cada excepción tiene una ruta. Esto es exactamente lo que los videos describen como el prerrequisito que nadie tiene: la capacidad de describir el trabajo con la precisión suficiente para poder tomar buenas decisiones de inversión en IA.

Cuando alguien dice "no automatices lo que no puedes describir", WORX es lo que convierte el trabajo en algo describible.

**HiORG** define la estructura organizacional real: quién reporta a quién, con qué autoridad, sobre qué decisiones. Cuando aplastas 12 capas a 6, necesitas redefinir completamente cómo fluye la información y la autoridad. HiORG lo hace de forma explícita. Reduce los nodos de comunicación porque define quién habla con quién, sobre qué, y con qué autoridad. No dejas que el organigrama se defina por inercia.

**SherpaX** es el agente de inteligencia personal para cada ejecutivo, construido sobre un BrainOS (la memoria personal del ejecutivo) y un Corp-Brain-OS (la memoria organizacional compartida). Y aquí aparece un problema que los análisis de mercado todavía no están capturando bien: la presión cognitiva.

Un manager que pasa de coordinar 5 personas a coordinar 15 humanos más una flota de agentes de IA puede llegar a 450% de carga cognitiva respecto a su baseline anterior. Los agentes producen resultados rápido, pero alguien tiene que entenderlos, validarlos e implementarlos. Sin una capa que filtre, contextualice y priorice, el manager simplemente se quema.

SherpaX no es otro agente que produce más output. Es la interfaz que reduce carga cognitiva porque conoce el contexto del Brain OS, sabe qué estándar aplica a cada workflow, y puede filtrar señal de ruido. El humano narra conversacionalmente lo que necesita; el Sherpa traduce a estructura, propone cambios, y el humano confirma. El Sherpa propone, el humano decide. Siempre.

**BMF (BigMetaFactory)** es el sistema de producción de conocimiento que asegura que cada activo (documento, playbook, protocolo, análisis) tiene una identidad única, una ubicación correcta, una versión trazable y un dueño claro dentro del ecosistema. Es la infraestructura de naming, versionado y registro sin la cual cualquier intento de implementar inteligencia organizacional degenera en caos de archivos.

Si suena familiar, es porque el mercado está empezando a hablar de esto mismo con otro nombre: la "implementation layer" o "harness" alrededor del modelo. La capa donde vive el valor que dura.


## La matriz de inversión y dónde encaja todo esto

Si trazas dos ejes (qué tan específico es tu trabajo vs. qué tan maduro está el mercado de soluciones para tu vertical), caes en cuatro cuadrantes:

Trabajo genérico + mercado maduro: compra. Es Workday para HR, Stripe para pagos, cualquier helpdesk estándar.

Trabajo genérico + mercado inmaduro: prototipa o espera. La categoría se está definiendo. No firmes un contrato de cinco años para una categoría de herramientas que va a verse completamente diferente en 12 meses.

Trabajo específico de tu empresa + mercado con primitivas disponibles: compra las primitivas pero construye y sé dueño del workflow. Compra los conectores, compra el modelo, compra la orquestación, pero sé dueño del estándar operativo. Aquí es donde vive la mayoría de las empresas ambiciosas ahora mismo. Y aquí es donde un ecosistema como DOIX + WORX + SherpaX se vuelve la diferencia entre construir con intención y construir al aventón.

Trabajo específico + mercado inmaduro: construye. Hay valor que capturar y nadie más lo está haciendo. Pero necesitas claridad sobre qué estás construyendo, y eso requiere tener tus workflows documentados antes de escribir la primera línea de código.

Y si miras transversalmente, la contratación corta a través de toda la matriz. Si nadie en tu equipo puede definir el workflow, definir qué es un buen resultado, generar confianza de dominio, tu siguiente inversión probablemente es una persona, no una herramienta.


## Lo que viene y lo que no debería preocuparte

El World Economic Forum calcula que se van a crear 170 millones de empleos nuevos. 92 millones serán desplazados, lo que deja un incremento neto de 78 millones. No estamos en un escenario de destrucción masiva de empleo. Estamos en un escenario de reconfiguración masiva de cómo se estructura el trabajo.

La conversación seria no es "IA vs. personas". Es: ¿dónde deberían las personas maximizar su tiempo? ¿Dónde deberían subir de nivel? ¿Dónde hay gaps de talento reales para los que vale la pena contratar? ¿Dónde hay tareas dentro de una familia de puestos que la automatización ya puede absorber y las personas pueden redirigir su tiempo a trabajo de mayor impacto?

Esa conversación requiere que entiendas tus workflows. Que puedas hablar de ellos con especificidad. Que tengas conversaciones de inversión discretas sobre cada workflow que importa a tu negocio. Y que tengas un sistema operativo organizacional que no dependa de capas humanas que cada vez son más caras, más lentas, y más desconectadas de la misión.

El 82% de los managers se siente desconectado de su trabajo. Las empresas están aplastando estructuras. Los hyperscalers están invirtiendo miles de millones en deployment. PE está apostando a que los workflows agénticos son el próximo vehículo de valor de trillones de dólares. Y la gran mayoría de la humanidad ni siquiera ha probado inteligencia artificial.

Esto apenas empieza. Tu organización va a cambiar, quieras o no. Lo que tú decides es si cambia con intención y con un sistema que capture el valor, o si cambia por inercia y termina en la lista del 40% de Gartner.