La inversión en IA sigue creciendo. El impacto de negocio no avanza al mismo ritmo.
Los números son llamativos. Según la encuesta de Deloitte 2025 a 1.854 ejecutivos de Europa y Oriente Medio, el 85% de las organizaciones aumentaron su inversión en IA en los últimos doce meses, y el 91% planea volver a aumentarla. Sin embargo, la mayoría de esas mismas organizaciones tienen dificultades para señalar un impacto de negocio significativo — no solo retornos financieros, sino las métricas upstream que los preceden: engagement del cliente, NPS, loyalty y la calidad de la relación con el cliente final.
Un estudio del MIT ampliamente citado encontró que el 95% de los proyectos de GenAI en todas las industrias no lograron resultados significativos. Y en CX específicamente, el CX Landscape Report 2025 de CallMiner reveló que el 62% de los líderes admite que raramente usa los datos de CX de forma óptima — y el 98% reporta dificultades para alinear esos datos entre departamentos.
Los presupuestos crecen. El impacto no sigue el ritmo. Algo falla estructuralmente.
Las explicaciones habituales no llegan al fondo
Cuando los analistas explican la brecha de impacto, tienden a señalar los culpables habituales: infraestructura de datos fragmentada, gestión del cambio deficiente, plazos poco realistas, pilotos que nunca llegan a producción. Todo esto es real. Pero describe síntomas, no causas.
El problema de fondo es que la mayoría de los despliegues de IA en contextos de cara al cliente operan sin una comprensión adecuada del cliente. Tienen datos — logs de transacciones, click streams, métricas de uso del producto — pero los datos sobre lo que hacen los clientes no son lo mismo que entender quiénes son y por qué se comportan como lo hacen.
Un motor de personalización entrenado sobre el historial de compras puede predecir la próxima compra probable. No puede predecir cómo se siente un cliente, qué está impulsando un patrón de comportamiento inusual, o si una recomendación se sentirá relevante o intrusiva. Esa distinción es la diferencia entre una interacción que construye loyalty y una que se ignora — o peor, que erosiona la confianza.
Como le dijo un ejecutivo a los investigadores de Deloitte: "Todo el mundo está pidiendo a su organización que adopte IA, aunque no sepan cuál es el output. Hay tanto hype que creo que las empresas esperan que simplemente resuelva todo mágicamente."
Más IA sobre bases débiles
La ironía es que, a medida que la IA agéntica pasa del concepto al piloto, los riesgos de este problema aumentan. Los agentes que actúan autónomamente en nombre de los clientes — rebalanceando carteras, ajustando planes de consumo, recomendando productos — son tan buenos como el contexto con el que operan. Y un contexto construido enteramente sobre señales transaccionales es pobre.
Desplegar IA más sofisticada sobre la misma comprensión débil del cliente no cierra la brecha de impacto. La amplía. El agente se vuelve más rápido y más autónomo — pero sigue operando sin saber a quién está sirviendo realmente.
Lo que el impacto real requiere
El sector bancario y de wealth management ilustra la brecha con precisión. La encuesta GenAI 2025 de EY encontró que el 95% de los wealth y asset managers han escalado GenAI a múltiples casos de uso — pero solo uno de cada cuatro reportó un impacto de negocio sustancial. La tecnología está desplegada. La comprensión del cliente, no.
El impacto de negocio en CX — engagement que permanece, NPS que se mueve, loyalty que se convierte en revenue con el tiempo — depende de una sola cosa: que los clientes se sientan genuinamente comprendidos. No procesados. No segmentados. Comprendidos.
Eso requiere cerrar la brecha entre los datos conductuales y el verdadero customer mindset. Significa recopilar no solo lo que hacen los clientes, sino lo que piensan y sienten en el momento en que lo hacen — a través de interacciones naturales y de baja fricción que encajan en canales ya existentes como push notifications, WhatsApp o RCS. Significa construir una capa de contexto del cliente que se compone con el tiempo, y que da a los modelos de IA el input que necesitan para actuar bien, no solo rápido.
La brecha de impacto no es un problema tecnológico. La tecnología es capaz. Es un problema de contexto. Y el contexto es algo que hay que construir deliberadamente — a través de los canales adecuados, las interacciones adecuadas y la estrategia adecuada para convertir micro-señales en inteligencia de cliente significativa.
Las organizaciones que construyan esta base primero descubrirán que sus inversiones en IA empiezan a producir algo que sus despliegues actuales no producen: clientes que se sienten conocidos, y que actúan en consecuencia.