2025 en retrospectiva: cuando la IA pasó de expectativa a realidad

• Una radiografía desde la trinchera en LambdaLoopers
• Lo que vimos en Q1: Dos tipos de proyectos, dos expectativas distintas
• La evolución hacia el Q2: Los grandes stoppers de los proyectos de IA
• El Q3 como catalizador del cambio: Quick wins, impacto real y gestión del cambio
• Un Q4 paradójico: Madurez, confusión y necesidad de control
• Conclusiones…. O lo que el 2025 dejó en claro
• Mirando a 2026

2025 será recordado como el año en que la inteligencia artificial dejó definitivamente de ser una conversación aspiracional para convertirse en una cuestión operativa. No porque apareciera una tecnología disruptiva (eso ya había ocurrido antes), sino porque muchas organizaciones se vieron obligadas a confrontar una pregunta incómoda: ¿qué hacemos realmente con todo esto?

Durante los últimos doce meses hemos mantenido más de un centenar de conversaciones con CTOs, VPs of Engineering, Technology e Engineering Managers, y hemos trabajado en decenas de proyectos de IA en distintos estados de madurez. No desde la teoría ni desde la demo, sino desde la implementación real, con equipos, datos, sistemas heredados y presión de negocio.

Este artículo no es una recopilación de tendencias ni una predicción de futuro. Es una radiografía desde la trinchera. Un intento de ordenar lo aprendido a medida que la IA pasaba de la expectativa a la realidad, trimestre a trimestre, decisión a decisión.

El año arrancó con un patrón bastante reconocible. Presupuestos recién aprobados, roadmaps en construcción y una presión clara por “hacer algo con IA”. En muchos casos, la pregunta no era si invertir, sino dónde y cómo.

En ese contexto empezaron a tomar forma dos grandes tipos de iniciativas.

Por un lado, proyectos de innovación exploratoria. Ambiciosos, modulares, con un alto componente experimental. Casos de uso abiertos, difíciles de acotar, donde el ROI era más una hipótesis que una métrica. Eran proyectos necesarios para aprender, pero frágiles desde el punto de vista operativo.

Por otro, iniciativas que se percibían rápidamente como mejoras operativas: automatización de procesos, soporte a la toma de decisiones, reducción de fricción en tareas repetitivas. Proyectos menos glamurosos, pero mucho más ágiles y fáciles de justificar ante negocio.

La “tensión” entre ambos enfoques apareció muy pronto. Los equipos técnicos intentaban proteger foco y calidad; negocio buscaba resultados visibles en meses, no en años. Y en medio de ese equilibrio inestable surgió un fenómeno recurrente.

Más que una tensión explícita entre enfoques, lo que apareció pronto fue una zona gris difícil de delimitar. Muchos proyectos quedaban atrapados entre innovación y negocio/operaciones, una frontera especialmente difusa cuando entra en juego la IA y su particular propuesta de valor. No eran lo suficientemente exploratorios como para asumirse como experimentales, ni lo bastante operativos como para integrarse con naturalidad en el día a día.

Durante Q1 se identificaron numerosas oportunidades de proyectos de IA. Se invertía tiempo en ideación, definición de alcance y presupuestación. Sin embargo, tras varias iteraciones, muchos de estos proyectos no llegaban a materializarse. No porque no fueran interesantes, sino porque al bajar al terreno de la arquitectura, los datos y la operación, el riesgo percibido crecía rápidamente.

Faltaba una traducción clara entre la ambición estratégica y la viabilidad técnica. Y ese vacío empezó a convertirse en uno de los grandes frenos del año.

A medida que avanzaba la primavera, el entusiasmo inicial dio paso a una fase más reflexiva -y en muchos casos más frustrante-. Los proyectos que habían arrancado comenzaron a encontrarse con límites estructurales que se repetían de organización en organización.

El primero fue la incertidumbre constante del ecosistema. Modelos, frameworks y proveedores evolucionaban a un ritmo difícil de seguir. Tomar decisiones técnicas empezaba a sentirse como apostar a largo plazo en un terreno que cambiaba cada pocas semanas. El miedo a elegir “mal” se convirtió en un freno real.

El segundo stopper fue la necesidad de control estratégico. La IA dejó de percibirse como una herramienta puntual y empezó a entenderse como una capacidad core. Y con ello apareció una preocupación legítima: depender de soluciones que no se comprendían del todo, o de proveedores que actuaban como cajas negras, resultaba difícil de justificar.

Ese rechazo a las cajas negras fue el tercer gran bloqueo. No solo por razones técnicas, sino también por gobernanza, seguridad y responsabilidad. ¿Quién entiende el sistema? ¿Quién lo puede mantener? ¿Quién responde cuando algo falla?

Por último, emergió con claridad una falta de formación práctica. Muchos equipos tenían una base técnica sólida, pero poca experiencia aplicando IA en contextos reales. Había mucho contenido teórico, pero poca confianza para llevar la tecnología al día a día.

A finales de Q2, el problema ya no era saber qué se podía hacer con IA. La pregunta clave era otra: ¿cómo lo hacemos sin perder el control?

En el caso de nuestra actividad comercial, esta pregunta se materializó de forma especialmente cruda. El primer trimestre fue desafiante; incluso podría decirse que terminó siendo un fracaso. Las oportunidades de proyectos de IA llegaban en volumen y ambición: propuestas de 30k o 50k que, en conjunto, superaban el medio millón de euros en pipeline. Sin embargo, la conversión fue mínima. No llegamos a cerrar ni el 5% de esa cifra, dejando en evidencia la distancia entre el interés que generaba la IA y la confianza real para llevar esos proyectos a producción.

El verano marcó un punto de inflexión. No tanto por nuevas tecnologías, sino por un cambio de enfoque. Muchas organizaciones empezaron a asumir que intentar resolverlo todo de golpe era parte del problema.

Desde nuestra propia experiencia de adopción interna (enfrentándonos a los mismos bloqueos, dudas y fricciones) vimos con claridad que la clave no estaba en más tooling, sino en marcos más simples y accionables. Casos de uso pequeños, acotados, con impacto visible y rápido. Ahí se produjo un avance real que no venía de grandes apuestas estratégicas, sino de encontrar el punto de intersección entre formación y acompañamiento, pruebas de concepto muy delimitadas (tanto a nivel de negocio como técnicas) y quick wins capaces de cambiar el día a día de los equipos.

Estos quick wins dejaron de verse como soluciones menores y pasaron a entenderse como palancas de cambio cultural. No se trataba de hacer demos, sino de introducir la IA en decisiones reales, en procesos que importaban y que se repetían cada semana.

Un ejemplo de este tipo de quick wins fue la productización interna. Creamos Chat-to-Data, un agente conversacional que permitía consultar datos de negocio directamente en lenguaje natural. Algo pequeño, muy concreto, pero con un efecto inmediato: reducía fricción, brindaba agilidad, acercaba la IA a perfiles no técnicos y generaba conversaciones distintas con negocio.

Ese tipo de iniciativas ayudaron a desbloquear algo más profundo: la gestión del cambio. Empezó a quedar claro que la adopción de IA no era solo un reto tecnológico, sino organizativo. Y que demostrar valor rápido (esa capacidad tan propia de la IA de que una PoC bien planteada pueda cambiarte el día a día) era clave para generar tracción. Un directivo podía conversar directamente con su base de datos. Una persona de marketing podía construir una landing sin pasar por desarrollo. Un diseñador podía crear una plataforma digital de forma autónoma. Casos cercanos, tangibles, difíciles de ignorar.

Menos teoría, menos charlas inspiracionales. Más práctica. Más experimentación guiada. Code Katas y formaciones de IA orientadas a casos reales empezaron a ganar protagonismo, permitiendo a los equipos integrar la IA en su día a día sin grandes discursos, pero con mucha repetición y aprendizaje incremental.

El resultado no fue solo impacto operativo. Fue un cambio en las conversaciones internas. La IA dejó de ser “algo del futuro” y empezó a ser “algo que usamos”.

El último trimestre del año llegó con una sensación ambivalente. Por un lado, más conocimiento y más experiencia acumulada. Por otro, más ruido. El mercado ofrecía cada vez más soluciones, muchas de ellas solapadas, y no siempre era fácil distinguir lo esencial de lo accesorio.

La discusión ya no giraba en torno a si usar IA, sino a cómo hacerlo de forma sostenible. Internalizar capacidades se convirtió en una prioridad clara. No para hacerlo todo en casa, sino para entender, decidir y evolucionar con autonomía.

Este deseo de control llevó a muchas organizaciones a buscar enfoques más modulares. En nuestro caso, esta necesidad cristalizó en Loopex, como una forma de acompañar a los equipos sin imponer cajas negras, transfiriendo conocimiento y construyendo capacidades internas desde la práctica.

En paralelo, empezó a tomar fuerza otro enfoque complementario: la creación de un Catálogo de Soluciones IA. No como productos cerrados, sino como soluciones productizadas (entre las que se encuentran Chat-to-Data), adaptables y pensadas para acelerar el time-to-value.

Un principio fue especialmente relevante: estas soluciones estaban diseñadas para no casarse con ningún proveedor ni framework concreto. En un ecosistema todavía cambiante, evitar el lock-in se convirtió en una decisión estratégica. Empezar rápido, pero sin hipotecar el futuro. Integrar IA en el stack existente, no imponerlo.

Este planteamiento tuvo un impacto directo en la conversión y en la ejecución de los proyectos. La productización y modularización de la IA nos permitió ofrecer tickets de entrada más bajos y sumar formaciones y code katas como parte estructural de la propuesta de valor. En los proyectos de mayor alcance, la clave estuvo en articular propuestas transversales capaces de escalar internamente: pasar de la innovación a resultados tangibles y, a partir de ahí, generar el impulso necesario para extender la IA a otras áreas de la organización.

A finales de año, el foco ya no estaba en probar por probar, sino en operar la IA con responsabilidad.

2025 nos dejó una certeza incómoda pero valiosa: la IA no falla por falta de potencial, falla cuando no se aterriza. A lo largo del año aprendimos que el verdadero reto no es tecnológico, sino de enfoque. Que empezar grande suele ser la forma más rápida de no empezar nunca. Y que el valor aparece cuando la IA toca el día a día de las personas, no cuando se queda en el slide o en la demo.

Desde la trinchera entendimos que avanzar implica combinar tres cosas con rigor: control, impacto y aprendizaje continuo. Control para evitar cajas negras y dependencias innecesarias. Impacto para demostrar valor rápido, con casos concretos que cambian cómo se trabaja. Y aprendizaje para construir capacidades internas que permitan escalar con criterio.

Ese aprendizaje es el que hoy cristaliza en nuestro enfoque: modular, práctico y orientado a resultados. Menos promesas, más uso real. Menos experimentos aislados, más sistemas que evolucionan. Porque cuando la IA deja de ser una expectativa y se convierte en una herramienta cotidiana, deja de generar ruido y empieza a generar confianza.

Si algo apunta 2026 es menos hype y más responsabilidad. Más autonomía en los equipos, menos ruido en el mercado, más integración de la IA en procesos core. No como un añadido, sino como una capa más del sistema.

La ventaja competitiva ya no estará en “usar IA”, sino en cómo se gobierna, cómo se integra y cómo se escala con criterio. Y eso, como hemos comprobado este año desde la trinchera, tiene mucho más que ver con personas, decisiones y contexto que con tecnología en sí misma.

El reto ya no es imaginar el futuro. Es construirlo, línea a línea, en producción.