El 80% de los proyectos de IA en marketing van a fracasar. La razón no es técnica.

El titular no es un clickbait técnico

Cuando digo que el 80 % de los proyectos de IA en marketing van a fracasar, no estoy hablando de modelos que alucinan o de APIs que caen un martes a las once. Estoy hablando de iniciativas que la dirección aprueba con entusiasmo, que consumen presupuesto y horas de equipo, y que seis meses después no cambian ni un solo KPI que importe en comité: CAC, LTV, conversión, pipeline o margen de contribución.

En consultorías, en startups y en scaleups españolas veo el mismo guion: piloto brillante, presentación con capturas, aplausos… y después silencio. El CRM sigue desconectado del discurso de «IA-first». El presupuesto de paid no baja porque la máquina «optimiza» copies que nadie valida contra histórico. El CMO firma herramientas; el CFO no ve retorno.

Gartner no publica exactamente un «80 %» para marketing, pero sí publica porcentajes de abandono tras proof of concept (POC) que, sumados a los proyectos que nunca llegan a producción o que producen sin medir, explican por qué este titular resuena en salas de dirección. La tesis de este artículo: la razón dominante del fracaso no es técnica. Es de negocio, datos y gobernanza mal resueltos antes de elegir herramienta.

Lo que dice Gartner (y por qué importa en marketing)

En julio de 2024, Gartner predijo que, de aquí al final de 2025, al menos el 30 % de los proyectos de IA generativa se abandonarán tras la fase de proof of concept. Las causas que cita la firma no son «el modelo no era GPT-5»: son calidad de datos deficiente, controles de riesgo inadecuados, costes crecientes y valor de negocio poco claro.

En análisis posteriores, Gartner ha llegado a hablar de que más del 50 % de los proyectos de GenAI se abandonan tras POC por las mismas razones estructurales. Son cifras conservadoras si solo contamos proyectos formalmente cerrados en informes de IT. En marketing, el denominador es más amplio: muchos «proyectos» ni siquiera llegan a registrarse como tal, son licencias sueltas, prompts compartidos en Slack o agencias que entregan «packs de IA» sin baseline de métricas.

Para un CMO, la pregunta útil no es «¿qué LLM usamos?» sino «¿qué porcentaje de nuestras iniciativas con IA tienen owner, KPI y fecha de revisión en comité?». Si la respuesta es baja, el 30 a 50 % de Gartner es un piso, no un techo. El 80 % del titular describe la experiencia agregada en departamentos que compraron la narrativa de la herramienta sin comprar el sistema.

Fuentes abiertas de Gartner también señalan que, en 2026, una fracción relevante de proyectos de IA fracasará si la organización no tiene datos «AI-ready», otro recordatorio de que el cuello de botella suele estar en el dato de marketing (atribución rota, UTMs inconsistentes, CRM con campos vacíos), no en el servidor de inferencia.

La razón no es técnica (aunque parezca que sí)

El marketing es especialmente vulnerable porque su output es visible y barato de simular. Generar veinte variantes de anuncio o un informe con tono corporativo crea la ilusión de productividad sin tocar el embudo. La tecnología funciona; el sistema alrededor no.

Tres síntomas no técnicos que veo repetirse:

Sin dueño de negocio. IT o una agencia «monta la IA». Nadie del equipo de growth firma el resultado contra un número. Cuando el piloto termina, no hay quién defienda el presupuesto operativo (tokens, Make, horas de revisión).

Sin línea base. Se compara «antes sin IA» vs «después con IA» sin controlar estacionalidad, mix de canal o cambios de producto. El comité pierde confianza; el proyecto muere por narrativa, no por tensor.

Sin gobernanza de marca y riesgo. Se automatiza lo que no debería automatizarse: claims regulatorios, pricing, respuestas a clientes. Un incidente de reputación mata más iniciativas que un timeout de API.

La ironía es que muchos equipos tienen talento técnico suficiente para el 80 % de los casos de uso de marketing. Lo que no tienen es el Framework operativo que convierta la IA en decisión repetible. Por eso insisto: dejad de evaluar solo demos y empezad a evaluar puertas.

Framework de las Tres Puertas (antes de comprar otra herramienta)

Propongo el Framework de las Tres Puertas para filtrar proyectos de IA en marketing. No sustituye a los frameworks de negocio primero o gobernanza que aplico en advisory; los concentra en una checklist que un CMO puede usar en una reunión de una hora. Ningún proyecto pasa a producción sin abrir las tres.

Puerta 1, Negocio. ¿Qué decisión mejora? ¿Quién es el owner? ¿Qué KPI mueve (CAC, LTV/CAC, tasa de activación, revenue por lead)? ¿Cuál es el umbral mínimo de éxito y en qué fecha se revisa? Si no hay respuesta escrita, el proyecto es un experimento de laboratorio, no de empresa.

Puerta 2, Datos. ¿De dónde sale la verdad? Ads, CRM, product analytics, finanzas. ¿Los datos están limpios enough para que un modelo o una regla no amplifique errores? Sin fuente de verdad, GenAI produce texto plausible y números falsos. Gartner lo dice explícitamente: mala calidad de datos mata POCs.

Puerta 3, Gobernanza. ¿Qué se automatiza sin revisión humana y qué no? ¿Quién aprueba outputs sensibles? ¿Cuál es el techo de coste mensual (tokens + integraciones + horas)? ¿Qué pasa si el proveedor sube precios o cambia términos? La gobernanza no es legal solamente; es operativa.

Un piloto que abre las tres puertas puede fallar igual, el mercado es incierto, pero falla aprendiendo. El 80 % que menciono suele tropezar en la puerta 1, a veces en la 2, casi nunca porque «faltaba fine-tuning».

Cinco errores que Gartner y el campo coinciden en ver

Gartner agrupa buena parte de los fracasos en patrones que encajan con lo que veo en España:

1. Valor de negocio difuso. «Estar presentes en IA» no es un objetivo. «Reducir tiempo de reporting semanal de 6 h a 1 h con el mismo comité» sí lo es.

2. Datos no preparados. Atribución multitouch mal implementada, eventos duplicados, leads sin scoring. La IA magnifica el caos.

3. Coste total ignorado. El precio por token parece ridículo hasta multiplicarlo por usuarios, idiomas y reintentos. Proyectos viables en POC se vuelven «cajas negras» en producción.

4. Riesgo subestimado. Sin TRiSM (trust, risk, security management, en el lenguaje de Gartner) ni equivalente práctico en marketing: voz de marca, cumplimiento, datos personales.

5. Selección de casos de uso incorrecta. Automatizar lo sexy (posts, imágenes) antes que lo útil (alertas de desviación de presupuesto, resúmenes de cohortes, calidad de leads).

Ninguno de estos puntos se arregla cambiando de ChatGPT a Claude. Se arreglan con disciplina de dirección de marketing.

Por qué en marketing el fracaso se siente como el 80 %

IT mide proyectos en backlog. Marketing mide campañas, quarters y atribución discutida. Cuando un CIO cierra un POC, hay ticket. Cuando un CMO deja de usar una herramienta de copy, simplemente deja de abrirla, no aparece en el informe de Gartner, pero sí en el coste hundido del año.

Además, marketing sufre presión narrativa: competidores que «ya usan IA», boards que preguntan en cada reunión, agencias que venden packs. Eso multiplica iniciativas paralelas sin portfolio management. El resultado agregado es una cola de pilotos zombie que consumen atención y restan foco a lo que sí mueve negocio.

En mi trayectoria como ex-CMO de Urbanitae y advisor en startups, el patrón de éxito no fue el modelo más avanzado; fue conectar IA (cuando ya existía en versión útil) a reporting, adquisición y contenido con dueños claros. Northmetra nació de esa necesidad de puerta 2 y 3 en presupuesto de marketing, no de enamoramiento por un LLM.

Qué hacer el lunes (sin proyecto de seis meses)

Auditoría de 90 minutos. Lista iniciativas de IA en marketing. Clasifícalas: ¿abren las tres puertas? Mata o congela el resto sin culpa.

Un solo KPI compartido con finanzas. Ejemplo: coste por lead cualificado o días para cerrar reporting mensual. Sin número compartido, no hay proyecto.

Baseline de cuatro semanas. Misma definición de métrica, mismo CRM, mismos canales. Luego introduce IA en un solo paso del proceso.

Reglas de gobernanza en una página. Qué no se automatiza. Quién revisa. Techo de gasto. Esto tranquiliza a legal y a marca.

Diagnóstico de métricas antes de escalar. Si tu CAC o LTV/CAC están fuera de benchmark del sector, la IA no arregla un modelo de negocio roto, solo lo documenta más rápido. Herramientas como el diagnóstico gratuito en este sitio existen para anclar esa conversación.

Si necesitas visión de stack y agentes, la demo Orbit o la landing de IA aplicada al marketing pueden ayudar, pero solo después de las tres puertas, no antes.

Conclusión: la IA ganará en marketing, pero no en el laberinto

Gartner tiene razón en el diagnóstico estructural: abandono masivo tras POC, datos malos, costes y valor poco claro. Mi 80 % es la lectura desde la sala de marketing: pilotos infinitos, poco impacto en KPI, herramientas huérfanas. La salida no es «más tecnología». Es negocio primero, datos con fuente de verdad y gobernanza explícita, las tres puertas.

Los CMOs que ganen en los próximos dos años no serán los que más prompts publiquen en LinkedIn. Serán los que conviertan IA en decisiones medibles: qué canal cortar, qué mensaje escalar, qué presupuesto mover antes de fin de mes. El resto seguirá comprando demos hasta que el CFO cierre el grifo.

Si quieres revisar tus tres puertas con alguien que ha construido marketing desde cero en fintech y acompaña startups en España, usa el formulario de advisor o explora el perfil profesional y los casos en este sitio. La IA no falla por magia negra. Falla porque saltamos puertas.