La adopción de IA en manufactura se aceleró en los últimos dos años y ya alcanza a 72% de los líderes del sector, frente a 53% en 2024, según una encuesta citada por Bill Rokos. Pero el dato más revelador es el otro: solo 10% usa automatización habilitada por IA o aprendizaje automático a escala.
Ese contraste ayuda a explicar por qué la promesa tecnológica todavía no se convierte en productividad plena. Rokos sostiene que la discusión se ha concentrado en infraestructura, datos, herramientas y capacidad de cómputo, pero ha dejado fuera una variable decisiva: las personas y, en especial, la responsabilidad cuando un sistema autónomo se equivoca.
La pregunta no es menor. Si la IA falla, ¿quién asume el costo? Rokos plantea que el responsable podría ser el operador que aprobó la salida, el proveedor o el director de tecnología que dio su visto bueno. También apunta que, una vez identificado el error, sigue abierta la cuestión de qué hacer después: si basta con cambiar un proceso, si hay que apagar por completo una plataforma y quién paga los daños.
En manufactura, el problema pesa más porque los errores no quedan en una pantalla. Pueden afectar la seguridad de los trabajadores, detener líneas o arruinar materiales. Esa incertidumbre, dice Rokos, está frenando la adopción entusiasta a gran escala.
Los resultados de su encuesta apuntan en la misma dirección. La percepción de riesgo se reparte casi por igual entre quienes ven a las organizaciones demasiado cautelosas, con 60%, y quienes las ven demasiado agresivas, con 40%. Además, la brecha de entusiasmo entre líderes y trabajadores se invirtió: ahora los jefes están menos entusiasmados con la IA que sus empleados.
También cambió el tipo de uso dominante. Las aplicaciones de analítica siguen siendo más comunes que la automatización, mientras que los despliegues que alcanzan la producción y el control operativo no aparecen entre los principales casos de uso. Hoy, las barreras principales ya no son la infraestructura, sino la gobernanza, el costo y la integración.
Rokos sostiene que los sistemas de IA generativa, por su carácter probabilístico, son una mala opción para tareas que exigen comportamiento estrictamente determinista. El problema se agrava cuando esas herramientas dan recomendaciones difíciles de explicar o auditar, porque obligan a aprobar resultados sin entender del todo cómo se llegó a ellos.
La lectura de fondo es clara: sin reglas nítidas de responsabilidad, la IA no escala con confianza. El mercado ya votó a favor de la automatización, pero la burocracia interna de muchas empresas aún no define quién responde cuando el algoritmo se equivoca. Capital busca reglas claras; sin ellas, el retorno potencial se queda atrapado en la duda.
