Un estudio de viabilidad en lugar de un departamento de investigación: cómo validar un proyecto de IA con un riesgo acotado

Una empresa mediana sin departamento de I+D propio puede abordar un proyecto de IA de forma responsable si primero lo convierte en un estudio de viabilidad con plazo limitado: con pocas preguntas comprobables sobre tecnología, datos y rentabilidad, y con criterios de continuar o parar fijados antes del inicio. El estudio no sustituye a un departamento de investigación, pero aporta la base para decidir el siguiente paso presupuestario, incluida una interrupción fundada.

Para la mayoría de las empresas no es una cuestión marginal. Según el informe de innovación de KfW sobre la empresa mediana 2025, solo el 3 % de las empresas medianas alemanas investiga de forma continua y el 6 % de forma ocasional; el 80 % de las empresas innovadoras innova sin I+D propia. Al mismo tiempo, según KfW Research, las empresas con I+D usan la IA casi tres veces más. Incluso con características por lo demás iguales, la probabilidad estimada de usar IA es del 38 % con I+D continua y del 19 % en empresas innovadoras sin I+D. Es una correlación estadística, no una prueba de causalidad. KfW la explica por la capacidad de absorber conocimiento externo. Justo esa capacidad puede incorporarse por proyectos: según el Stifterverband, la economía alemana ya externaliza algo más de un tercio de su gasto en I+D.

Tres preguntas que el estudio debe responder

Un estudio de viabilidad es útil cuando responde a tres preguntas separadas, en lugar de producir una demostración.

Técnica: ¿Puede un método resolver la tarea con la calidad necesaria, y mejor que una alternativa más sencilla como reglas, búsqueda o un proceso manual mejorado? La pregunta guía es: ¿qué hipótesis comprobamos y cómo la medimos?

Datos: ¿Hay datos suficientes, de calidad útil y con derechos de uso aclarados? La guía de Fraunhofer IIS para pymes sitúa expresamente la revisión de la base de datos antes de modelar un prototipo.

Económica: ¿Cubre el beneficio los costes de todo el flujo de trabajo, es decir, preparación de datos, integración, revisión experta y operación? Esta pregunta es especialmente relevante: en el panel de la empresa mediana de KfW, el 50 % cita la incertidumbre sobre el éxito comercial como obstáculo a la innovación.

Las preguntas coinciden con causas típicas de proyectos de IA fallidos que RAND identificó a partir de 65 entrevistas: un problema mal entendido, falta de datos de entrenamiento, foco en la tecnología en lugar del problema, infraestructura insuficiente y tareas demasiado difíciles para el estado de la técnica.

Fijar los criterios de continuar o parar antes del inicio

Los criterios de interrupción solo funcionan si se fijan antes de que lleguen los primeros resultados. Tienen sentido umbrales por pregunta: una calidad mínima en casos de prueba reales, un conjunto de datos obtenible en un plazo definido y un marco de costes de operación por debajo del cual el proyecto es rentable. A ello se suma la pregunta de quién evalúa el resultado desde el punto de vista experto y qué debe estar demostrado antes del siguiente paso presupuestario. Igual de importante es qué error sería caro en la operación posterior: un valor de ensayo mal leído pesa distinto que un borrador de texto torpe, y de ello depende la calidad exigida.

Sin tales criterios, a menudo solo queda un juicio difuso. En una encuesta de la Agencia Federal de Redes alemana (Bundesnetzagentur), el 58 % de las empresas que habían probado y abandonado la IA dieron como motivo que no se habían alcanzado los objetivos.

Por qué importa lo muestran pronósticos y encuestas de solidez desigual. Gartner pronosticó que al menos el 30 % de los proyectos de IA generativa se abandonarían tras la prueba de concepto hasta finales de 2025, citando entre otros la calidad de los datos, los costes y un beneficio poco claro. Un estudio del proyecto NANDA del MIT informa de que la mayoría de las organizaciones no vio un efecto medible en los resultados (Fortune). Sin embargo, se basa en 52 entrevistas y 153 encuestados, sobre todo de EE. UU., y solo sirve como indicio. En esta lógica, un «no» tras pocas semanas no es un fracaso, sino un resultado que ahorra costes de piloto y despliegue.

Delimitación: estudio, prueba de concepto, piloto

Los términos responden a preguntas distintas. Una prueba de concepto comprueba si una solución puede funcionar técnicamente; una prueba de valor pregunta si aporta un beneficio de negocio medible (Fujitsu, fuente de proveedor). Un piloto funciona en condiciones reales con usuarios reales. El estudio de viabilidad es el marco previo: puede incluir un ensayo técnico preliminar, pero además evalúa los datos y la rentabilidad. En la escala de madurez tecnológica (TRL) se sitúa normalmente entre la prueba de concepto experimental y la validación en laboratorio o en un entorno relevante. Quien empieza directamente con un piloto se salta esta revisión y tiene que resolver las cuestiones de datos, técnica y costes en condiciones de operación, donde cada corrección es más cara.

Financiación en Alemania: hoy, sobre todo el incentivo fiscal a la investigación

La situación de la financiación cambió en 2026. El estudio de viabilidad del ZIM, un instrumento evidente, está suspendido: desde el 7 de julio de 2026, el Programa Central de Innovación para pymes de Alemania (ZIM) no admite solicitudes; se aspira a reanudarlo a principios de 2027 (BTU Cottbus-Senftenberg).

Sigue abierto el incentivo fiscal a la investigación (Forschungszulage), un derecho legal sin plazos de convocatoria. Exige novedad, incertidumbre técnico-científica y planificación sistemática. Según la guía de evaluación del BSFZ, los riesgos económicos no cuentan; la mera configuración de software establecido está excluida. Para el estudio significa planificar y documentar por separado los paquetes de trabajo técnicos y las partes de mercado o rentabilidad. Si partes concretas pueden acogerse debe aclararse con la asesoría fiscal y el organismo certificador (BSFZ).

En Baviera, el bono de innovación para empresas con menos de 50 empleados se ha prorrogado hasta finales de 2029; financia servicios externos de I+D, pero no menciona expresamente los estudios de viabilidad.

Quien enfoca así un proyecto de IA compra primero una decisión sólida y solo después desarrollo. Si quiere estructurar su pregunta y sus criterios de interrupción, una conversación con capinori es un posible primer paso.

Preguntas frecuentes sobre estudios de viabilidad de IA en la empresa mediana

Fuentes (14)

• KfW Research: KfW-Innovationsbericht Mittelstand 2025, marzo de 2026 (en alemán)
• KfW Research: Fokus Volkswirtschaft n.º 533, IA en la empresa mediana, 11/02/2026 (en alemán)
• KfW Research: Fokus Volkswirtschaft n.º 520, obstáculos a la innovación, 18/11/2025 (en alemán)
• Stifterverband: fue-facts 2024, abril de 2026 (en alemán)
• Bundesnetzagentur: encuesta sobre IA, informe, julio de 2025 (en alemán)
• Fraunhofer IIS: KI-Lösung – Ein Leitfaden für KMU, abril de 2025 (en alemán)
• RAND Corporation: The Root Causes of Failure for Artificial Intelligence Projects, 13/08/2024 (en inglés)
• Gartner: nota de prensa sobre proyectos de IA generativa tras la prueba de concepto, 29/07/2024 (en inglés)
• Fortune: informe sobre el estudio MIT NANDA «The GenAI Divide», 18/08/2025 (en inglés)
• Fujitsu: Proof of Concept vs. Proof of Value, 13/03/2025 (en inglés)
• Comisión Europea: Technology Readiness Levels, Horizonte 2020, anexo G (en inglés)
• BTU Cottbus-Senftenberg: ZIM, suspensión temporal de solicitudes desde el 7 de julio de 2026, 20/07/2026 (en alemán)
• Bescheinigungsstelle Forschungszulage: FAQ y guía de evaluación, a 10/2025 (en alemán)
• Bayern Innovativ: directrices del bono de innovación de Baviera 2026 (en alemán)