El entusiasmo por la inteligencia artificial en IT lleva tiempo desbordado. Directivos empresariales, ejecutivos y equipos operativos presionan para integrar la IA en cada proceso de gestión de servicios, convencidos de que producirá eficiencia, automatización y ahorros inmediatos. La realidad, una vez que las aplicaciones de inteligencia artificial están implementadas, es, con frecuencia, desoladoramente distinta: pilotos que no pueden escalarse, un ROI difícil de demostrar, agentes de IA que fallan donde los procesos son frágiles.
En la mayoría de los casos, la causa de estas dificultades no reside en la tecnología en sí, sino en el contexto organizativo en el que se inserta.
El efecto real de la IA sobre el ITSM es opuesto a la narrativa hoy predominante: en lugar de sustituirlo, lo está devolviendo a los fundamentos. Workflows documentados, ownership clara, cumplimiento de las buenas prácticas ITIL y madurez operativa: sin estas bases, cualquier iniciativa de AI readiness en ITSM está destinada a generar costes y complejidad en lugar de valor.
1. ¿Qué significa AI readiness en ITSM?
El ITSM es un sistema de registro, gestiona workflows estructurados y contiene el contexto operativo de la organización. Por todos estos motivos debería constituir de forma natural la base de la IA en las operaciones de IT. Sin embargo, para que este potencial se traduzca en valor concreto, el ITSM debe presentar determinadas características. AI readiness en ITSM significa, en este sentido, tener procesos documentados digitalmente, ownership clara, cumplimiento de las buenas prácticas ITIL e indicadores de madurez operativa medibles. Son las condiciones mínimas para que una iniciativa de IA en el ITSM pueda generar valor y no costes adicionales.
El estado actual del ITSM: implementaciones frágiles bajo la presión de la IA
Un número creciente de organizaciones extiende hoy su plataforma ITSM a workflows fuera del IT tradicional: RR. HH., instalaciones, seguridad. En ese sentido, el ITSM constituye el eje vertebrador de las operaciones empresariales, la columna vertebral del negocio.
El problema es que, en muchas organizaciones, esta columna vertebral es frágil. Destacan cuatro problemas recurrentes:
- Procesos no documentados: los mismos workflows varían de un equipo a otro y los procedimientos operativos parecen existir únicamente en la cabeza de las personas más expertas.
- Ownership no definida: no está claro quién es el responsable de un servicio, de un proceso o de la calidad de un conjunto de datos.
- Escaso cumplimiento de las buenas prácticas ITIL: la gestión de incidentes, problemas, cambios y solicitudes de servicio no sigue patrones homogéneos y coherentes a lo largo del tiempo.
- Madurez operativa desigual: algunos equipos trabajan con procesos estructurados y procedimientos formalizados, mientras que otros intervienen de forma reactiva y no estandarizada. El resultado es una organización que, en su conjunto, se ve arrastrada a funcionar al nivel de su equipo menos maduro.
Se trata de problemas preexistentes que hasta ahora han resultado manejables: los operadores humanos, gracias a la experiencia y al sentido común, eran capaces de salvar las ambigüedades de los procesos y de adaptarse a las excepciones. La IA cambia las reglas: un agente automatizado no puede tomar decisiones inteligentes sobre un proceso no escrito, no puede colmar lagunas de ownership, no puede compensar un nivel de madurez organizativa inadecuado.
En ausencia de estas precondiciones —workflows documentados, ownership clara, cumplimiento de las buenas prácticas ITIL, madurez operativa— la IA expone la inestabilidad del proceso en lugar de compensarla. Lo que antes era una debilidad que el proceso podía absorber con relativa facilidad, hoy se convierte en un bloqueo operativo.
La promesa de la IA y la realidad de los números
Los datos de mercado de 2025 revelan una contradicción evidente. Por un lado, la adopción de la IA es generalizada: según una investigación reciente de EasyVista, el 95 % de las grandes empresas ya utiliza la IA en el ITSM de alguna forma, y el porcentaje sigue siendo muy alto —del 90 %— también entre las pymes. Por otro lado, los resultados económicos son bien distintos.
Una encuesta de Gartner a más de 500 CIO reveló que el 72 % de las organizaciones apenas alcanza el equilibrio o incluso pierde dinero en sus inversiones en IA. El estudio Build for the Future 2025 de BCG sobre 1.250 empresas es aún más contundente: solo el 5 % crea valor sustancial aplicando la IA a gran escala, mientras que el 60 % no genera ningún valor material. Una investigación de la MIT NANDA Initiative recogida por Fortune indica, por último, que el 95 % de los proyectos piloto de GenAI en empresas no genera ningún retorno medible en la cuenta de resultados.
La verdadera pregunta que debe plantearse, por tanto, no concierne tanto a la funcionalidad de la IA en sí, sino a las razones por las que, una vez aplicada, en tantos casos no produce resultados concretos. La respuesta es incómoda y debe abordarse de forma directa y sin demora: la IA está fallando por razones operativas y de proceso, y no meramente técnicas.
La IA no es un atajo, es un amplificador
Una de las creencias más extendidas y más erróneas es que la IA puede compensar carencias presupuestarias, falta de competencias o escaso rigor en la ejecución de los procesos. El razonamiento de fondo es erróneo: la IA resulta útil cuando acelera el trabajo que los equipos ya saben hacer bien, no cuando intenta sustituir competencias que no existen. Aplicada a procesos maduros, amplifica la calidad. Aplicada a procesos frágiles, amplifica el desorden.
Keith Andes, Head of Product Marketing de EasyVista, resume la situación con una imagen eficaz: «Si hoy el enrutamiento de incidentes es incoherente, la IA simplemente se equivocará de ruta aún más rápido. Si la Configuration Management Database (CMDB) —el repositorio central que rastrea los activos de IT de una empresa y sus relaciones— está desordenada, los insights generados por la IA reflejarán simplemente el ruido de fondo». Sigue vigente el viejo principio de garbage in, garbage out, con un agravante: el output de la IA está revestido de una apariencia de autoridad que hace más difícil detectar el problema.
El principio 10–20–70 de Boston Consulting Group cuantifica esta dinámica: el éxito de la IA depende en un 10 % de los algoritmos, en un 20 % de los datos y la tecnología, y en un 70 % de las personas, los procesos y la cultura. El State of AI 2025 de McKinsey confirma la misma lógica: las empresas que rediseñan los workflows end-to-end antes de elegir modelos o herramientas tienen una probabilidad casi tres veces mayor de obtener retornos financieros significativos en comparación con las que se limitan a superponer la IA a los procesos existentes.
Los cuatro pilares de la AI readiness en ITSM
El Great ITSM Reset representa un retorno consciente y deliberado a los fundamentos del ITSM, condición necesaria para que la IA pueda operar de manera efectiva. Es un proceso de consolidación que involucra a personas, procesos y datos, y que requiere tiempo y disciplina, pero es también el único camino que permite transformar las inversiones en IA en resultados medibles y sostenibles a lo largo del tiempo. Los pilares sobre los que se sustenta este trabajo son cuatro, profundamente interconectados entre sí.
1. Flujos de trabajo documentados digitalmente
Un agente de IA no puede ejecutar una tarea que no ve. Para cada servicio crítico deben estar representados dentro de la plataforma ITSM, de forma estructurada, los pasos, las decisiones, los desencadenantes y los criterios de cierre. Es el concepto de gemelo digital del trabajo: una representación de cómo el trabajo ocurre realmente, no de cómo se querría que ocurriera.
2. Ownership clara de servicios, procesos y datos
Sin un owner claramente identificado, cualquier servicio está destinado a degradarse con el tiempo, y la IA no hace sino agravar el problema: sin una ownership clara, nadie es responsable de validar los outputs, de intervenir cuando las sugerencias fallan sistemáticamente, o de autorizar la aplicación de la IA a nuevos procesos y ámbitos de trabajo. Definir la ownership —por servicio, proceso, área de base de conocimiento— es un prerrequisito de gobernanza antes incluso que tecnológico.
3. Cumplimiento a las buenas prácticas ITIL
Las prácticas ITIL son el lenguaje común que hace que los procesos sean predecibles, medibles y repetibles. Cuando la gestión de incidentes, problemas, cambios y configuración sigue patrones homogéneos, la plataforma ITSM genera datos estructurados de calidad, y son precisamente estos datos la materia prima que utiliza la IA. El propio framework ITIL 4 subraya que el valor no emerge de la adopción formal de los procesos, sino de su coherencia a lo largo del tiempo.
4. Madurez operativa medible
La madurez no es un estatus que, una vez declarado, pueda darse por sentado: es una condición medible. Tiempos de resolución coherentes, tasas de reapertura bajo control, precisión de la CMDB, cumplimiento verificado. Una encuesta reciente de Gartner muestra una diferencia clara entre organizaciones maduras y no maduras: en las primeras, el 45 % de las iniciativas de IA permanece en producción durante al menos tres años, frente al 20 % de las organizaciones con baja madurez.
Cómo iniciar el reset de forma concreta
Llevar a cabo un reset significa hacer sostenible la introducción y el uso de la IA sin ralentizar su adopción. El objetivo es crear las condiciones operativas para que la IA genere valor tangible y medible, partiendo de donde es más fácil demostrarlo y avanzando mediante expansiones sucesivas. Tres pasos prácticos ayudan a marcar el rumbo:
- Identificar uno o dos workflows de alto volumen y ya estables. Son los candidatos naturales para los primeros casos de uso de IA: enrutamiento de tickets en categorías fiables, síntesis automática del conocimiento a partir de contenidos ya verificados, resumen automático de tickets basado en datos estructurados.
- Limpiar primero, automatizar después, aplicar la IA al final. El primer paso es digitalizar el workflow en el sistema de registro. El segundo es automatizar con reglas simples y predecibles todo lo que se puede gestionar con instrucciones del tipo «si ocurre X, haz Y». Solo para las actividades demasiado complejas para resolverse con reglas de este tipo tiene sentido introducir la IA.
- Establecer métricas de valor. Sin un conjunto inicial de KPI —tiempo medio de resolución, tasa de deflexión de autoservicio, precisión, satisfacción del usuario— no hay forma de saber si la IA está produciendo resultados.
Tecnologías como EV Pulse AI de EasyVista están pensadas para apoyar y potenciar precisamente este tipo de enfoque, integrando la IA dentro de workflows ITSM estructurados, a través de casos de uso definidos, métricas de resultado claras y legibles, y una supervisión humana constante de cada decisión crítica.
La IA no hace superflua la disciplina en los procesos, sino que la exige como condición de funcionamiento. Desde esta perspectiva, el Great ITSM Reset es en sí mismo un elemento de innovación, el camino a través del cual las organizaciones de IT pueden desarrollar su AI readiness en ITSM y evolucionar en los años venideros.
FAQs
1. ¿Qué significa AI readiness en ITSM?
Significa tener procesos documentados digitalmente, ownership clara, cumplimiento de las buenas prácticas ITIL e indicadores de madurez operativa medibles. Son las condiciones mínimas para que una iniciativa de IA en el ITSM pueda generar valor y no costes adicionales.
2. ¿Por qué tantas iniciativas de IA en el ITSM fracasan?
Porque la IA se aplica sobre procesos frágiles, datos incoherentes y workflows no documentados. Estudios de BCG y McKinsey indican que en el 60 % de las empresas la IA no genera valor material, y el 95 % de los pilotos de GenAI no produce ROI medible. La causa casi nunca es tecnológica, y casi siempre es organizativa.
3. ¿Es necesario tener procesos perfectos antes de empezar con la IA?
No, pero es necesario partir de las áreas donde los procesos ya son estables. La IA funciona como acelerador de workflows coherentes y robustos. No funciona como solución a workflows caóticos. El principio es: limpiar primero, automatizar con reglas después, aplicar la IA solo donde de verdad sea necesario.
4. ¿Cuál es la relación entre ITIL y la IA?
Las prácticas ITIL proporcionan el lenguaje común y la estructura de datos necesarios para que la IA opere de forma fiable. Cuanto mayor es la madurez ITIL, más sólida es la base sobre la que construir automatizaciones inteligentes y agentes de IA.