Més del 80 % dels projectes d'IA fracassen — el doble que projectes tecnològics comparables sense IA, segons RAND Corporation. No per falta d'eines. Sinó perquè es repeteixen sempre els mateixos errors de plantejament. Si ja has vist una iniciativa d'aquest tipus quedar aparcada al cap de pocs mesos, probablement reconeixeràs alguns dels patrons que es descriuen aquí.
Per què fracassen tants projectes d'IA en pimes?
BCG va publicar el setembre de 2025 que només el 26 % de les empreses genera valor tangible amb IA, i amb prou feines el 5 % ho fa a escala. McKinsey, per la seva banda, assenyala que el 88 % de les organitzacions ja usa IA en alguna funció, però només el 39 % veu un impacte real en els seus resultats.
A Espanya, la situació és clara: el 40 % de les pimes que ja han adoptat IA no percep cap benefici, segons el II Informe de Pimes i Autònoms de Hiscox (desembre de 2025, mostra de 400 pimes espanyoles). I el 76,7 % encara no ha adoptat res.
La causa rarament és tècnica. La causa és de plantejament.
Error 1: començar per la tecnologia i no pel problema
L'error més habitual, i el que mata més projectes. L'empresa descobreix una eina interessant — un model de llenguatge, un xatbot, una plataforma d'automatització — i decideix provar-la. Mesos després, el pilot no té propietari, no resol res de concret i ningú l'usa.
RAND Corporation identifica això com la causa principal de fracàs: "Els implicats en el sector sovint no entenen o no comuniquen bé quin problema cal resoldre". McKinsey ho confirma amb una prescripció clara: defineix primer un resultat de negoci específic i mesurable, i només després selecciona la tecnologia.
La pregunta que hauries de fer-te abans de qualsevol decisió tecnològica: quin procés concret vull millorar, quant de temps costa ara mateix i quant estalviaria si funcionés bé?
Error 2: no mesurar el retorn ni definir el "punt de partida"
Si no has registrat com és el procés avui — quant de temps ocupa, quants errors genera, quant costa — no podràs demostrar que la IA l'ha millorat. I sense aquesta demostració, el projecte perd suport intern al cap de pocs mesos.
L'INE (Enquesta TIC 2024) constata que el 38 % de les empreses espanyoles cita "expectatives de ROI poc clares" com un dels seus principals obstacles. Un projecte sense línia de base és un projecte sense argument per continuar.
Abans de desplegar res, documenta l'estat actual: temps, costos, taxes d'error. És el que fa que un pilot es converteixi en un sistema permanent en lloc de quedar arxivat.
Error 3: ignorar l'adopció i la formació de l'equip
BCG ho quantifica amb precisió: "El 70 % de l'èxit de la IA és persones, processos i gestió del canvi — no algoritmes ni infraestructura". Malgrat això, només el 12 % dels treballadors va rebre formació en IA el 2024.
El resultat: eines instal·lades que ningú usa. Només el 51 % dels empleats de primera línia és usuari habitual d'IA, i aquesta xifra porta mesos estancada. Només el 13 % afirma que les eines estan integrades al seu flux de treball diari.
El Reglament Europeu d'IA, a més, fa obligatòria l'alfabetització en IA — la capacitat bàsica d'entendre i usar sistemes d'IA — des del febrer de 2025. Ignorar la formació en IA no és només un error operatiu; pot ser un problema de compliment normatiu.
Error 4: dades de mala qualitat o sense governança
Gartner assenyala la qualitat i preparació de les dades com el principal obstacle per al 43 % de les empreses. L'INE ho confirma per a Espanya: el 44 % de les pimes cita infraestructura de dades feble com a barrera.
Un model d'IA és tan bo com les dades amb les quals treballa. Si les dades estan disperses en fulls de càlcul diferents, desactualitzades o sense un criteri clar de gestió, el sistema produirà resultats poc fiables — i la confiança en el projecte s'esgota de pressa.
Això no significa que les dades hagin d'estar perfectes abans de començar. Significa que el projecte ha d'incloure, des del principi, una valoració honesta de quines dades existeixen i en quin estat es troben.
Error 5: el pilot que mai arriba a producció
Gartner va estimar el juliol de 2024 que més del 30 % dels pilots d'IA generativa serien abandonats abans de finals de 2025. La realitat ha estat pitjor: S&P Global Market Intelligence informa que el 42 % de les empreses va abandonar la majoria de les seves iniciatives d'IA el 2025, davant del 17 % de 2024.
IDC calcula que només el 25 % dels projectes d'IA arriba a producció. La resta mor en la fase de prova de concepte (POC — una demostració tècnica que valida si alguna cosa és possible, però que no està preparada per a l'ús diari).
La diferència entre un pilot i un sistema en producció és el detall: integració amb els sistemes existents, gestió d'errors, manteniment, control d'accés. Aquell detall és el que les demostracions ometen i el que els projectes reals exigeixen.
Error 6: falta de suport visible de la direcció
Quan la direcció no usa les eines ni en parla, l'equip llegeix el senyal correctament: això no és una prioritat. BCG mesura l'efecte: quan els líders demostren suport actiu a la IA, l'actitud positiva dels empleats de primera línia puja del 15 % al 55 %.
Només el 35 % dels líders té programes de formació en IA madurs a escala de tota l'organització. I RAND assenyala que els projectes fracassen sovint "per desalineació d'incentius, no per barreres tècniques": si la direcció no ha definit què vol mesurar ni celebra els avenços, l'equip deixa d'empènyer.
El suport de la direcció no és una qüestió d'entusiasme: és una qüestió d'assignar temps, pressupost i reconeixement als resultats.
Error 7: subestimar el risc regulatori
El 27 % de les empreses espanyoles va pausar iniciatives d'IA el 2024 al·legant incertesa regulatòria. Amb raó: el Reglament Europeu d'Intel·ligència Artificial va entrar en vigor l'agost de 2024, i els sistemes considerats d'alt risc tenen un termini de compliment fins al 2 d'agost de 2026. A Espanya, l'AESIA — primera agència nacional supervisora d'IA a la UE — és la responsable d'aplicar-lo.
A això s'hi suma el RGPD: qualsevol sistema d'IA que tracti dades personals necessita una base legal clara. Ignorar aquest punt no és només arriscat; pot paralitzar el projecte un cop desplegat.
Incloure una revisió regulatòria bàsica des del disseny és molt més barat que afrontar-la a posteriori. Per a pimes que treballen amb l'automatització del backoffice, això és especialment rellevant si els processos involucren dades de clients o empleats.
Com evitar aquests errors des del primer dia?
La resposta directa: amb un diagnòstic que arribi abans de qualsevol decisió tecnològica.
Un bon diagnòstic d'IA fa exactament el que McKinsey, BCG i RAND prescriuen: parteix del problema de negoci, avalua les dades disponibles, detecta les mancances de formació i prioritza els casos d'ús per retorn real — tot abans de comprometre pressupost en eines.
César García, consultor sènior freelance amb base a Andorra, treballa amb pimes d'Andorra i Espanya que volen evitar precisament aquests errors. El diagnòstic és el primer pas: de baix compromís, amb resultats concrets i amb un full de ruta pressupostat al final.
En resum
Els 7 errors que maten els projectes d'IA en pimes:
- Escollir la tecnologia abans de definir el problema
- No mesurar l'estat actual ni fixar objectius de retorn
- Desplegar sense formar l'equip
- Partir de dades de mala qualitat o sense criteri de gestió
- Quedar-se encallat en el pilot i no arribar a producció
- No tenir suport actiu de la direcció
- Ignorar el marc regulatori (EU AI Act, RGPD)
Cap d'aquests errors és tècnic. Tots són evitables amb el plantejament correcte des del principi.
Tens una iniciativa d'IA en ment o una que ja va quedar a mig fer? Escriu-li a César i ho analitzem junts abans de fer cap pas més.