Por qué el 70% del valor digital se pierde antes de llegar al cliente

Según datos de McKinsey citados por MIT Technology Review, las organizaciones capturan menos de un tercio del valor esperado de sus inversiones digitales. No es un problema de presupuesto ni de talento técnico: es un problema de dirección. La mayoría de las grandes empresas parten de capacidades tecnológicas disponibles y construyen aplicaciones encima de ellas, en lugar de empezar por las necesidades del cliente y trabajar hacia atrás hasta encontrar la solución técnica adecuada.

El resultado es predecible: soluciones fragmentadas, experiencias desconectadas y proyectos de IA que generan demos impresionantes en el laboratorio pero no mueven ningún indicador real de negocio.

El problema estructural detrás del dato

Cuando una empresa adopta un modelo de lenguaje o despliega un agente conversacional porque "está disponible" o porque la competencia lo ha hecho, el punto de partida es la herramienta. Eso invierte la lógica: la tecnología pasa a buscar un problema que resolver, en lugar de resolver uno concreto y conocido.

Este patrón se repite especialmente en entornos corporativos grandes, donde los equipos de IT o de innovación tienen acceso temprano a capacidades nuevas —hoy, por ejemplo, ventanas de contexto de un millón de tokens o agentes con acceso a herramientas externas vía MCP— pero no tienen mandato para articular qué dolor de cliente justifica su despliegue. El resultado son pilotos que nunca escalan.

El concepto de customer-back engineering no es nuevo: Amazon lo lleva practicando décadas con su metodología del "press release antes de escribir código". Lo que sí resulta relevante ahora es que la irrupción de la IA generativa ha amplificado el problema. La velocidad con la que se lanzan nuevas capacidades supera la capacidad de muchas organizaciones para evaluar si esas capacidades resuelven algo que sus clientes realmente necesitan.

Qué cambia cuando el orden es el correcto

La propuesta que articula el artículo de MIT Tech Review es sencilla en teoría y difícil en la práctica: definir primero el resultado que el cliente necesita, luego identificar el punto de fricción más costoso en el camino a ese resultado, y solo entonces seleccionar la tecnología que lo elimina de forma más eficiente.

Aplicado al ecosistema de herramientas actuales, eso puede significar cosas muy distintas según el caso:

• Una empresa de servicios financieros que quiere reducir el tiempo de resolución de reclamaciones no necesita necesariamente un agente autónomo; puede necesitar un skill de Claude que recupere historial de cliente en segundos y redacte un borrador de respuesta para que el agente humano lo revise.
• Un equipo de desarrollo que quiere acelerar revisiones de código no parte de "vamos a usar Claude Code"; parte de identificar en qué fase del ciclo de revisión se pierden más horas, y luego evalúa si un hook de PostToolUse o un subagente especializado es la solución más ajustada.

La diferencia no es solo filosófica: determina si el proyecto genera retorno medible o se convierte en infraestructura costosa que nadie usa con consistencia.

Para quién es relevante este enfoque

Este debate importa especialmente a tres perfiles: responsables de transformación digital en empresas medianas y grandes que están justificando presupuestos de IA ante dirección; equipos de producto que construyen sobre APIs de Claude o despliegan servidores MCP y necesitan priorizar qué integrar primero; y consultoras e integradores que venden proyectos de IA y tienen incentivos perversos para priorizar la sofisticación técnica sobre la utilidad demostrable.

Para los tres, el dato de McKinsey debería funcionar como calibrador: si el proyecto que están construyendo no tiene un problema de cliente concreto en el origen —con nombre, frecuencia y coste medible—, las probabilidades de estar en ese 70% de valor que se evapora son elevadas.

Opinión EP

El artículo no aporta una metodología nueva, pero el momento en que aparece es oportuno: el mercado está en una fase de consolidación tras el entusiasmo inicial, y muchos equipos necesitan justificar en términos de negocio lo que hasta ahora se ha vendido como apuesta estratégica. Que MIT Tech Review le dé espacio a este argumento ahora dice algo sobre hacia dónde se mueve la conversación.