Cuando un CIO, un CTO o un Head of Data abre un RFP de inteligencia artificial en 2026, las preguntas del template llevan años sin cambiar: número de certificaciones con el hyperscaler, partner tier (Select, Advanced, Premier), cifra de negocio de los últimos tres años, casos de éxito publicados, número de profesionales dedicados a IA. Son preguntas legítimas — pero han dejado de discriminar.
Hoy casi cualquier proveedor medianamente serio responde bien a todas ellas, y sin embargo la tasa de fracaso de los proyectos de IA empresarial sigue por encima del 40% según Gartner. Hay un desajuste entre lo que se pregunta y lo que predice el éxito. Este artículo propone los cinco criterios que sí están correlacionados con que un proyecto de IA llegue a producción y genere impacto — y que casi nunca se piden en un RFP.
El contexto de mercado de IA en 2026
Datos públicos de consolidación y fracaso de proyectos de IA empresarial
Por qué los criterios clásicos han dejado de discriminar
Hay dos razones estructurales. La primera es técnica: la frontera de capacidad ya no está en "tener un equipo que entienda de IA". En 2026, prácticamente cualquier consultora tecnológica de tamaño medio en adelante tiene práctica de IA, experiencia con los principales modelos comerciales y equipos que pueden montar un piloto sobre un hyperscaler sin demasiada fricción. El commodity tecnológico se ha desplazado. Lo que distingue un proyecto que funciona de uno que se estanca en PoC ya no es el stack — es cómo se entiende el contexto del negocio, cómo se opera el sistema en producción y cómo se contiene el coste cuando escala.
La segunda razón es de mercado. En los últimos 18 meses el ecosistema de proveedores AI-native ha vivido una consolidación acelerada. Boutiques de referencia europea y americana — Faculty en Reino Unido, NeuraFlash, RANGR y Halfspace en distintas geografías, Keepler en España — han sido absorbidas por integradores globales. En el mercado español el patrón se suma a operaciones anteriores como Bluetab dentro de IBM o Synergic Partners dentro de Telefónica Tech.
El resultado es que cuando un comprador pregunta "¿qué partner tier tienes con AWS?" o "¿cuál es tu cifra de negocio?", la respuesta ya no le dice si el equipo que llegará el lunes a su proyecto es estable, si la arquitectura de delivery sigue siendo la misma de antes de la integración, o si la estructura de tarifas se va a mover en seis meses. Preguntas que antes tenían valor informativo hoy devuelven datos que ya no predicen nada relevante.
De ahí nacen los cinco criterios que siguen. No son mágicos ni son los únicos — son los que, en nuestra experiencia y en la de varios de nuestros clientes, más correlacionan con que el proyecto de IA llegue a producción en plazo y presupuesto.
Los cinco criterios que sí predicen el éxito
No del total de la plantilla. Del equipo nominado por nombre en la propuesta, con FTE declarado y cláusula de aprobación para sustituciones.
Los mejores partners rechazan casos de uso. Si nunca ha pasado, es una mala señal.
Entregas verificables en al menos dos hyperscalers y dos proveedores de modelos en los últimos 18 meses.
Acceso lectura al repo, pipeline de evals reproducible, board de tickets y archivo de post-mortems. Abierto desde el día uno.
Churn histórico, SLA de rotación máxima, ventana de handover mínima y % de plantilla propia vs subcontratada.
Criterio 1 · Ratio senior/junior del equipo realmente asignado
No del total de la plantilla del proveedor. No del "equipo de IA" en abstracto. Del equipo concreto que va a trabajar en tu proyecto, nominado por nombre en la propuesta. En un proyecto de IA empresarial, el seniority decide casi todo: la capacidad de decir no a un enfoque equivocado, la velocidad de iteración, el criterio para elegir un modelo pequeño frente a uno grande cuando importa el coste, la disciplina de no sobre-ingeniar. Un equipo con ratio senior/junior 1:5 avanza más despacio y con más riesgo que uno con ratio 1:2 — aunque sobre el papel el precio por día parezca mejor.
Pregunta concreta para el RFP: "Facilite la lista nominal del equipo asignado, con años de experiencia en proyectos de IA en producción (no piloto), ratio senior/mid/junior y porcentaje de la dedicación que estará en el proyecto (FTE)." Pida que aparezca en el contrato. Pida aprobación explícita del cliente para sustituciones.
Criterio 2 · Capacidad demostrada de decir que no a un use case mal definido
Este es menos intuitivo pero es quizá el que más correlaciona con éxito. Los mejores partners de IA rechazan casos de uso. Lo hacen porque saben que arrancar un proyecto sin hipótesis de valor clara, sin acceso a los datos adecuados o sin sponsor con poder de decisión garantiza un final en PoC y una factura pagada sin impacto. Un partner que acepta todo lo que le pides no es más colaborativo: es peor partner. Te está cobrando para que aprendas algo que él ya sabía.
Pregunta concreta para el RFP: "Describa un caso reciente (últimos 12 meses) en el que hayan recomendado a un cliente no arrancar un proyecto que este quería iniciar. ¿Cuál era la recomendación alternativa? ¿Qué pasó después?" Si la respuesta es "nunca nos ha pasado", es una mala señal.
Es el mismo razonamiento que explicamos en por qué la mayoría de proyectos con LLM fracasan: el problema no suele estar en el modelo, sino en arrancar sin haber validado que el caso de uso tenía hipótesis de valor, datos y sponsor. Un partner con criterio cierra esos tres huecos antes de escribir la primera línea de código.
Criterio 3 · Neutralidad vendor real, no declarada
En IA empresarial, la capacidad de operar sin quedar atado a una plataforma concreta es patrimonio técnico — no slogan. Hay dos pruebas.
La primera: ¿el equipo ha entregado en los últimos 18 meses en al menos dos hyperscalers distintos (AWS, Azure, GCP) con proyectos de envergadura comparable? La segunda: ¿ha entregado casos con modelos de al menos dos proveedores (Anthropic, OpenAI, Mistral, Google, modelos open en infraestructura propia)? Si las dos respuestas no son claramente afirmativas, el partner tiene un sesgo técnico (no necesariamente malo, pero sesgo) que conviene conocer antes de firmar.
El corolario práctico es que en 2026 la neutralidad no es "no tenemos preferencias" — es "tenemos preferencias razonadas y capacidad de cambiarlas cuando el caso lo pide".
Pregunta concreta para el RFP: "¿Qué decisión arquitectónica de plataforma o modelo han revisado en los últimos seis meses en un proyecto vivo, y qué dato les hizo cambiar?"
Es la misma lógica que describimos en LLMs propietarios vs open source: la decisión correcta de modelo depende del caso de uso concreto, no de una apuesta estructural del partner. Quien ha entregado con varios modelos tiene datos para argumentar; quien ha entregado con uno solo, tiene una hipótesis.
Criterio 4 · Trazabilidad del delivery
Esta es la pregunta que más incomoda a los proveedores y más informa al comprador:
"¿Puedo tener acceso lectura al repositorio del proyecto, al pipeline de evals, al board de tickets y al archivo de post-mortems?"
En un proyecto de IA serio en 2026, todo eso existe (si no existe, es un problema). Un partner sólido lo abre sin fricción: entiende que la trazabilidad es parte del valor entregado, no un sobrecoste.
La pregunta en RFP, desglosada:
- ¿El código del proyecto se entrega versionado en un repositorio accesible por el cliente desde el día uno?
- ¿Las evaluaciones de modelos se ejecutan en un pipeline reproducible (con seeds, datasets congelados, métricas registradas)?
- ¿Los post-mortems de incidentes se documentan y se comparten con el cliente?
- ¿Los runbooks de operación se entregan como parte del producto, no como "fase siguiente"?
Si el proveedor se resiste a abrir esto, está diciendo algo sobre su forma de trabajar. Los partners que operan con disciplina de software tradicional suelen sentirse cómodos aquí; los que vienen de otros backgrounds, menos.
Es un punto cercano a lo que desarrollamos en agentes IA en producción: el gap de calidad: observabilidad sin trazabilidad es teatro. Si el partner no puede enseñar cómo evalúa y cómo aprende iteración tras iteración, el cliente está financiando un ciclo que se repite.
Criterio 5 · Estabilidad del equipo en los próximos 12-24 meses
El último criterio es el más difícil de medir y el que más pesa. En servicios profesionales, la rotación del equipo asignado suele ser invisible para el cliente hasta que se nota — y cuando se nota, ya está a mitad de proyecto y cambiar de partner cuesta más que soportar la degradación. El comprador inteligente pregunta por adelantado:
- ¿Cuál es el churn anual de la plantilla dedicada a IA en los últimos 24 meses?
- ¿Existe un SLA contractual de rotación máxima en el equipo asignado al proyecto?
- ¿Existe una cláusula de aprobación de sustituciones para roles clave (arquitecto, lead engineer, lead data)?
- ¿Existe una ventana mínima de handover si alguien deja el equipo (propuesto: 20 días hábiles)?
- ¿Qué porcentaje del equipo asignado es plantilla propia del proveedor frente a subcontratada?
Este criterio cobra especial relevancia cuando el partner ha sido adquirido recientemente. La literatura sobre fusiones y adquisiciones en servicios profesionales coincide en que el periodo de los 12-24 meses posteriores a una integración concentra la mayor tasa de rotación, con rangos que habitualmente se reportan entre el 15% y el 30% del talento senior según sector y contexto (por ejemplo, informes de Deloitte Human Capital y de Bain sobre integración post-adquisición). No es una crítica a ningún proveedor en concreto: es una constante sectorial que conviene anticipar.
Qué pedir por escrito cuando tu partner acaba de ser adquirido
Este último año el mapa europeo de boutiques de datos e IA se ha consolidado rápidamente. Accenture cerró la compra de Keepler Data Tech en España el 8 de abril de 2026, sumándola a una cadena que incluía ya a Faculty, NeuraFlash, RANGR y Halfspace. En el mercado español la operación no es aislada: Bluetab está dentro de IBM, Synergic dentro de Telefónica Tech, y otros proveedores locales se mueven en la misma lógica. Desde el lado del cliente, eso significa que la terna de partners considerada hace 18 meses probablemente ya no refleja la foto actual.
Ante este escenario, conviene pedir por escrito cuatro cosas al partner que atraviesa una integración — o a cualquier partner en una renegociación:
Con cláusula de aprobación del cliente para sustituciones en roles clave (arquitecto, lead engineer, lead data).
Para los próximos 12-24 meses, con consecuencias contractuales si se incumple.
Y cuáles pasan a estándares del integrador, con plazos concretos de transición.
Aplicable en los próximos 6 meses. Es una petición razonable cuando el proveedor ha cambiado sustancialmente sus condiciones societarias y operativas.
Estas cuatro cosas se piden con respeto y se responden por escrito. Un partner que las ve como una agresión está diciendo más de sí mismo que del cliente.
Dónde encaja cada tipo de partner
Un apunte final, porque este artículo no pretende empujar a ningún perfil concreto. El mercado de IA empresarial en 2026 se sostiene con tres arquetipos distintos de partner, y cada uno tiene sentido en su contexto.
Boutique técnica independiente
Firmas especialistas con equipo senior estable, no dependientes de un único hyperscaler.
Encaja en: proyectos donde el criterio decisivo es la composición concreta del equipo asignado, la neutralidad multi-cloud/multi-modelo, la velocidad de iteración y la capacidad de acompañar el paso del piloto a la operación con coste predecible. En España en 2026 quedan varias con perfil relevante; el comprador informado las identifica y las mantiene en la terna.
Proveedor de plataforma con red de partners de delivery
Databricks, Snowflake, Anthropic vía partners certificados.
Encaja en: decisiones fuertemente ancladas en una plataforma concreta y una implementación relativamente predecible, donde el partner añade capacidad de delivery sobre un stack ya elegido por el cliente.
Cada proyecto tiene su perfil. El error más común es intentar que el mismo tipo de partner sirva para los tres contextos. Un programa multi-país regulado con alcance global no se ejecuta igual que un sprint de 12 semanas para llevar un modelo de recomendación a producción con coste predecible. Confundir los arquetipos suele terminar en sobre-coste (si se contrata un integrador global para algo pequeño) o en bloqueo operativo (si se contrata una boutique pequeña para algo masivo).
El insight operativo: la primera decisión de un RFP de IA en 2026 no es a quién llamar, sino qué arquetipo de partner encaja en tu proyecto. Solo después tienen sentido los cinco criterios de selección. Cambiar el orden es lo que hace que ternas mal construidas derivan en evaluaciones imposibles entre proveedores que no compiten por lo mismo.
Cierre
Elegir un IA partner en 2026 no es más fácil que hace tres años — es distinto. Los criterios que discriminaban (certificaciones, partner tier, cifra de negocio) hoy devuelven información más ruidosa que útil. Los cinco criterios propuestos aquí — ratio senior/junior del equipo asignado, capacidad de rechazar casos mal definidos, neutralidad vendor verificable, trazabilidad del delivery y estabilidad del equipo — no son secretos ni propietary. Cualquier comprador con criterio puede incorporarlos al template de su próximo RFP y convertir una conversación comercial en una conversación técnica de verdad.
El mejor partner de IA no es el que tiene más certificaciones. Es el que estará entregando el lunes lo mismo que prometió el viernes — con el mismo equipo, la misma trazabilidad y los mismos criterios de rechazo que aplicó en la propuesta.
Fuentes y referencias: Gartner Research — AI Project Success Rates 2026; MIT NANDA — State of AI in Business 2026; notas de prensa públicas sobre operaciones de M&A (Accenture-Keepler abril 2026, IBM-Bluetab, Telefónica Tech-Synergic Partners, Accenture-Faculty, Accenture-NeuraFlash, Accenture-RANGR, Accenture-Halfspace); Deloitte Human Capital y Bain — informes sobre rotación en integraciones post-adquisición en servicios profesionales.
Lectura complementaria: Por qué la mayoría de proyectos con LLM fracasan | LLMs propietarios vs open source | Agentes IA en producción: el gap de calidad | Compliance-First AI Design (EU AI Act)
Metodología onext: onext AI Engine es la metodología con la que acompañamos a empresas medianas y grandes en el paso de piloto a producción. Equipo senior estable nominado por nombre, neutralidad multi-cloud y multi-modelo, trazabilidad del delivery desde el día uno y coste predecible. Sin paralizar entregas.