Español

El 87% de las Empresas No Alcanzó Sus Objetivos de Ingresos Pese al Récord de Gasto en AI. La Solución Empieza en Sus Datos

El 87% de las empresas no alcanzó sus objetivos de ingresos pese al récord de gasto en AI

Los presupuestos crecieron. Las herramientas se multiplicaron. Los objetivos siguieron sin cumplirse.

Ese es el incómodo titular de la nueva investigación de Clari Labs, publicada en enero de 2026, que encontró que el 87% de las empresas no logró alcanzar sus objetivos de ingresos de 2025, aun cuando el gasto en AI para ingresos alcanzó máximos históricos. El estudio encuestó a líderes de ingresos de organizaciones de ventas empresariales y puso en evidencia un patrón que la mayoría de los equipos de Sales Ops ya intuía: el problema no es la cobertura de herramientas. Son los datos que subyacen a esas herramientas.

Según Clari Labs, el 48% de los equipos de ingresos afirma que sus datos simplemente no están preparados para la implementación de AI. Y el 55% experimenta señales de pipeline contradictorias provenientes de fuentes de datos desconectadas, lo que significa que la AI no genera claridad, sino ruido más rápido.

Por Qué Más AI Sobre Datos Deficientes Empeora las Cosas

Esta es la parte que rara vez aparece en los keynotes de los proveedores. Los modelos de AI no resuelven problemas de datos. Los escalan.

Cuando los datos de ingresos se encuentran en silos (CRM, automatización de marketing, tickets de soporte, registros de uso de producto), cada sistema cuenta una historia diferente sobre la salud de un negocio. Un analista humano puede triangular esas historias con contexto. Un agente de IA no puede. Establece patrones a partir de las señales que logra ver y, si esas señales se contradicen entre sí, genera resultados inconsistentes. Eso es exactamente lo que experimenta el 55% de las empresas incluidas en el estudio de Clari Labs.

El 87% de las empresas no alcanzó sus objetivos de ingresos de 2025 frente al 96% de precisión en el forecast para equipos con datos unificados

El contraste en la investigación es contundente. Las empresas que unificaron y gobernaron sus datos de ingresos alcanzaron un 96% de precisión en el forecast, observaron un aumento de 20 puntos en la tasa de renovación y obtuvieron un ROI del 398%, equivalente a aproximadamente 96,2 millones de dólares en beneficios a tres años. Las mismas capacidades de AI. Resultados radicalmente diferentes. La variable es la calidad y la gobernanza de los datos, no el stack de AI en sí.

Datos Clave

  • El 87% de las empresas no alcanzó sus objetivos de ingresos de 2025 pese al récord de inversión en AI (Clari Labs, enero 2026)
  • El 55% experimenta señales de pipeline contradictorias provenientes de fuentes de datos desconectadas (Clari Labs, enero 2026)
  • Las empresas con datos de ingresos unificados y bien gobernados lograron un 96% de precisión en el forecast y un ROI del 398% (Clari Labs, enero 2026)

La brecha de gobernanza también es real. Clari Labs encontró que el 42% de las empresas no cuenta con un marco formal para la consistencia de datos y la rendición de cuentas en las operaciones de ingresos. Y el 39% solo recalibra sus modelos de forecast semanal o mensualmente, no de forma continua. Ambos son problemas estructurales que ningún nivel de gasto en AI puede subsanar.

El Mercado Se Pone al Día con lo que Sales Ops Ya Sabía

La entidad combinada Clari + Salesloft, que ha pasado de la integración a escalar su Sistema de Ingresos Predictivo desde que se cerró la combinación, fue nombrada en el inaugural Gartner Magic Quadrant para una categoría que Gartner ahora denomina "Revenue Action Orchestration". El nombre de la categoría en sí es revelador.

Orquestación. No generación. No automatización. Orquestación.

Gartner reconoce formalmente que la próxima ventaja competitiva en tecnología de ingresos no consiste en agregar otra herramienta de AI puntual al stack. Se trata de coordinar acciones de AI sobre una capa de datos limpia, unificada y bien gobernada. Ese ha sido el argumento de Sales Ops durante años. El mercado finalmente lo está comprendiendo.

Clari + Salesloft también nombró a Brian Benfer como Chief Revenue Officer y a Rajesh Krishnaswami como Chief Technology Officer en mayo de 2026, lo que indica una inversión continua en el impulso empresarial de la plataforma combinada. Puede seguir esa evolución en el centro de prensa de Clari.

Si está evaluando cómo está cambiando el panorama de plataformas, nuestro análisis del hito de Gong de 500 millones de dólares en ARR explica lo que "inteligencia de ingresos a escala" requiere realmente de su infraestructura de datos. Y nuestra guía de evaluación para el CRO sobre la fusión Clari + Salesloft profundiza en lo que la plataforma combinada significa para su stack actual.

La Verificación de Preparación de Datos de Ingresos (Un Diagnóstico para Sales Ops)

Antes de que su organización apruebe otro despliegue de agentes de IA, Sales Ops debería ejecutar lo que denominamos la Verificación de Preparación de Datos de Ingresos. Tres preguntas. Solo respuestas honestas.

Pregunta 1: ¿Están unificados sus datos de ingresos? ¿Puede una sola consulta devolver una visión consistente de la salud de un negocio a través del CRM, marketing, soporte y uso del producto? Si la respuesta requiere conciliar manualmente exportaciones de múltiples sistemas, sus datos no están unificados.

Pregunta 2: ¿Están gobernados sus datos de ingresos? ¿Cuenta con propietarios documentados, reglas de validación y responsabilidad para cada campo de datos que alimenta su forecast? Si diferentes equipos definen "oportunidad calificada" de manera distinta, tiene un problema de gobernanza, no un problema tecnológico.

Pregunta 3: ¿Está actualizado su modelo de forecast? ¿Con qué frecuencia recalibra su equipo el modelo frente a los resultados reales? La investigación de Clari Labs encontró que el 39% de las empresas lo hace solo semanal o mensualmente. En un mercado donde la deal velocity cambia más rápido que un ciclo trimestral, ese rezago se convierte en error sistemático de forecast.

Si alguna de estas tres respuestas es "no" o "no estamos seguros", agregar más agentes de IA acelerará el problema del ruido, no lo resolverá.

La Secuencia Datos-Antes-que-Agentes

Esta es la secuencia práctica que recomendamos a los equipos de Sales Ops que buscan convertir el gasto en AI en un rendimiento real de ingresos:

Paso 1: Audite sus fuentes de datos. Mapee cada sistema que aporta datos a su forecast de ingresos. Identifique los que no se sincronizan automáticamente, requieren conciliación manual o producen campos con definiciones inconsistentes.

Paso 2: Establezca una capa de gobernanza. Defina la responsabilidad de cada campo de datos crítico. Asigne un responsable de datos por sistema. Documente qué significa "limpio" para cada métrica y cree validaciones simples en el workflow de su CRM.

Paso 3: Fije una cadencia de recalibración. Pase de actualizaciones semanales o mensuales del modelo a una recalibración continua, o como mínimo semanal, vinculada a datos reales de cierre/pérdida. La precisión del forecast se deteriora cuando los modelos se distancian de las condiciones actuales del mercado.

Paso 4: Luego despliegue la AI. Con datos unificados, gobernados y actualizados, los agentes de IA operarán sobre señales internamente consistentes. Ese es el momento en que los resultados de 96% de precisión en el forecast se vuelven alcanzables.

Esta secuencia aplica tanto si está evaluando nuevas plataformas como si intenta obtener más valor de su stack actual. Para los equipos que trabajan la calidad de datos del pipeline como parte de esta labor, los fundamentos no han cambiado: si los datos de entrada son basura, los de salida también lo serán, solo que a velocidad de AI.

Si desea comprender cómo la AI está redefiniendo el rol de Sales Ops, nuestra biblioteca AI Sales Operator analiza los cuatro patrones que definen la evolución de esta función.

Lecturas relacionadas sobre el despliegue de agentes de IA: Salesforce Agentforce ahora es un colaborador más, y RevvyAI de 6sense lleva la calificación de cuentas a la AI. Ambos artículos abordan la misma tensión: la capacidad de AI está lista, pero la preparación de datos sigue siendo el factor determinante.

Preguntas Frecuentes

¿Por qué las herramientas de AI no mejoran la precisión de nuestro forecast de ventas?

La mayoría de las herramientas de forecast con AI son tan buenas como los datos que consumen. Si sus datos de ingresos residen en sistemas desconectados, utilizan definiciones de campos inconsistentes o se recalibran con poca frecuencia, la AI mostrará señales contradictorias en lugar de una visión coherente. Clari Labs encontró que el 55% de las empresas ya experimenta esto. La solución es primero la gobernanza y unificación de datos, y luego el despliegue de AI.

¿Qué significa "Revenue Action Orchestration" para Sales Ops?

Es la categoría que Gartner introdujo para describir las plataformas que coordinan acciones de AI en todo el ciclo de ingresos sobre una capa de datos unificada. Para Sales Ops, significa que el mercado está validando lo que la función siempre ha sabido: el valor no está en tener más herramientas de AI, sino en contar con un entorno de datos único y bien gobernado desde el que operen todas las herramientas. Sales Ops está naturalmente posicionado para ser el dueño de esa capa.

¿Cómo empezamos a solucionar la fragmentación de datos de ingresos sin reemplazar toda la plataforma?

Comience con las tres preguntas de diagnóstico anteriores (unificado, gobernado, actualizado). Aborde primero la brecha de mayor impacto. Un marco de gobernanza puede implementarse con frecuencia con las herramientas existentes, asignaciones de responsabilidad a nivel de campo y definiciones documentadas, antes de cualquier compra de tecnología nueva. Esa base hace que cada despliegue de AI posterior sea más efectivo, incluidas las herramientas que ya tiene.

Qué Debe Hacer Sales Ops Esta Semana

  1. Ejecute la Verificación de Preparación de Datos de Ingresos. Responda las tres preguntas anteriores para sus datos de forecast actuales. Escriba las respuestas. Si alguna es "no" o "poco claro", ese es su elemento de riesgo prioritario antes de cualquier nuevo despliegue de AI.

  2. Mapee sus fuentes de datos. Liste cada sistema que toca su forecast de ingresos. Identifique cuáles se sincronizan automáticamente y cuáles requieren intervención manual. La conciliación manual es donde se acumulan los errores.

  3. Programe una revisión de gobernanza. Reúna al administrador del CRM, al líder de RevOps y al menos un representante de AE. Alinee el significado de "oportunidad calificada". Docúmentelo. Hágalo oficial.

  4. Audite su cadencia de recalibración. Si su modelo de forecast no ha sido recalibrado frente a resultados reales en los últimos 30 días, programe eso ahora. Los modelos desactualizados son fábricas de errores sistemáticos.

  5. Construya el caso de negocio. Las cifras de Clari Labs son convincentes: 398% de ROI y 96% de precisión en el forecast gracias a la unificación de datos. Use esos benchmarks para fundamentar una inversión en preparación de datos ante su CFO antes de que llegue la próxima solicitud de compra de agentes de IA.

Las empresas del estudio de Clari Labs que no alcanzaron sus objetivos no carecían de herramientas de AI. Les faltaba disciplina en los datos. Sales Ops es dueño de esa disciplina. Este es su momento.

Plataformas como Rework se construyen sobre la premisa de que los datos de ingresos unificados y bien gobernados son la base, no una característica adicional. Pero independientemente de su stack, la secuencia es la misma: limpie los datos, govérnelos y luego deje correr la AI.

Aprenda Más