La IA avanza, pero cambia menos de lo esperado
Durante un tiempo pensamos que el gran freno de la inteligencia artificial estaba en la tecnología. Que los modelos aún no eran suficientemente buenos, que les faltaba fiabilidad, que el coste era alto o que todavía no estaban listos para cambiar de verdad cómo funcionan las organizaciones. Hoy esa explicación empieza a quedarse corta.
Los modelos fundacionales siguen mejorando y el mercado está enviando señales muy claras de uso real. OpenAI superó los 25.000 millones de dólares de ingresos anuales a cierre de febrero de 2026, y Anthropic afirma que su run-rate de ingresos ha crecido más de diez veces al año en cada uno de los últimos tres años, previendo situarse por encima de los 30.000 millones de dólares para finales de este mes de abril. La IA, por tanto, sí se usa. Y mucho.
La pregunta interesante es otra. Si el uso existe y el mercado crece a esta velocidad, ¿por qué seguimos teniendo la sensación de que la transformación profunda en muchas compañías avanza bastante más despacio?
La adopción existe, pero no siempre donde cambia más valor
Sería injusto decir que la IA no ha entrado en la empresa. Ha entrado. Lo que ocurre es que una parte muy importante de ese uso parece concentrarse en el puesto de trabajo. Redactar, resumir, investigar, programar, documentar, preparar propuestas, analizar información, acelerar tareas repetitivas. Todo eso cuenta. Todo eso mejora tiempos y calidad. Todo eso tiene valor.
Pero también puede ocultar un límite. Estamos cambiando horas/persona por tokens, pero no siempre tokens por valor estratégico de negocio. Dicho de otra manera, vemos mucha IA en el escritorio y bastante menos en el núcleo operativo de las compañías.
Y aquí conviene ser precisos. La IA no transforma empresas por arte de magia. Las transforma cuando cambia procesos reales. Ese punto ya lo sabíamos y lo hemos abordado en otra edición de nuestra newsletter.
Lo que quizá estamos viendo ahora es que una parte relevante de la adopción se ha quedado en la capa anterior al rediseño del proceso. Ayudamos mejor a las personas dentro del trabajo existente, pero cambiamos menos de lo esperado la lógica con la que ese trabajo se organiza.
El asistente mejora tareas. La transformación exige rediseño
Ese es, probablemente, el matiz clave del momento. Un asistente puede mejorar mucho el rendimiento individual dentro de un flujo ya conocido. Reduce fricción, acelera tareas y hace más accesibles ciertas capacidades. Todo eso es útil, y seguirá siéndolo.
Pero transformar de verdad exige algo más. Exige revisar cómo se decide, cómo se enruta, dónde están las excepciones y qué pasos siguen teniendo sentido. Es decir, exige entrar en el proceso.
McKinsey lo refleja con claridad. El rediseño intencional de workflows aparece como uno de los factores más asociados a capturar valor real. El mensaje de fondo es potente. La productividad individual suma, pero la ventaja competitiva suele aparecer cuando cambia el sistema, no solo la herramienta.
El riesgo de confundir uso con transformación
El riesgo principal probablemente sea que las organizaciones interpreten como transformación lo que en realidad es una capa de productividad encima del modelo operativo anterior.
La situación es comprensible. Hay herramientas nuevas, pilotos, mejoras visibles y equipos usándolas a diario. Todo eso es real. Pero también puede generar una ilusión. La de pensar que, porque la IA ya está presente en muchas tareas, la organización ya está cambiando de verdad.
Y no siempre es así. Puede haber mucha adopción y poco rediseño. Mucha asistencia y poca reconfiguración del proceso. Mucha eficiencia local y poco impacto estructural.
Por qué cuesta tanto dar el salto
La dificultad es más estructural. Transformar con IA obliga a tocar aquello que las organizaciones suelen proteger con más fuerza. Procesos críticos, métricas, roles, sistemas legados, control, responsabilidad o incentivos. Es mucho más fácil desplegar un asistente que rehacer un circuito de decisión. Mucho más fácil comprar licencias que rediseñar un flujo de trabajo.
Por eso muchas compañías avanzan primero por la vía menos traumática, la del apoyo individual y la mejora incremental. Tiene lógica. El problema aparece cuando esa fase inicial se convierte en destino final. Y aunque las nuevas soluciones agénticas prometen ir más allá de la asistencia puntual, su valor dependerá menos de la tecnología que de la voluntad de replantear cómo se opera.
Aquí conviene evitar una explicación demasiado simple: no es solo falta de visión, no es solo miedo. Y probablemente tampoco es ya solo un problema tecnológico.
El coste de quedarse a medio camino
Quedarse ahí tiene consecuencias.
.01
Dejar mucho valor sin capturar.
Si el mayor impacto está en procesos, decisiones y operaciones, limitar la IA a productividad personal significa conformarse con una parte pequeña del potencial.
.02
Competitiva.
Cuando una tecnología madura, la ventaja rara vez se queda en quien la prueba antes. Suele quedarse en quien reorganiza antes su forma de trabajar alrededor de ella.
.03
Cultural.
Cuanto más se normaliza una adopción superficial, más fácil resulta pensar que ya se ha hecho lo suficiente. Ese puede ser el riesgo menos visible de todos. No fracasar en la adopción, sino acomodarse demasiado pronto en una versión cómoda de ella.
Cambiar el foco
Quizá ha llegado el momento de mover el centro de la conversación. No para dejar de hablar de asistentes. Sería absurdo. Los asistentes tienen sentido y seguirán aportando mucho valor. Pero sí para dejar de tratarlos como si fueran la medida principal del éxito.
La pregunta importante ya no debería ser solo cuántas personas usan IA o cuántas horas se ahorran. La pregunta más interesantes son otras. ¿Qué procesos han cambiado de verdad? ¿Qué decisiones se toman ahora de otra manera? ¿Qué parte de la operación funciona con otra lógica? ¿Qué valor nuevo se ha creado?
