El número que nadie pone en el comunicado
Las empresas de tecnología han ganado el debate sobre si la inteligencia artificial importa. Lo perdieron, en cambio, sobre si funciona como prometen. Los informes de adopción de 2026 dibujan una brecha que ninguna presentación corporativa exhibe: casi todas las organizaciones dicen usar IA, pero muy pocas logran que esa IA mueva sus resultados. Entre el anuncio y el rendimiento se abrió un abismo medible.
El primer par de cifras lo resume. El 91 por ciento de las organizaciones afirma que usa herramientas de IA, pero solo el 21 por ciento de los trabajadores la usa realmente en su trabajo: la distancia entre las afirmaciones corporativas y la realidad diaria es enorme. Una empresa puede comprar licencias, anunciar su “transformación con IA” y aun así tener a cuatro de cada cinco empleados sin tocarla. La adopción declarada y la adopción real son dos cosas distintas, y la diferencia es donde se pierde el dinero.
El segundo par confirma el patrón en el bolsillo. El 95 por ciento de las organizaciones no ve un retorno medible de sus inversiones en IA, pese a que la adopción se duplicó desde 2023. Gastar más y duplicar el uso no se ha traducido, para la gran mayoría, en ganancias verificables. La pregunta que los datos obligan a hacer no es si la IA sirve —en algunos casos rinde de forma espectacular—, sino por qué tan pocos capturan ese valor.
Los superusuarios y el techo de silicio
La parte luminosa de los datos es real y conviene no minimizarla. Hay quienes obtienen de la IA exactamente lo que se prometió. Los superusuarios de IA entregan ganancias de productividad de cinco veces, pero solo el 29 por ciento de las organizaciones ve un retorno significativo de la IA generativa y el 23 por ciento de los agentes de IA. El problema no es que la herramienta no funcione: funciona, y muy bien, para una minoría. El problema es que esa minoría no contagia al resto.
La explicación de por qué el valor no se extiende tiene un nombre. La encuesta de BCG reveló una brecha que llaman el “techo de silicio”: mientras el 75 por ciento de líderes y gerentes usa IA generativa varias veces por semana, solo el 51 por ciento de los empleados de primera línea la usa con regularidad. Los que deciden la adoptan; los que ejecutan el trabajo real, mucho menos. Y si quien hace la tarea no usa la herramienta, la organización no puede capturar su potencial por más licencias que compre.
El desfase entre el rendimiento individual y el organizacional es, según los analistas, la historia completa. McKinsey reporta un retorno de 5,8 veces sobre la inversión en IA dentro de los 14 meses de despliegue en producción, pero solo el 25 por ciento de las iniciativas entrega el retorno esperado y apenas el 16 por ciento alcanza escala en toda la empresa. La distancia entre el resultado mediano y el del caso atípico de éxito lo explica todo: unos pocos despliegues estelares elevan el promedio, mientras la mayoría se queda en pilotos que nunca escalan.
Por qué fracasan siete de cada diez
Si el valor existe y la tecnología funciona, la pregunta es qué mata a la mayoría de los proyectos. Los datos son inusualmente claros sobre la causa, y no es la que el sentido común sugiere. Entre el 70 y el 80 por ciento de las iniciativas de IA fracasan, en su mayoría por problemas de gestión del cambio más que por problemas tecnológicos. El modelo no es el obstáculo; la organización sí.
La advertencia más citada de la industria viene de Gartner y apunta al futuro inmediato. Más del 40 por ciento de los proyectos de IA agéntica están en riesgo de cancelación para 2027, según Gartner, mientras solo el 21 por ciento de las organizaciones tiene un modelo de gobernanza maduro para agentes autónomos y el 52 por ciento cita la calidad de los datos como el mayor obstáculo para desplegarlos. Dos de cada tres barreras —gobernanza y datos— son problemas de casa, no de la herramienta comprada.
El diagnóstico de fondo lo formulan los propios analistas sin rodeos. La adopción indisciplinada lleva a iniciativas abandonadas y a inversión desperdiciada; el camino correcto es enfocarse en pilotos gobernados en áreas con retorno documentado, ordenar la infraestructura de datos antes de escalar, medir todo y estar dispuesto a apagar lo que no funciona. El éxito, en otras palabras, no depende de tener el mejor agente, sino de tratarlo como un sistema con responsabilidades claras y no como una solución mágica a problemas mal definidos.
El costo oculto: el “trabajo basura” de la IA
Hay un dato que rara vez aparece en los informes de proveedores porque mide el daño, no el beneficio. La IA no solo deja de ahorrar tiempo en muchos casos: a veces lo destruye. El 40 por ciento de los trabajadores ha recibido “workslop” —contenido generado por IA de baja calidad— que cuesta casi dos horas arreglar por incidente. Es un fenómeno nuevo: documentos, informes o código producidos por IA que parecen terminados pero están mal, y que alguien debe descifrar y rehacer.
El impacto financiero de ese fenómeno se puede cuantificar. Los destinatarios gastan cerca de dos horas por incidente descifrando, corrigiendo o rehaciendo ese trabajo, con un impacto de 186 dólares al mes por empleado en productividad perdida. Dicho de otro modo: parte de la “productividad” que la IA genera en un escritorio se transforma en pérdida de productividad en el escritorio de al lado, que recibe el material defectuoso y debe rehacerlo. El ahorro de uno es el costo de otro.
Hay además un desajuste estructural entre lo que las empresas dicen que harán y lo que hacen por sus trabajadores. El 77 por ciento de los empleadores planea recapacitar a sus trabajadores para la IA, pero solo el 13 por ciento de los empleados ha recibido alguna formación en IA. Esa brecha entre la intención declarada y la inversión real en personas es, según los datos de gestión del cambio, una de las raíces del fracaso: se despliega la herramienta sin preparar a quien debe usarla, y luego se culpa a la herramienta.
El “trabajo basura” tiene además un efecto corrosivo que los números no capturan del todo: erosiona la confianza. Cuando un empleado recibe varias veces material generado por IA que debe rehacer, deja de confiar en cualquier entrega que venga de esa fuente, y empieza a revisar todo desde cero, anulando el ahorro que la herramienta prometía. La productividad no se pierde solo en las dos horas de corrección por incidente, sino en la desconfianza acumulada que convierte cada documento en sospechoso. Una organización que despliega IA sin control de calidad no obtiene velocidad: obtiene un nuevo tipo de fricción, más difícil de medir y más caro de revertir que el problema que pretendía resolver.
El estrés del que no se habla
Un ángulo poco explorado de los datos es el costo humano en la cúpula. La presión por mostrar resultados de IA ha generado un fenómeno medible entre los propios ejecutivos. El 73 por ciento de los directores ejecutivos reporta estrés o ansiedad por la estrategia de IA de su empresa, y el 38 por ciento experimenta niveles altos o paralizantes de estrés. La carrera por no quedarse atrás se ha vuelto una fuente de angustia en quienes deben decidir cuánto invertir y cuándo.
Ese estrés tiene un origen identificable en los datos: el miedo a quedar rezagado, no la evidencia de retorno. La presión sobre los ejecutivos ha creado una crisis de estrategia performativa, en la que se anuncian iniciativas para proyectar modernidad más que para resolver problemas concretos. El resultado es un ciclo: se invierte por miedo, se anuncia para tranquilizar a los mercados, y luego se descubre que el retorno no llega porque el problema nunca estuvo bien definido.
El riesgo de seguridad agrava el cuadro. El 67 por ciento de los ejecutivos cree que su empresa ya sufrió una fuga o filtración de datos por herramientas de IA no aprobadas, el 36 por ciento carece de un plan formal para supervisar agentes de IA, y el 35 por ciento admite que no podría “desconectar” de inmediato a un agente descontrolado. Que un tercio de las empresas no pueda apagar un agente que se comporta mal es un dato de gobernanza alarmante, y explica por qué la prudencia regulatoria sobre la IA no es paranoia, sino respuesta a una realidad operativa.
La curva de madurez según los analistas
Para entender dónde estamos conviene mirar el mapa que los analistas trazan del recorrido, porque ordena el ruido en una secuencia. Gartner describe una trayectoria de madurez por etapas: asistentes en 2025, agentes específicos por tarea en 2026, agentes colaborativos en 2027 y ecosistemas que cruzan aplicaciones en 2028. Según ese mapa, 2026 es el año en que la IA pasa del asistente que responde preguntas al agente que ejecuta tareas concretas, un salto cualitativo que multiplica tanto el valor potencial como el riesgo.
La penetración proyectada confirma que el cambio no es opcional. Gartner estima que el 40 por ciento de las aplicaciones empresariales incluirá agentes específicos por tarea en un plazo de dos años, frente a menos del 5 por ciento actual; la IA dejará de ser opcional para quedar embebida en flujos de trabajo centrales como servicio al cliente, reuniones y operaciones. Hacia 2029, la mitad de los trabajadores del conocimiento construirá y supervisará agentes como parte de su trabajo. El horizonte es de integración profunda, no de moda pasajera.
El contraste entre esa proyección optimista y las cifras de fracaso actuales es, precisamente, el punto. La trayectoria de madurez describe a dónde se quiere llegar; los datos de ROI describen cuántos lo están logrando hoy. La distancia entre ambas es el trabajo pendiente, y es enorme: solo el 1 por ciento de las empresas se considera maduro en su uso de IA, mientras el 74 por ciento de los ejecutivos dice que la IA es crítica y el 91 por ciento afirma que la está escalando. Casi todos escalan; casi nadie ha madurado. Esa es la tensión que define el momento.
El entusiasmo de las encuestas y la letra pequeña
Conviene contrastar los datos de fracaso con las encuestas de la propia industria, porque cuentan una historia aparentemente opuesta que en realidad la complementa. Según una encuesta de CrewAI a 500 ejecutivos de grandes empresas, el 100 por ciento planea expandir su uso de IA agéntica en 2026, el 65 por ciento ya usa agentes hoy, el 81 por ciento los ha adoptado plenamente o los está escalando, y el 75 por ciento reporta un impacto alto o muy alto en ahorro de tiempo. Leídas solas, esas cifras pintan un éxito rotundo.
La aparente contradicción con el 95 por ciento que no ve retorno se resuelve mirando qué mide cada encuesta. Una cosa es el ahorro de tiempo percibido por un ejecutivo y otra el retorno financiero verificable a nivel de organización; una cosa es la intención de expandir y otra el resultado de haber expandido. El factor de evaluación que más citan los ejecutivos al elegir plataformas de agentes es la seguridad y la gobernanza, mencionada por el 34 por ciento. Que la gobernanza encabece las preocupaciones, incluso entre los más entusiastas, confirma que el problema no es de fe en la tecnología sino de capacidad para controlarla.
La concentración sectorial cierra el cuadro y matiza cualquier generalización. Tecnología y servicios financieros lideran la adopción con entre 78 y 88 por ciento, la manufactura aceleró del 70 al 77 por ciento en 18 meses, y el gobierno y la educación rezagan por sus ciclos de compra y restricciones regulatorias. OpenAI reporta 1,5 millones de licencias empresariales, diez veces más que el año anterior, y más del 92 por ciento de las empresas de Fortune 500 tiene empleados usando su herramienta, aunque el 73,8 por ciento de las cuentas en el trabajo son personales, no versiones corporativas. El uso es masivo pero informal: la gente usa IA en el trabajo con cuentas propias, fuera del control y la gobernanza de su empresa, lo que reconecta con el riesgo de seguridad que tanto preocupa a los ejecutivos.
Lo que el desfase enseña a quien llega después
Para una empresa, un banco o un Estado de la región que aún no ha invertido fortunas en IA, estos datos son una ventaja, no una mala noticia. Llegar después permite aprender del desperdicio ajeno. La lección central de los números de 2026 es que el valor de la IA no está en la herramienta sino en la organización que la rodea: los datos limpios, la gobernanza que permite apagar lo que falla, la formación de quien la usa y la disciplina de medir el retorno antes de escalar.
El patrón que separa al 16 por ciento que escala del 84 por ciento que no es replicable y barato comparado con el costo de los modelos. El camino consiste en pilotos gobernados en áreas con métricas operativas medibles y de alto volumen, que fueron precisamente las que adoptaron primero con claridad de retorno. No se trata de comprar el agente más potente, sino de elegir un proceso concreto, medible y repetitivo, ordenarle los datos, y solo entonces automatizarlo. Quien empieza por ahí evita el “trabajo basura” y la iniciativa abandonada.
Hay una advertencia simétrica para no caer en el cinismo opuesto. Que el 95 por ciento no vea retorno no significa que la IA no sirva, sino que la mayoría la implementó mal. El 5,8 veces de retorno de McKinsey y el quíntuple de productividad de los superusuarios son reales: existen organizaciones que capturan el valor. La diferencia no está en el acceso a la tecnología, que hoy es casi universal y barata, sino en el diseño organizacional que la convierte en resultado. Ese diseño no se compra hecho; se construye, y es exactamente el terreno donde quien llega después puede competir sin necesidad de fabricar un solo chip.
El balance de los números
La paradoja de la adopción de IA en 2026 no es un fracaso de la tecnología, sino un desajuste entre su disponibilidad y la capacidad de las organizaciones para convertirla en resultados. Los modelos funcionan, los superusuarios lo demuestran y el retorno existe para quien lo diseña bien. Pero la mayoría confundió comprar la herramienta con transformar la operación, y los datos castigan esa confusión con iniciativas abandonadas, trabajo defectuoso y ejecutivos estresados.
El veredicto que dejan los informes es doble y conviene leerlo entero. Por un lado, el escepticismo está justificado: nadie debería invertir en IA por miedo a quedarse atrás, sin un problema concreto que resolver ni una forma de medir si lo resolvió. Por otro, el entusiasmo de la minoría exitosa también está justificado: cuando la IA se aplica a un proceso medible, con datos ordenados y gobernanza, el retorno es real y grande. La línea que separa a unos de otros no es el presupuesto ni el acceso al mejor modelo, sino la disciplina de tratar a la IA como lo que es: un sistema que hay que gobernar, medir y, cuando no funciona, apagar. Los números de 2026 no dicen que la IA fallara; dicen que la mayoría todavía no aprendió a usarla.