La Inteligencia Artificial está entrando en las empresas a una velocidad impresionante.

ChatGPT, Microsoft Copilot, agentes de IA, automatizaciones, asistentes internos, modelos personalizados… cada semana aparecen nuevas herramientas, nuevos casos de uso y nuevas promesas de productividad.

Pero existe una contradicción que me parece especialmente interesante:

las empresas están adoptando Inteligencia Artificial, pero muchas todavía no están consiguiendo transformar realmente su negocio con ella.

Un informe titulado The GenAI Divide: State of AI in Business 2025 plantea precisamente este problema y presenta una conclusión especialmente llamativa: alrededor del 95 % de las iniciativas empresariales de IA generativa no estarían consiguiendo un impacto tangible y medible en productividad o ingresos, mientras que aproximadamente un 5 % logra resultados significativos.

Más allá del porcentaje concreto, que conviene interpretar en el contexto y metodología del estudio, creo que la pregunta importante es otra:

¿por qué tantas empresas están utilizando IA y tan pocas están consiguiendo convertirla en una ventaja real?

Por mi experiencia observando cómo las organizaciones están adoptando estas herramientas, el problema no suele ser simplemente tecnológico.

Muchas empresas tienen acceso a modelos potentes.

Tienen Microsoft Copilot.

Tienen ChatGPT.

Tienen APIs.

Tienen plataformas de automatización.

Incluso disponen de presupuesto.

Y, sin embargo, siguen sin saber exactamente dónde, cómo y para qué utilizar la IA.

Ese es el verdadero reto.

Las empresas no tienen un problema de acceso a la IA

Hace unos años, incorporar Inteligencia Artificial requería disponer de equipos especializados, infraestructura tecnológica y grandes presupuestos.

Eso ha cambiado radicalmente.

Hoy cualquier profesional puede empezar a utilizar herramientas de IA generativa desde un navegador.

Esta democratización ha provocado una adopción enorme.

Pero disponer de una tecnología y saber integrarla dentro de una organización son dos cosas completamente diferentes.

Yo puedo darle ChatGPT a cien empleados.

Eso no significa que haya transformado la empresa.

Puede ocurrir que cada trabajador escriba correos más rápido, resuma documentos o genere alguna presentación.

Eso produce cierta mejora individual.

Pero una mejora individual no equivale necesariamente a una transformación empresarial.

El informe señala precisamente esa diferencia entre alta adopción y bajo impacto corporativo: herramientas como ChatGPT o Copilot pueden aumentar la productividad personal, mientras muchas implementaciones empresariales siguen sin alcanzar una fase productiva con resultados claramente medibles.

El gran error: empezar por la herramienta y no por el proceso

Este es probablemente uno de los errores que más veo.

Una empresa descubre una nueva herramienta de IA y pregunta:

“¿Cómo podemos utilizar esto?”

Yo invertiría la pregunta:

“¿Qué procesos tenemos que mejorar y qué tecnología puede ayudarnos?”

Parece un matiz pequeño, pero cambia completamente el enfoque.

La IA no debería comenzar con una demostración espectacular de una herramienta.

Debería comenzar identificando problemas empresariales concretos.

Por ejemplo:

• procesos administrativos demasiado lentos;
• documentos que requieren muchas horas de revisión;
• información duplicada entre departamentos;
• consultas de clientes repetitivas;
• tareas manuales de clasificación;
• generación recurrente de informes;
• dificultad para localizar conocimiento interno;
• procesos de aprobación excesivamente largos.

Cuando identificamos primero el problema, podemos evaluar después si la Inteligencia Artificial es realmente la tecnología adecuada para solucionarlo.

En muchas organizaciones falta precisamente esta capacidad de reingeniería de procesos.

No basta con digitalizar un proceso antiguo.

Hay que preguntarse si ese proceso debería seguir funcionando de la misma manera.

La IA exige rediseñar cómo trabaja la empresa

Imagine una empresa donde un empleado recibe un documento por correo electrónico.

Después:

lo descarga,

lo guarda en una carpeta,

copia determinados datos,

abre otra aplicación,

introduce esos datos,

envía otro correo,

actualiza una hoja de cálculo,

y finalmente avisa a un responsable.

La primera reacción podría ser:

“pongamos IA en alguna parte del proceso”.

Pero la pregunta más interesante sería:

¿por qué seguimos haciendo siete pasos?

Tal vez el verdadero proyecto de Inteligencia Artificial consiste en rediseñar todo el flujo.

Un sistema puede recibir el documento, identificar su contenido, extraer la información relevante, validarla, almacenarla, iniciar una aprobación y notificar únicamente cuando sea necesaria una intervención humana.

Eso ya no es simplemente “usar IA”.

Eso es rediseñar una operación utilizando IA y automatización.

Y ahí empieza a aparecer el verdadero retorno.

La “brecha de aprendizaje” de la Inteligencia Artificial

Uno de los conceptos centrales del informe es lo que denomina learning gap o brecha de aprendizaje.

Según el documento, el problema de muchas soluciones no se encuentra necesariamente en el modelo de Inteligencia Artificial o en la infraestructura, sino en su incapacidad para adaptarse suficientemente al contexto particular de la organización.

Un sistema puede responder perfectamente a una pregunta aislada.

Pero una empresa necesita mucho más.

Necesita que el sistema comprenda:

• sus procesos;
• sus documentos;
• sus reglas internas;
• su terminología;
• sus excepciones;
• sus clientes;
• sus herramientas;
• sus permisos;
• su historial.

Y además necesita mantener ese contexto de forma consistente.

Aquí aparece una de las grandes fronteras actuales de la IA empresarial.

No necesitamos únicamente modelos capaces de responder preguntas.

Necesitamos sistemas capaces de integrarse dentro de procesos reales.

Shadow AI: cuando los empleados van más rápido que la empresa

Otro de los puntos especialmente interesantes del documento es el fenómeno denominado Shadow AI.

El informe sostiene que existe una gran diferencia entre las herramientas oficialmente adquiridas por las empresas y las aplicaciones de Inteligencia Artificial que los empleados utilizan por iniciativa propia.

Esto tiene mucho sentido.

Un empleado tiene un problema.

Necesita resumir un documento.

Crear una fórmula.

Traducir un texto.

Preparar una presentación.

Analizar información.

No espera seis meses a que la empresa complete un proyecto corporativo de Inteligencia Artificial.

Abre ChatGPT, Claude, Gemini o cualquier otra herramienta disponible y resuelve su necesidad.

Así aparece una especie de economía paralela de IA dentro de las organizaciones.

Esto demuestra algo positivo:

los trabajadores están encontrando utilidad real a estas herramientas.

Pero también genera riesgos importantes.

Entre ellos:

• fuga de información confidencial;
• utilización de herramientas no aprobadas;
• incumplimiento de políticas internas;
• problemas de privacidad;
• pérdida de trazabilidad;
• exposición de propiedad intelectual;
• dificultades de cumplimiento normativo.

La solución no consiste simplemente en bloquear todas las herramientas.

Si una enorme cantidad de empleados utiliza IA por su cuenta, la organización debería preguntarse:

¿qué necesidad están resolviendo que nosotros todavía no hemos resuelto?

El retorno puede estar donde menos se busca: el back office

Muchas empresas comienzan sus inversiones en Inteligencia Artificial por marketing y ventas.

Tiene lógica.

Son departamentos muy visibles y resulta fácil imaginar casos de uso:

generación de textos,

campañas,

publicidad,

personalización,

prospección,

contenido para redes sociales.

Sin embargo, el informe plantea que algunos de los retornos más interesantes aparecen en el back office, es decir, en procesos internos menos visibles.

Aquí encontramos actividades como:

• gestión documental;
• procesamiento administrativo;
• operaciones;
• clasificación de información;
• conciliaciones;
• soporte interno;
• atención recurrente;
• gestión de incidencias;
• retención de clientes;
• automatización de procesos.

Yo considero este punto especialmente relevante.

Las empresas suelen buscar la IA en aquello que puede generar más ingresos.

Pero también deberían buscarla en aquello que reduce costes, elimina errores y libera horas de trabajo.

Ahorrar mil horas de tareas administrativas puede tener un impacto económico mucho más claro que generar cien publicaciones adicionales en redes sociales.

No empieces preguntando qué puede hacer ChatGPT

Esta sería una de las ideas que incorporaría a cualquier formación empresarial sobre Inteligencia Artificial.

No preguntes:

“¿Qué puede hacer ChatGPT por mi empresa?”

Pregunta:

“¿Dónde pierde tiempo mi empresa?”

Después:

“¿Dónde cometemos errores?”

“¿Qué trabajo repetimos?”

“¿Qué información tenemos dispersa?”

“¿Qué decisiones requieren buscar continuamente los mismos datos?”

“¿Qué tareas no aportan suficiente valor para justificar las horas que consumen?”

Esas preguntas descubren mejores casos de uso que cualquier catálogo de herramientas.

¿Desarrollar internamente o trabajar con especialistas?

Otro resultado señalado en el documento es que los proyectos realizados junto a proveedores especializados muestran mejores tasas de éxito que los proyectos desarrollados exclusivamente de forma interna. El texto menciona una relación aproximada de 67 % frente a 33 %.

No interpretaría esto como que una empresa debe externalizar toda su estrategia de IA.

Pero sí muestra algo importante.

Implementar Inteligencia Artificial empresarial requiere combinar conocimientos diferentes:

• tecnología;
• procesos;
• datos;
• operaciones;
• seguridad;
• gestión del cambio;
• conocimiento del negocio.

Una organización puede dominar perfectamente su negocio y, al mismo tiempo, no disponer todavía de experiencia suficiente construyendo soluciones de Inteligencia Artificial.

Un proveedor especializado puede acelerar parte de ese aprendizaje.

Pero existe una condición.

El conocimiento del proceso tiene que permanecer dentro de la empresa.

Un consultor puede conocer IA.

Pero los trabajadores conocen las excepciones, los problemas diarios y las peculiaridades reales del negocio.

Por eso considero especialmente potentes los equipos mixtos.

Los mandos intermedios pueden ser fundamentales

El documento también menciona el papel de los denominados prosumidores y los mandos medios como impulsores de la adopción.

Esto me parece muy importante.

Los grandes proyectos tecnológicos suelen diseñarse desde arriba.

Pero las oportunidades reales aparecen muchas veces en personas que están suficientemente cerca de los procesos para conocerlos y suficientemente cerca de la tecnología para imaginar cómo mejorarlos.

Son las personas que dicen:

“Esto lo hacemos todos los lunes durante cuatro horas.”

“Este informe podría generarse automáticamente.”

“Tenemos que copiar esta información entre tres sistemas.”

“Siempre respondemos las mismas veinte preguntas.”

Esos comentarios contienen oportunidades de automatización.

Una estrategia de IA empresarial debería crear mecanismos para detectar y evaluar esos casos.

Startups frente a grandes empresas

El documento también destaca una diferencia entre empresas emergentes y grandes corporaciones.

Las startups pueden moverse rápidamente porque suelen atacar un problema muy concreto.

Construyen alrededor de él.

Prueban.

Corrigen.

Y escalan.

El documento menciona incluso casos de empresas emergentes capaces de alcanzar escalas de ingresos cercanas a los 20 millones de dólares anuales concentrándose en problemas específicos.

Mientras tanto, muchas grandes organizaciones acumulan proyectos piloto.

Piloto número uno.

Piloto número dos.

Piloto número ocho.

Piloto número quince.

Todo el mundo prueba IA.

Pero pocas soluciones pasan realmente a producción.

Yo llamaría a esto pilotitis de IA.

El objetivo de una empresa no debería ser tener muchos pilotos.

Debería ser encontrar unos pocos casos de uso capaces de generar valor y llevarlos hasta producción.

La IA no está transformando todos los sectores al mismo ritmo

Otro punto relevante del informe es que el impacto sectorial es desigual.

El documento destaca una transformación más visible en Tecnología y Medios/Telecomunicaciones, mientras que otros sectores muestran avances menos estructurales.

Esto también debería servir para moderar expectativas.

Cada sector tiene:

• diferentes regulaciones;
• distintos tipos de datos;
• diferentes procesos;
• niveles de riesgo distintos;
• sistemas tecnológicos heredados;
• necesidades de precisión diferentes.

Implementar IA en una empresa tecnológica no es equivalente a hacerlo en sanidad, energía, finanzas o servicios profesionales.

La velocidad de adopción necesariamente será distinta.

IA y empleo: el cambio puede empezar antes de los despidos

Cuando hablamos del impacto de la Inteligencia Artificial en el empleo solemos imaginar una pregunta extrema:

“¿La IA eliminará puestos de trabajo?”

Pero existe otra transformación que puede aparecer antes:

la reducción de nuevas contrataciones en determinados roles.

El documento señala preocupaciones especialmente relacionadas con funciones administrativas y atención al cliente.

Una organización puede no despedir a veinte personas.

Simplemente puede decidir no contratar cinco personas adicionales porque parte del crecimiento puede absorberse mediante automatización.

Eso también modifica el mercado laboral.

Al mismo tiempo, la historia tecnológica muestra que aparecen nuevos tipos de funciones y especializaciones. El propio documento incluye como referencia un artículo sobre trabajos actuales que no existían hace dos décadas.

La pregunta para profesionales y empresas debería ser:

¿qué habilidades aumentarán de valor cuando la IA pueda realizar una parte creciente del trabajo operativo?

IA, ciberseguridad y ESG

La Inteligencia Artificial empresarial tampoco puede analizarse únicamente desde la productividad.

El documento señala desafíos asociados con ciberseguridad y cumplimiento ESG.

Cada nuevo sistema de IA puede incorporar preguntas como:

¿Dónde se almacenan los datos?

¿Quién puede acceder?

¿Qué información enviamos al modelo?

¿Quién revisa las respuestas?

¿Cómo registramos las decisiones?

¿Qué ocurre si el sistema se equivoca?

¿Qué proveedor procesa los datos?

¿Cuál es el impacto energético?

¿Qué reglas deben aplicarse a determinadas decisiones automatizadas?

Estas preguntas forman parte del proyecto.

No son problemas que debamos estudiar después de ponerlo en producción.

El siguiente salto: de los chatbots a los agentes de IA

El último punto del documento apunta hacia lo que probablemente será una de las grandes evoluciones de los próximos años:

la Inteligencia Artificial agéntica.

Un chatbot tradicional espera una pregunta y genera una respuesta.

Un agente puede tener un comportamiento mucho más amplio.

Puede:

• comprender un objetivo;
• planificar pasos;
• utilizar herramientas;
• consultar información;
• realizar acciones;
• mantener contexto;
• comunicarse con otros sistemas;
• completar tareas con mayor autonomía.

Esta dirección coincide con el trabajo que actualmente desarrolla NANDA en el MIT Media Lab, donde se estudian arquitecturas para agentes capaces de descubrirse, autenticarse, comunicarse y colaborar dentro de redes de agentes.

El MIT Media Lab describe precisamente la transición desde sistemas que generan contenido hacia sistemas que actúan, con agentes capaces de planificar, razonar, comunicarse y ejecutar tareas.

Eso puede cambiar enormemente la aplicación empresarial de la IA.

De preguntar a la IA a delegar trabajo

Hasta ahora gran parte del uso de Inteligencia Artificial funciona así:

persona → pregunta → IA → respuesta.

El siguiente modelo puede ser:

persona → objetivo → agente → herramientas → acciones → resultado.

Por ejemplo, en lugar de preguntarle:

“¿Puedes resumir estos correos?”

podríamos indicar:

“Revisa las solicitudes recibidas hoy, clasifícalas, consulta el historial del cliente, prepara una respuesta, actualiza el CRM y avísame únicamente de los casos que requieren una decisión.”

La diferencia es enorme.

Estamos pasando de una IA que ayuda a realizar tareas a una IA que potencialmente participa dentro del flujo de trabajo.

Physical AI: cuando la Inteligencia Artificial sale de la pantalla

El documento también apunta hacia empresas y proyectos relacionados con robótica + IA, también denominada Physical AI, y menciona MassRobotics en Boston como ecosistema donde pueden encontrarse startups que trabajan en este ámbito.

Este es otro campo especialmente interesante.

Hasta ahora la revolución de la IA generativa ha ocurrido principalmente dentro de pantallas:

texto,

imagen,

audio,

vídeo,

software.

La robótica introduce una nueva dimensión.

La IA empieza a interactuar con el mundo físico.

Almacenes.

Logística.

Fabricación.

Sanidad.

Agricultura.

Inspección.

Movilidad.

Servicios.

Probablemente veremos una convergencia cada vez mayor entre modelos de IA, sensores, visión artificial y robótica.

El 95 % no es la conclusión más importante

Cuando aparece una cifra como “el 95 % de los proyectos de IA fracasan”, es fácil convertirla en el titular principal.

Pero yo creo que hay una enseñanza mucho más útil.

El problema no es que la Inteligencia Artificial no funcione.

El problema es pensar que comprar Inteligencia Artificial equivale a transformar una empresa.

No funciona así.

Comprar una licencia de Copilot no transforma una organización.

Dar acceso a ChatGPT no transforma una organización.

Construir un chatbot tampoco.

La transformación aparece cuando somos capaces de conectar:

problema empresarial + proceso + datos + personas + IA + automatización + medición.

Si falta cualquiera de estas piezas, podemos terminar con una demostración tecnológica interesante que no genera resultados sostenibles.

Cómo debería implantar IA una empresa

Yo utilizaría un enfoque progresivo.

Primero buscaría problemas, no herramientas.

Después identificaría tareas repetitivas, lentas, costosas o propensas a errores.

A continuación calcularía cuánto cuestan actualmente.

Después elegiría un caso de uso concreto y medible.

Construiría un piloto pequeño.

Mediría el resultado.

Y solamente entonces lo ampliaría.

El objetivo sería poder responder preguntas como:

¿Cuántas horas hemos ahorrado?

¿Cuánto hemos reducido los errores?

¿Cuánto cuesta ejecutar ahora el proceso?

¿Ha mejorado el tiempo de respuesta?

¿Ha aumentado la satisfacción del cliente?

Si no podemos medirlo, será difícil demostrar retorno.

Una estrategia de IA necesita formación

Existe otro elemento que considero fundamental: las personas tienen que aprender a trabajar con esta nueva tecnología.

No basta con entregar una herramienta.

Los empleados necesitan comprender:

• qué puede hacer;
• qué no puede hacer;
• cuándo utilizarla;
• cómo verificar resultados;
• cómo proteger información;
• cómo diseñar mejores procesos;
• cómo automatizar tareas;
• cómo combinar IA con herramientas existentes.

Esta es precisamente una de las razones por las que la formación en Inteligencia Artificial debería ir más allá de enseñar prompts.

Aprender prompting es útil.

Pero una empresa necesita desarrollar algo más importante:

criterio para identificar dónde la IA genera valor.

El profesional que más valor tendrá no será quien más prompts conozca

Yo creo que estamos entrando en una etapa donde el conocimiento diferencial no será saber escribir cincuenta prompts espectaculares.

Será saber observar un proceso y decir:

“Esto podría hacerse de otra manera.”

Ese profesional entiende el negocio.

Entiende las herramientas.

Entiende los datos.

Y puede conectar las tres cosas.

Ese perfil será especialmente valioso.

Porque el verdadero potencial de la Inteligencia Artificial no consiste simplemente en hacer más rápido lo que ya hacemos.

Consiste en preguntarnos:

¿por qué lo seguimos haciendo así?

Y ahí es donde empieza la transformación.

«` :chatgpt-content-reference{index=»0″}