Rentabilidad de la IA en la empresa: por qué se hace esperar

Si ha leído que una aplastante mayoría de los proyectos de IA no aporta nada, ha leído algo parcialmente cierto. Los estudios serios sobre la rentabilidad de la IA en la empresa van todos en el mismo sentido: solo una parte de las empresas obtiene un valor visible de la IA generativa, aunque esa parte crece. Pero también dicen por qué: el problema rara vez está en el modelo. Está en la organización, en la falta de medición y en una adopción hecha a pequeños toques sin un plan de conjunto.

Es más bien una buena noticia: un problema de organización se corrige.

En resumen

• La cifra del 95 % viene de un informe preliminar del MIT basado en entrevistas: cuenta proyectos sin efecto declarado, no pérdidas medidas.
• Con otros métodos, IBM y el BCG van en el mismo sentido, con cifras menos extremas: según el BCG, apenas la mitad de las empresas encuestadas, en su mayoría muy grandes, obtienen valor de la IA en 2026.
• Las empresas más avanzadas ponen sus prioridades en las personas y los procesos, poco en los algoritmos.
• Las ganancias existen en tareas concretas: atención al cliente, redacción, análisis.
• Para una pyme: partir de una tarea, medirla antes y después, formar a los equipos.

La cifra que asustó: «95 %»

La cifra viene de un informe del proyecto NANDA del MIT Media Lab, «The GenAI Divide: State of AI in Business 2025», publicado en julio de 2025. Su frase más repetida: pese a los 30 000 a 40 000 millones de dólares invertidos por las empresas en IA generativa, «95% of organizations are getting zero return».

Antes de repetirla, hay que saber cómo se produjo: una revisión de más de 300 iniciativas de IA hechas públicas, entrevistas con representantes de 52 organizaciones y 153 respuestas de directivos recogidas en cuatro conferencias profesionales, entre enero y junio de 2025. No es una medición contable: los propios autores escriben que sus cifras son «directionally accurate», es decir, correctas en su dirección, pero basadas en entrevistas y no en las cuentas de las empresas.

Varias fragilidades merecen decirse:

• «Zero return» no quiere decir «dinero perdido». Un éxito es allí un proyecto cuyos usuarios o directivos declaran un efecto marcado y duradero sobre la productividad o la cuenta de resultados. El 95 % cuenta, por tanto, los proyectos sin impacto declarado, no las pérdidas medidas.
• Es una versión preliminar (0.1), cuyo único revisor nombrado es uno de sus autores, y cuya copia en circulación no está alojada en una página del MIT. Se contradice al menos una vez: en una misma página, la proporción de los presupuestos destinados a ventas y marketing vale la mitad en el recuadro de síntesis, y luego alrededor del 70 % unas líneas más abajo. Y promueve un protocolo de agentes impulsado por sus propios autores.
• El 5 % se refiere a un perímetro concreto: las herramientas especializadas que han llegado hasta la producción, al final de un embudo que el informe describe así.

Este informe no es, por tanto, una prueba. Es una señal, que hay que contrastar con otras.

¿Dicen lo mismo los demás estudios?

Más o menos, sí, con cifras diferentes porque las definiciones difieren.

El estudio 2025 de IBM entre consejeros delegados, realizado con Oxford Economics entre 2 000 directivos de 33 países: los consejeros delegados encuestados declaran que solo el 25 % de las iniciativas de IA han aportado el retorno esperado en los últimos años, y que solo el 16 % se han desplegado a escala de toda la empresa. Precisión útil: IBM vende IA.

El Boston Consulting Group traza el 30 de septiembre de 2026 un cuadro menos sombrío: clasifica al 48,5 % de las empresas encuestadas entre las que obtienen valor de la IA, frente al 26 % en 2024. Sin embargo, lo esencial de ese valor sigue concentrado en un pequeño grupo de empresas punteras, y el BCG solo cuenta un 7,5 % entre las más avanzadas. La encuesta recoge las declaraciones de 1 330 directivos de más de 60 países, y más de la mitad de las empresas encuestadas superan los 5 000 millones de dólares de facturación: nada que ver con una pyme. La muestra cambia de un año a otro y el baremo se ha endurecido en nueve criterios: el aumento indica una tendencia, no una medición precisa. También aquí, el autor vende consultoría en transformación con IA.

Tres fuentes, tres comanditarios interesados en que se invierta en IA, y sin embargo una misma constatación: el valor no llega a todas partes, y se concentra.

Por qué: la organización antes que la tecnología

Es en la causa donde los estudios coinciden con más claridad. El BCG ha extraído de ella una regla, llamada «10-20-70»: dedicar el 10 % del esfuerzo a los algoritmos, el 20 % a la tecnología y los datos, y el 70 % restante a las personas, la organización y los procesos. Es una recomendación, no una medición. Su encuesta de 2026 observa, en cambio, dónde sitúan sus prioridades las empresas que considera más avanzadas:

Son declaraciones, y una correlación: nada demuestra que este reparto explique su ventaja. Pero coincide con lo que describen los demás estudios.

El informe del MIT lo dice de otra manera: el obstáculo principal no es ni la infraestructura, ni la regulación, ni las competencias, sino el aprendizaje. La mayoría de los sistemas no retienen los comentarios, no se adaptan al contexto y no mejoran con el tiempo. El mismo informe describe una «shadow AI», una IA en la sombra: solo el 40 % de las empresas declaran haber comprado una suscripción oficial a un modelo de lenguaje, mientras que empleados de más del 90 % de ellas dicen usar uno con regularidad. Dicho de otro modo, la gente usa la IA, pero la empresa no se organiza en torno a ella.

IBM añade una pieza: la mitad de los consejeros delegados encuestados reconocen que sus inversiones rápidas han producido una «disconnected, piecemeal technology», una tecnología desconectada y hecha a retazos. Una IA colocada sobre un CRM mal llevado, por ejemplo, produce rápidamente respuestas falsas, porque la materia prima lo es.

Sin embargo, las ganancias existen cuando la tarea se presta

Si nos detuviéramos aquí, concluiríamos que la IA no sirve para nada. Las mediciones de productividad dicen lo contrario, con una condición.

• En un servicio de atención al cliente, un estudio publicado en el Quarterly Journal of Economics sobre los datos reales de 5 172 agentes muestra un aumento medio del 15 % de los problemas resueltos por hora. Los menos experimentados ganan más; entre los más cualificados, la calidad baja ligeramente.
• En tareas de redacción profesional, un experimento publicado en Science con 453 profesionales mide un tiempo medio reducido en un 40 % y una calidad un 18 % superior.
• En 18 tareas realistas de consultoría diseñadas con el BCG, un experimento prerregistrado publicado en Organization Science con 758 profesionales mide un 12,2 % más de tareas, realizadas un 25,1 % más rápido, con mejor calidad. Pero en una tarea fuera de las capacidades de la IA, los participantes tenían un 19 % menos de probabilidades de dar una respuesta correcta.

Este último punto es el núcleo del asunto, y le dedicamos un artículo sobre el papel del ser humano frente a la IA: la IA ayuda mucho en ciertas tareas y degrada el trabajo en tareas vecinas.

En julio de 2025, un ensayo aleatorizado del organismo METR midió que 16 desarrolladores experimentados tardaban un 19 % más con la IA, cuando creían haber ganado un 20 %. METR declara desde entonces superados estos resultados: su actualización de febrero de 2026 considera el efecto de la IA probablemente más favorable a principios de 2026, sin poder cifrarlo de forma fiable. La lección no es que la IA ralentice: es que la ganancia percibida y la ganancia medida pueden divergir.

¿Y en Europa?

Los estudios anteriores no dicen casi nada de las pequeñas empresas europeas, que la estadística oficial cubre mejor. Según Eurostat, el 20,0 % de las empresas de la Unión con 10 o más empleados usaban IA en 2025, frente al 13,5 % en 2024.

La base de datos de Eurostat muestra sobre todo la diferencia según el tamaño. Detalla también los frenos citados por las que se plantearon la IA sin adoptarla.

El primer freno es, por tanto, la falta de conocimientos, y considerar la IA inútil para la empresa es el motivo menos citado. Estas cifras abarcan las empresas de 10 personas o más, excluidas la agricultura, la minería y las finanzas.

Las lecciones para una pyme

Esto es lo que extraemos, distinguiendo lo establecido de lo que no es más que una observación.

1. Partir de una tarea, no de un «proyecto de IA». Las ganancias medidas por estos estudios se refieren todas a tareas concretas: responder a un cliente, redactar un texto profesional, producir un análisis. «Hacer IA» no es una tarea.
2. Medir antes, medir después. Tiempo dedicado, tasa de error, plazo de respuesta: una cifra antes del despliegue, la misma cifra tres meses después. Sin punto de partida, nunca se sabrá si la herramienta es rentable, y la percepción no basta, como demostró METR.
3. Empezar por la trastienda. El informe del MIT observa que el retorno más claro suele venir de las funciones internas (operaciones, finanzas, tratamiento de documentos) más que de los proyectos visibles de marketing. Es una observación, no una prueba. Nuestro propio agente de registro de gastos pertenece a esta categoría: en producción en Telegram desde julio de 2026, va de la foto del tique al asiento en el sistema contable, tras una validación humana.
4. Cambiar la forma de trabajar al mismo tiempo que la herramienta. Una herramienta colocada sobre un proceso sin cambios producirá el mismo resultado que antes, pero más caro. Por cierto, es en las personas y los procesos donde las empresas más avanzadas sitúan lo esencial de sus prioridades, según el BCG.
5. Formar a los equipos. Es también una obligación: el artículo 4 del reglamento europeo de IA, reescrito por el Reglamento (UE) 2026/1744 en vigor desde el 27 de julio de 2026, pide a las empresas que despliegan IA que adopten medidas para favorecer el desarrollo de la alfabetización en IA de su personal, sin exigir ya garantizar un nivel suficiente como hacía su versión de 2024.
6. Elegir el modelo más barato que haga el trabajo. La rentabilidad se juega también en el coste por petición: un gran modelo para clasificar correos es pagar demasiado. Detallamos cómo se calcula y se prevé el coste de la IA en la empresa.
7. No construirlo todo solo. Según el MIT, los proyectos realizados con un socio externo llegan al despliegue aproximadamente el doble de veces que las herramientas construidas internamente. Correlación no es causalidad, advierten los autores, y nosotros mismos somos un socio externo: hay que leerlo con prudencia.

Los límites de todo lo anterior

Ninguno de estos estudios mide el retorno de la inversión en las cuentas: las encuestas recogen declaraciones, los experimentos miden una productividad en una tarea. Las muestras incluyen pocas pequeñas empresas. El paso de las ganancias medidas a la escala de toda una empresa no está demostrado. Y no tenemos, en octubre de 2026, ninguna medición antes/después publicable de nuestras propias misiones: preferimos decirlo antes que inventar un caso.

Lo que pensamos

La expresión «se hace esperar» del título cuenta: dice un retraso, no un fracaso. El propio informe del MIT reconoce que seis meses de observación pueden subestimar el éxito de un despliegue complejo. El valor no llegará con el próximo modelo: llegará cuando las empresas elijan una tarea, la midan y reorganicen el trabajo en torno a ella.

Para ir más lejos, encuentre nuestros artículos sobre la IA en la empresa, privada y a su justo coste. Y si prefiere partir de una tarea cifrada en lugar de un proyecto difuso, es el enfoque de nuestra auditoría de madurez digital e IA: saber qué automatizar antes de gastar. Si la IA ya funciona y la factura sube sin que sepa qué es rentable, nuestra oferta IA a su justo coste mide el coste de cada uso y confía cada tarea al modelo que basta.

Preguntas frecuentes

Fuentes

1. «The GenAI Divide: State of AI in Business 2025» (nueva pestaña)mlq.ai
2. El estudio 2025 de IBM entre consejeros delegados (nueva pestaña)newsroom.ibm.com
3. El Boston Consulting Group (nueva pestaña)bcg.com
4. Un estudio publicado en el Quarterly Journal of Economics (nueva pestaña)doi.org
5. Un experimento publicado en Science (nueva pestaña)doi.org
6. Un experimento prerregistrado publicado en Organization Science (nueva pestaña)doi.org
7. Un ensayo aleatorizado del organismo METR (nueva pestaña)arxiv.org
8. Declara desde entonces superados estos resultados (nueva pestaña)metr.org
9. Su actualización de febrero de 2026 (nueva pestaña)metr.org
10. Eurostat (nueva pestaña)ec.europa.eu
11. La base de datos de Eurostat (nueva pestaña)ec.europa.eu
12. Reescrito por el Reglamento (UE) 2026/1744 (nueva pestaña)eur-lex.europa.eu