Cuando Bjørn Gulden asumió la conducción de Adidas en enero de 2023, la compañía cargaba con 1.200 millones de dólares en inventario de zapatillas Yeezy sin vender, un mercado chino en retirada y marcas como Hoka y On ganando terreno en el segmento donde Adidas había construido su reputación técnica durante décadas. Lo que Gulden encontró adentro, sin embargo, no era solo un problema de balance. Era una arquitectura organizacional que producía inmovilidad de manera sistemática.
Larry Ellison canceló en septiembre de 2026 un plan para vender hasta 50 millones de acciones de Oracle, equivalentes a unos 7.500 millones de dólares al precio de cierre de ese viernes. No hubo explicación oficial. Lo que sí quedó en un expediente regulatorio presentado esa misma semana fue otra cifra: Oracle amplió su plan de reestructuración fiscal 2026 en 700 millones de dólares adicionales, llevando el costo total esperado del programa a aproximadamente 2.800 millones de dólares.
Hay tecnologías que existen mucho antes de que alguien las haga utilizables. El correo electrónico llevaba décadas antes de que Hotmail le enseñara a su madre cómo usarlo. La navegación GPS existía en dispositivos militares años antes de que un aparato de cien dólares le dijera a un conductor de reparto por dónde girar.
Yazmin Ruiz no espera al vendedor de PepsiCo para reponer su inventario. Cuando la tienda se queda sin papas fritas a las diez de la noche, abre una aplicación en su teléfono, coloca el pedido y sigue con su turno. Detrás de ese gesto cotidiano hay una transformación que PepsiCo lleva construyendo desde 2022 en México, su segundo mercado global después de Estados Unidos y el más fragmentado en términos de distribución.
Hay un patrón que se repite en las organizaciones que llevan dieciocho meses desplegando agentes de inteligencia artificial: saben que los sistemas funcionan, porque los vieron funcionar en la demo. Lo que no saben es si siguen funcionando hoy, en producción, sobre los datos de sus clientes, dentro de los flujos que importan. Esa distancia entre la certeza del piloto y la opacidad del entorno real es donde se pierden los presupuestos, la confianza y el tiempo que nadie tiene.
La cifra es difícil de ignorar: el 95% de los pilotos empresariales de inteligencia artificial generativa no produce ningún impacto financiero medible. No es una estimación pesimista de analistas críticos de la tecnología. Es el hallazgo central del reporte The GenAI Divide: State of AI in Business 2025, elaborado por la iniciativa NANDA del MIT, con base en cerca de 300 implementaciones públicas y más de 150 entrevistas ejecutivas.
Hay un número que merece detenerse a leer dos veces: 542.000 robots industriales instalados en fábricas durante 2024, más del doble de los que se instalaban una década atrás. No es una estadística de tendencia; es una fotografía de un umbral ya cruzado. El stock operativo global de robots industriales alcanzó los 4,66 millones de unidades, creciendo cerca de un 9% interanual, y la Federación Internacional de Robótica proyecta que las instalaciones superarán las 575.000 unidades en 2025.
Hay una conversación que los equipos directivos de industrias pesadas llevan años posponiendo. No es sobre tecnología. Es sobre qué significa, con precisión, tomar una buena decisión operativa cuando los datos que la sustentan viven dispersos en doce sistemas distintos, cuatro departamentos incomunicados y un historial de mantenimiento que nadie ha digitalizado del todo.
Hay un momento preciso en la vida de cualquier organización en crecimiento donde las prácticas que construyeron el éxito comienzan a socavarlo. No es un momento dramático. No hay una reunión donde alguien declare que el modelo ya no funciona.
La narrativa dominante sobre los Centros de Capacidades Globales en India ha sido, durante la última década, una historia de éxito casi sin matices. Mil novecientos centros operativos, presencia en ocho industrias, ambiciones de llegar a los cien mil millones de dólares en contribución económica. Y sin embargo, debajo de ese crecimiento acelerado, hay una fisura que el sector lleva meses tratando de procesar sin demasiado éxito: el perfil de talento que los GCCs necesitan hoy ya no coincide con el talento que India produce en cantidad suficiente.
Tres años lleva ServiceNow midiendo la madurez de la IA en las grandes empresas. En 2026, el índice que construyen con encuestas a más de 4.500 ejecutivos y 2.000 empleados en todo el mundo registró una mejora notable: 16 puntos de avance, llegando a 51 sobre 100. Suena bien hasta que se lee la línea siguiente: mientras el gasto corporativo en IA creció un 110% interanual, las capacidades fundacionales que necesita esa IA para funcionar a escala simplemente no acompañaron.
Hay una diferencia que pocas organizaciones han procesado del todo: un asistente de IA espera que le hablen. Un agente actúa solo. Esa distinción, que parece técnica, arrastra consecuencias económicas y psicológicas que están redefiniendo cómo los ejecutivos piensan sus presupuestos de tecnología y, más silenciosamente, cómo sus equipos sienten el trabajo.
Hayagreeva Rao, profesor de comportamiento organizacional en Stanford Graduate School of Business, ofreció hace poco una definición de liderazgo que se sostiene mejor que la mayoría de los libros sobre el tema: 'Los grandes líderes son personas que se piensan a sí mismas como custodios del tiempo de los demás.' No hay metáforas de guerra. No hay referencias a la visión transformadora ni al carisma como activo gerencial.
Hay una línea en casi todos los presupuestos empresariales del momento. Tiene un nombre como
Hay un momento en el que la acumulación de pilotos de inteligencia artificial deja de parecer ambición y empieza a parecer desorden. Ese momento llegó a muchas grandes empresas en 2026, y la señal más clara no fue un colapso tecnológico ni un fracaso de modelo. Fue algo más mundano y más difícil de defender en una reunión de directorio: el consumo de tokens corrió por delante del presupuesto sin generar valor proporcional.
Hay una conversación que la mayoría de los líderes evita con una precisión casi quirúrgica. No la de las metas no alcanzadas, ni la del despido difícil. Hay otra, más silenciosa y más costosa: la del empleado que perdió a alguien y simplemente dejó de rendir como antes.
Hay una frase que se repite en casi todas las reuniones de comité ejecutivo donde se revisan proyectos de inteligencia artificial: 'el piloto fue exitoso.' Y después, silencio. Nadie pregunta por qué el piloto nunca se convirtió en otra cosa. La organización celebra el experimento, archiva los aprendizajes y, tres meses después, lanza otro piloto.
Hay un patrón que se repite cada vez que una tecnología pasa de experimento a infraestructura crítica: en algún punto emerge una capa de control que nadie había planificado formalmente, pero que termina siendo el lugar donde se toman las decisiones que más importan. Ocurrió con los balanceadores de carga en la web, con los planos de control en la nube y con los service meshes en la era de los microservicios. Ahora está ocurriendo con los agentes de inteligencia artificial, y el nombre que está tomando esa capa es el de pasarela de agentes.
Hay algo revelador en que una encuesta a más de 700 ejecutivos de alto nivel, en 12 países, produzca como hallazgo central una brecha que cualquier director de operaciones reconocería al instante: las organizaciones saben que deben cambiar, aprueban el cambio, lo enmarcan en una estrategia, y luego no pasan de ahí. El Project Management Institute acaba de publicar los resultados de esa investigación, junto con un Manifiesto para la Agilidad Empresarial desarrollado en colaboración con Agile Alliance, y los números que emergen no son los de una industria en proceso de maduración. Son los de una industria con un problema de diseño estructural que lleva años sin diagnóstico preciso.
Hay un número que debería estar encima del escritorio de cada CFO que hoy firma un presupuesto de inteligencia artificial: 40%. Esa es la proporción de compañías que, según una encuesta reciente de Bain & Company a 951 grandes corporaciones globales, midió sus ahorros reales de IA y los encontró en el rango de cero a diez por ciento. No porque la tecnología fallara en producción. Sino porque el valor prometido nunca llegó a convertirse en valor capturado.
La caída del 19% en una sola semana no es ruido de mercado. Es el mercado leyendo en voz alta algo que los números llevaban meses intentando decir. Oracle acaba de registrar su peor semana bursátil desde agosto de 2001, cuando la burbuja puntocom se desinflaba y el precio de las acciones de muchas empresas tecnológicas no reflejaba otra cosa que el colapso de sus modelos.
Más de la mitad de las grandes organizaciones del mundo ya tiene inteligencia artificial generativa operando en alguna parte de su negocio. Eso es un hecho documentado. Lo que no se documenta con la misma facilidad es lo que ocurre debajo de esa estadística: sistemas que procesan datos sensibles sin que nadie haya definido quién los supervisa, agentes autónomos que toman decisiones dentro de flujos de trabajo que ningún equipo de seguridad ha auditado, y capas de gobernanza que llegaron tarde o directamente no llegaron.
Hay una paradoja que recorre las salas de finanzas de las mayores corporaciones del mundo: las organizaciones que más están invirtiendo en inteligencia artificial son, con frecuencia, las que menos están obteniendo de ella. No por falla tecnológica. La tecnología funciona. El problema está en el otro lado de la ecuación, el lado que nadie presupuestó con suficiente seriedad.
Hay una frase que se escucha cada vez más en conversaciones de arquitectura de nube: 'el modelo viene de AWS, está seguro'. Es una frase corta que encierra un supuesto de enorme peso, y que ningún auditor responsable debería dejar pasar sin examinarlo. El artículo publicado en Forbes Technology Council plantea algo que las organizaciones con grandes apetitos de adopción de inteligencia artificial no quieren escuchar todavía: que la seguridad de sus sistemas de IA no se resuelve asegurando la infraestructura.