{"version":"1.0","type":"agent_native_article","locale":"es","slug":"empresas-gastan-billones-ia-cosechan-centavos-mqzaena6","title":"Las empresas gastan billones en IA y cosechan centavos","primary_category":"transformation","author":{"name":"Valeria Cruz","slug":"valeria-cruz"},"published_at":"2026-06-29T14:02:26.526Z","total_votes":91,"comment_count":0,"has_map":true,"urls":{"human":"https://sustainabl.net/es/articulo/empresas-gastan-billones-ia-cosechan-centavos-mqzaena6","agent":"https://sustainabl.net/agent-native/es/articulo/empresas-gastan-billones-ia-cosechan-centavos-mqzaena6"},"summary":{"one_line":"El 40% de las grandes corporaciones globales obtiene ahorros de IA entre 0% y 10%, mientras el gasto global en IA supera los 2,59 billones de dólares, revelando una brecha estructural entre inversión y valor capturado.","core_question":"¿Por qué las organizaciones siguen aumentando su presupuesto de IA cuando la mayoría no captura el valor que proyectaron?","main_thesis":"El problema del bajo retorno de la IA no es tecnológico sino organizacional: las empresas automatizan procesos deficientes en lugar de rediseñarlos, carecen de gobernanza clara sobre datos y responsabilidades, y financian cada nueva ola de inversión con los retornos incompletos de la anterior, creando un ciclo de dependencia que genera ilusión de transformación sin producirla."},"content_markdown":"## Las empresas gastan billones en IA y cosechan centavos\n\nHay 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.\n\nEl gasto global en IA alcanzará los 2,59 billones de dólares este año, un salto del 47% respecto al ejercicio anterior, de acuerdo con proyecciones de Gartner. Para el próximo año, la cifra se acerca a los 3,5 billones. Son números que impresionan. Lo que no impresiona, al menos no de la manera correcta, es lo que está del otro lado de esa ecuación: **más del 37% de las empresas encuestadas se había fijado como objetivo reducciones de costo de entre 11% y 20%**, y la mayoría aterrizó bastante por debajo. Sin alarmas. Sin revisiones. Con nuevos presupuestos ya aprobados para la siguiente ola.\n\nEsto no es una historia sobre tecnología fallida. Es una historia sobre cómo las organizaciones construyen dependencias que no saben nombrar, y sobre cómo los sistemas que parecen estar avanzando a veces solo están girando sobre sí mismos.\n\n## El ciclo que nadie quiere ver en el pizarrón\n\nBain identificó un mecanismo que, descrito con claridad, debería generar incomodidad en cualquier sala de directivos: **el 44% de las empresas está financiando la próxima ola de IA con los ahorros de la ola anterior**. Ahorros que, según la misma encuesta, fueron inferiores a lo proyectado.\n\nSe trata de una circularidad estructural. La empresa invierte en automatización robótica de procesos o en aprendizaje automático, obtiene menos de lo esperado, usa esa base reducida para financiar el siguiente ciclo con inteligencia generativa, y ahora se prepara para repetir la operación con agentes autónomos. Cada ronda de inversión se justifica con los retornos incompletos de la anterior. El resultado neto no es acumulación de valor. Es acumulación de apuestas.\n\nLo llamativo no es que esto ocurra. Lo llamativo es que ocurre sin fricción. Bain describe el déficit como un gap que \"debería incomodar a los ejecutivos\", pero que no es lo suficientemente grande para matar los programas. Esa zona intermedia, demasiado costosa para ignorar y demasiado pequeña para cortar, es precisamente donde viven los sistemas frágiles. No colapsan de golpe. Se deterioran lentamente, mientras siguen pareciendo operativos.\n\nLo que el informe no dice explícitamente, pero que emerge de su lógica, es que este patrón tiene un nombre organizacional preciso: la empresa se ha vuelto dependiente de un ciclo de inversión en tecnología que funciona como sustituto de decisiones más profundas sobre cómo trabaja. Cada nueva herramienta pospone la pregunta que nadie quiere responder con calma: ¿estamos rediseñando cómo opera esto, o solo automatizando lo que ya hacemos mal?\n\n## Por qué el problema de datos es en realidad un problema de gobernanza\n\nEl 41% de las empresas encuestadas por Bain señala el acceso e integración de datos como el principal obstáculo para el avance de la IA. Lleva años en ese lugar. Ha sobrevivido a rondas masivas de modernización de infraestructura, migraciones a la nube y consolidaciones de plataforma. Sigue ahí.\n\nEso no puede explicarse únicamente con dificultades técnicas. Los obstáculos técnicos, en organizaciones con presupuestos de este tamaño, se resuelven. Lo que no se resuelve con dinero ni con nuevos sistemas es la ausencia de decisiones sobre quién es responsable de qué dato, quién tiene autoridad para imponer estándares y quién paga el costo político de unificar fuentes que diferentes áreas administran como territorios propios.\n\n**El dato fragmentado es casi siempre el síntoma de un poder fragmentado.** Las organizaciones que no pueden integrar sus datos no tienen principalmente un problema de arquitectura técnica: tienen un problema de arquitectura humana. Nadie es dueño del problema completo, y por eso el problema se perpetúa aunque se cambien las herramientas alrededor.\n\nBain propone, con cierta ironía productiva, usar la propia IA para atacar ese nudo: identificar un flujo de trabajo repetible y de alto valor donde las personas estén extrayendo datos manualmente, consolidando hojas de cálculo y produciendo reportes, y reemplazar esa secuencia completa. No como solución definitiva, sino como demostración de que el problema puede moverse. La táctica tiene mérito, pero solo funciona si alguien tiene autoridad para imponer la consolidación que la herramienta va a requerir. Sin esa decisión previa, el agente de IA se convierte en otro sistema más que convive con el caos en lugar de ordenarlo.\n\nEl informe de Bain también señala que la gobernanza de la IA está repartida de forma casi equitativa entre tecnología, funciones de negocio y equipos centrales, sin un responsable claro en la mayoría de las organizaciones. Eso tiene consecuencias concretas: cuando un agente autónomo comete un error con consecuencias reales en un sistema de producción, la rendición de cuentas no puede improvisarse en el momento. Debe haberse establecido antes. Las organizaciones que no lo hicieron no tienen un problema de IA. Tienen un problema de gobernanza que la IA acaba de volver visible.\n\n## Lo que separa a quienes capturan valor de quienes solo acumulan gasto\n\nBain distingue, con una frase que merece leerse despacio, entre dos tipos de empresas: las que despliegan herramientas de IA sobre los procesos que ya tienen, y las que usan la IA como razón para rediseñar cómo funciona el trabajo desde el principio. La distancia entre ambas no es tecnológica. Es de ambición organizacional y de voluntad para asumir el costo político de cambiar cómo están estructuradas las decisiones cotidianas.\n\nEl primer grupo produce los números del informe de Bain: ahorros del 0% al 10%, presupuestos en aumento, expectativas que se desplazan hacia la siguiente ola. El segundo grupo, considerablemente más pequeño, está construyendo algo diferente. No porque tenga mejor tecnología, sino porque decidió que la tecnología no era el objeto central de la iniciativa. El objeto central era el proceso, el rol, la decisión. La tecnología era el instrumento que permitía rediseñarlos.\n\nLa recomendación de Bain de no \"pavimentar caminos de tierra con IA\" captura este punto con precisión. Si el proceso que se está automatizando tiene ineficiencias de diseño, automatizarlo solo las hace más rápidas y más difíciles de ver. El ahorro real no llega de hacer lo mismo más rápido. Llega de preguntarse, antes de aprobar cualquier programa, cómo se diseñaría ese proceso desde cero si se construyera hoy. Esa pregunta no la responde ningún modelo de lenguaje. La responde una organización con claridad suficiente sobre lo que quiere producir y con liderazgo dispuesto a pagar el costo de la transición.\n\nAquí aparece la fragilidad más silenciosa de todo el fenómeno. **El 90% de las empresas está aumentando su presupuesto de IA**. Solo el 7% tiene agentes funcionando de manera completamente autónoma en producción. Esa brecha entre inversión y autonomía real es el espacio donde se acumula la dependencia que nadie ha nombrado todavía: la dependencia de un ciclo de inversión que genera la ilusión de transformación sin producir el rediseño que la haría sostenible.\n\nLos CFOs que Bain entrevistó en una línea paralela de investigación señalan que están comenzando a cambiar las métricas con las que evalúan el retorno de la IA. Menos énfasis en ahorro de costos directo, más atención a velocidad para obtener información, calidad de decisiones y velocidad de respuesta ante variaciones. Ese cambio de métrica no es cosmético. Indica que una parte del liderazgo financiero ha entendido que la pregunta no era \"cuánto ahorramos\" sino \"qué podemos hacer ahora que antes no podíamos\". Llegar tarde a esa distinción es costoso. Pero llegar es mejor que seguir midiendo lo incorrecto con presupuestos cada vez más grandes.\n\nLa madurez organizacional frente a la IA no se mide por el tamaño de la inversión ni por la sofisticación de las herramientas elegidas. Se mide por la capacidad de una organización para auditar sus propias apuestas anteriores con honestidad, para asignar responsabilidad antes de que el error ocurra y para resistir la tentación de financiar la próxima ola con los retornos incompletos de la anterior. Las empresas que no puedan hacer esas tres cosas no están en el camino de la transformación. Están girando dentro de un ciclo que se financia a sí mismo y que, por el momento, todavía no les ha generado el costo suficiente para detenerse a mirarlo.","article_map":{"title":"Las empresas gastan billones en IA y cosechan centavos","entities":[{"name":"Bain & Company","type":"institution","role_in_article":"Fuente principal del análisis; realizó encuesta a 951 grandes corporaciones globales sobre retorno de inversión en IA y publicó el informe que sustenta los datos centrales del artículo."},{"name":"Gartner","type":"institution","role_in_article":"Fuente de proyecciones sobre gasto global en IA para 2025 y 2026."},{"name":"Valeria Cruz","type":"person","role_in_article":"Autora del artículo; proporciona el marco interpretativo y el juicio editorial sobre los datos de Bain."},{"name":"Inteligencia Artificial Generativa","type":"technology","role_in_article":"Segunda ola de inversión en IA mencionada en el ciclo de financiamiento circular."},{"name":"Agentes Autónomos de IA","type":"technology","role_in_article":"Tercera ola de inversión en IA identificada como la próxima apuesta de las corporaciones."},{"name":"Automatización Robótica de Procesos (RPA)","type":"technology","role_in_article":"Primera ola de inversión en IA dentro del ciclo circular descrito por Bain."}],"tradeoffs":["Automatizar procesos existentes (rápido, bajo costo político) vs. rediseñar procesos desde cero (lento, alto costo político, mayor retorno potencial).","Medir ROI de IA por ahorro de costos directo (fácil de cuantificar) vs. medir por calidad de decisiones y velocidad de respuesta (más difícil de cuantificar pero más representativo del valor real).","Financiar la próxima ola con ahorros de la anterior (mantiene el ciclo activo) vs. pausar para auditar retornos (interrumpe el momentum pero reduce la acumulación de apuestas).","Distribuir gobernanza de IA entre áreas (menor fricción política) vs. centralizar responsabilidad (mayor fricción pero rendición de cuentas clara cuando ocurren errores).","Invertir en más tecnología de datos (visible, presupuestable) vs. resolver la fragmentación de poder sobre los datos (invisible, requiere decisiones políticas internas)."],"key_claims":[{"claim":"El 40% de las empresas encuestadas por Bain midió ahorros reales de IA en el rango de 0% a 10%.","confidence":"high","support_type":"reported_fact"},{"claim":"El gasto global en IA alcanzará los 2,59 billones de dólares en 2025, un incremento del 47% respecto al año anterior, según Gartner.","confidence":"high","support_type":"reported_fact"},{"claim":"El 44% de las empresas financia su próxima ola de IA con los ahorros de la ola anterior.","confidence":"high","support_type":"reported_fact"},{"claim":"El 41% de las empresas señala el acceso e integración de datos como el principal obstáculo para el avance de la IA.","confidence":"high","support_type":"reported_fact"},{"claim":"El problema de datos persistente no es técnico sino de gobernanza y distribución de poder organizacional.","confidence":"medium","support_type":"inference"},{"claim":"El 90% de las empresas aumenta su presupuesto de IA pero solo el 7% tiene agentes autónomos funcionando en producción.","confidence":"high","support_type":"reported_fact"},{"claim":"Las empresas que capturan valor real de la IA son aquellas que la usan para rediseñar procesos, no para automatizar los existentes.","confidence":"medium","support_type":"inference"},{"claim":"La gobernanza de la IA está repartida de forma casi equitativa entre tecnología, funciones de negocio y equipos centrales sin un responsable claro en la mayoría de organizaciones.","confidence":"high","support_type":"reported_fact"}],"main_thesis":"El problema del bajo retorno de la IA no es tecnológico sino organizacional: las empresas automatizan procesos deficientes en lugar de rediseñarlos, carecen de gobernanza clara sobre datos y responsabilidades, y financian cada nueva ola de inversión con los retornos incompletos de la anterior, creando un ciclo de dependencia que genera ilusión de transformación sin producirla.","core_question":"¿Por qué las organizaciones siguen aumentando su presupuesto de IA cuando la mayoría no captura el valor que proyectaron?","core_tensions":["Presión para mostrar transformación digital vs. costo político de rediseñar procesos realmente.","Urgencia de invertir en IA para no quedarse atrás vs. necesidad de auditar retornos antes de comprometer más capital.","Gobernanza distribuida que reduce fricción política vs. necesidad de responsabilidad clara cuando los agentes autónomos cometen errores.","Métricas de ahorro de costos que son fáciles de comunicar a la junta vs. métricas de calidad de decisión que capturan el valor real.","Tecnología disponible y sofisticada vs. organizaciones sin la arquitectura humana para capturar su valor."],"open_questions":["¿En qué punto el costo acumulado de retornos por debajo de lo proyectado se vuelve suficientemente visible para interrumpir el ciclo de inversión?","¿Cómo se establece gobernanza de IA con responsabilidad clara sin generar parálisis organizacional por disputas de autoridad?","¿Qué métricas alternativas al ahorro de costos son suficientemente concretas para justificar presupuestos de IA ante juntas directivas?","¿Cuál es el umbral mínimo de rediseño de procesos necesario para que la automatización genere retorno real?","¿Cómo distinguir, antes de aprobar un presupuesto, si una iniciativa de IA está rediseñando el trabajo o solo automatizando lo existente?","¿Qué porcentaje del 7% con agentes autónomos en producción pertenece al grupo que rediseñó procesos vs. el que solo automatizó?"],"training_value":{"recommended_for":["CFOs evaluando ROI de programas de IA","CDOs y CIOs diseñando estrategia de datos e IA","Directores de transformación digital","Consultores de estrategia evaluando madurez de IA en clientes","Equipos de gobernanza corporativa estableciendo marcos de responsabilidad para IA","Líderes de negocio que deben justificar o cuestionar presupuestos de automatización"],"when_this_article_is_useful":["Al evaluar si aprobar un nuevo presupuesto de IA sin haber auditado el retorno del ciclo anterior.","Al diagnosticar por qué una iniciativa de IA no está generando el ahorro proyectado.","Al diseñar la estructura de gobernanza para un programa de IA empresarial.","Al definir métricas de éxito para iniciativas de transformación digital con IA.","Al presentar a una junta directiva el caso para rediseñar procesos antes de automatizarlos.","Al identificar si el problema de integración de datos de una organización es técnico o político."],"what_a_business_agent_can_learn":["Cómo identificar si una organización está en el ciclo circular de inversión en IA: financiamiento de nueva ola con retornos incompletos de la anterior.","El criterio operativo para distinguir transformación real de gasto acumulado: ¿se está rediseñando el proceso o automatizando sus ineficiencias?","Por qué el problema de integración de datos persiste tras múltiples ciclos de modernización: es un problema de gobernanza y poder, no de arquitectura técnica.","Qué métricas señalan madurez organizacional frente a la IA: velocidad de información, calidad de decisiones, velocidad de respuesta ante variaciones.","Cómo la ausencia de gobernanza clara sobre IA se vuelve crítica cuando los agentes autónomos cometen errores en producción.","La diferencia entre acumulación de apuestas tecnológicas y acumulación de valor organizacional."]},"argument_outline":[{"label":"1. El dato incómodo","point":"El 40% de las empresas que midieron sus ahorros reales de IA los encontraron entre 0% y 10%, muy por debajo de los objetivos del 11%-20% que la mayoría se había fijado.","why_it_matters":"Establece que el problema de ROI en IA es sistémico y documentado, no anecdótico, y afecta a grandes corporaciones con presupuestos significativos."},{"label":"2. El ciclo circular de financiamiento","point":"El 44% de las empresas financia la próxima ola de IA con los ahorros de la ola anterior, ahorros que fueron inferiores a lo proyectado.","why_it_matters":"Revela una circularidad estructural donde cada ronda de inversión se justifica con retornos incompletos, acumulando apuestas en lugar de valor."},{"label":"3. El problema de datos es un problema de gobernanza","point":"El 41% señala el acceso e integración de datos como principal obstáculo, pero este problema persiste tras múltiples ciclos de modernización porque refleja poder fragmentado, no solo arquitectura técnica deficiente.","why_it_matters":"Reencuadra el obstáculo más citado de la IA empresarial: no se resuelve con más inversión tecnológica sino con decisiones sobre autoridad y responsabilidad."},{"label":"4. La distinción que separa a quienes capturan valor","point":"Las empresas que obtienen retorno real usan la IA como razón para rediseñar procesos desde cero; las que no lo obtienen despliegan herramientas sobre procesos ya existentes con sus ineficiencias intactas.","why_it_matters":"Define el criterio operativo que diferencia transformación real de gasto acumulado, y lo sitúa en decisiones organizacionales, no en elecciones tecnológicas."},{"label":"5. La brecha entre inversión y autonomía real","point":"El 90% de las empresas aumenta su presupuesto de IA pero solo el 7% tiene agentes funcionando de manera completamente autónoma en producción.","why_it_matters":"Cuantifica la distancia entre el discurso de transformación y la realidad operativa, señalando dónde se acumula la dependencia no nombrada."},{"label":"6. El cambio de métricas como señal de madurez","point":"Los CFOs están migrando de medir ahorro de costos directo hacia velocidad de información, calidad de decisiones y velocidad de respuesta, lo que indica una comprensión más sofisticada del valor de la IA.","why_it_matters":"Sugiere que la madurez organizacional frente a la IA se expresa primero en cómo se mide, antes de expresarse en resultados."}],"one_line_summary":"El 40% de las grandes corporaciones globales obtiene ahorros de IA entre 0% y 10%, mientras el gasto global en IA supera los 2,59 billones de dólares, revelando una brecha estructural entre inversión y valor capturado.","related_articles":[{"reason":"Aborda directamente la misma paradoja central: las organizaciones que más invierten en IA son las que menos obtienen de ella, y sitúa el problema en el 7% del presupuesto destinado a cambio organizacional.","article_id":14320},{"reason":"Desarrolla en profundidad el argumento central del artículo: automatizar sin rediseñar es la forma más cara de preservar el pasado, complementando la distinción de Bain entre desplegar herramientas y rediseñar procesos.","article_id":14258},{"reason":"Documenta con datos de otra encuesta (Dun & Bradstreet, 10.000 empresas) la misma brecha entre iniciativas de IA declaradas y datos realmente preparados para sostenerlas, reforzando el argumento sobre gobernanza de datos.","article_id":14240},{"reason":"Explora el problema de visibilidad organizacional sobre la IA desplegada, complementando el argumento sobre gobernanza difusa y falta de responsabilidad clara.","article_id":14360}],"business_patterns":["Ciclo de inversión circular: cada ola de tecnología se financia con los retornos incompletos de la anterior, acumulando apuestas sin acumular valor.","Automatización de ineficiencias: desplegar IA sobre procesos mal diseñados acelera las ineficiencias en lugar de eliminarlas.","Gobernanza difusa como obstáculo persistente: cuando nadie es dueño del problema completo, el problema se perpetúa aunque cambien las herramientas.","Brecha entre discurso y operación: alta inversión declarada coexiste con baja autonomía real en producción.","Desplazamiento de expectativas: cuando los objetivos no se cumplen, se redefinen hacia la siguiente ola en lugar de auditar la actual.","Dato fragmentado como síntoma de poder fragmentado: los problemas técnicos de integración de datos reflejan disputas territoriales entre áreas organizacionales."],"business_decisions":["Aprobar presupuestos de IA sin auditar el retorno real de la ola de inversión anterior.","Financiar nuevas iniciativas de IA con ahorros proyectados en lugar de ahorros verificados.","Desplegar herramientas de IA sobre procesos existentes sin rediseñarlos previamente.","Distribuir la gobernanza de IA entre múltiples áreas sin asignar un responsable único.","Cambiar las métricas de evaluación del ROI de IA de ahorro de costos a velocidad de decisión y calidad de información.","Usar la IA para atacar el problema de integración de datos como demostración de que el problema puede moverse."]}}