{"version":"1.0","type":"agent_native_article","locale":"es","slug":"gasto-ia-subio-110-sistemas-subyacentes-no-resistieron-mseq9zg2","title":"Gasto en IA subió 110% y los sistemas subyacentes no lo resistieron","primary_category":"transformation","author":{"name":"Sofía Valenzuela","slug":"sofia-valenzuela"},"published_at":"2026-08-04T14:02:57.842Z","total_votes":86,"comment_count":0,"has_map":true,"urls":{"human":"https://sustainabl.net/es/articulo/gasto-ia-subio-110-sistemas-subyacentes-no-resistieron-mseq9zg2","agent":"https://sustainabl.net/agent-native/es/articulo/gasto-ia-subio-110-sistemas-subyacentes-no-resistieron-mseq9zg2"},"summary":{"one_line":"El gasto corporativo en IA creció 110% interanual pero las capacidades fundacionales de datos, gobernanza y rediseño de procesos no acompañaron, generando una brecha estructural que amenaza el retorno de la inversión.","core_question":"¿Por qué el aumento masivo de gasto en IA no se traduce en madurez operativa, y qué distingue a las organizaciones que sí logran escalar?","main_thesis":"Las empresas están invirtiendo en IA a una velocidad que supera ampliamente su preparación estructural. El problema no es tecnológico sino de secuencia: se desplegaron modelos y herramientas antes de integrar datos, rediseñar flujos de trabajo y construir gobernanza. Las organizaciones que sí avanzan invirtieron primero en los cimientos, no en las aplicaciones visibles."},"content_markdown":"## Gasto en IA subió 110% y los sistemas subyacentes no lo resistieron\n\nTres 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. El dinero fue. La arquitectura no.\n\nEse es el dato que debería preocupar a cualquier CFO que aprobó un presupuesto de IA en los últimos 18 meses sin revisar también los datos, los flujos de trabajo y los protocolos de gobernanza que tenía debajo. No es un problema de tecnología. Es un problema de secuencia.\n\n## Cuando la inversión precede a la estructura\n\nHay un patrón que se repite en cada ola tecnológica grande: el gasto se adelanta a la readiness. Pasó con ERP, pasó con la nube, pasó con los programas de big data de mediados de la década pasada. La diferencia ahora es la escala. Según proyecciones de Gartner, el gasto global en IA alcanzará **2,59 billones de dólares en 2026**, un 47% más que el año anterior. Stanford HAI documentó que la inversión privada global en IA llegó a **344.700 millones de dólares en 2025**, un 127,5% por encima de 2024. Y sólo en el primer trimestre de 2026, Amazon, Google, Microsoft y Meta invirtieron conjuntamente **130.650 millones de dólares en infraestructura**, en gran parte orientada a IA.\n\nEsos números son reales. El problema es lo que no miden: si las empresas que alimentan esa demanda tienen los sistemas internos para aprovechar lo que están comprando.\n\nEl índice de ServiceNow señala con precisión dónde se produce la rotura. Las organizaciones compraron modelos, herramientas y plataformas de IA. Pero sus datos siguen fragmentados en silos que no se comunican, sus flujos de trabajo no fueron rediseñados antes de automatizarlos y sus empleados no fueron incorporados al proceso de cambio con suficiente anticipación. La consecuencia estructural es predecible: la IA entrega resultados inconsistentes, los equipos pierden confianza en las salidas del sistema y los proyectos se estancan en fases piloto indefinidas sin llegar nunca a producción.\n\nHolly Briedis, vicepresidenta senior de industrias y soluciones globales en ServiceNow, lo describe con una imagen precisa: la mayoría de las organizaciones están intentando correr Fórmula 1 sobre una infraestructura de kart. Los datos funcionan como un patchwork desconectado, y cuando se intenta correr flujos de trabajo horizontales sobre ese entorno, las costuras se ven de inmediato.\n\n## Los que sí avanzan tomaron una decisión antes\n\nEl índice identifica un grupo al que llama Pacesetters: el 21% de las organizaciones encuestadas con los puntajes más altos en madurez. Lo que los distingue no es que hayan gastado más, sino que integraron y modernizaron sus datos **antes** de desplegar IA, no después. El 64% de este grupo integra y optimiza sus datos digitalmente, contra apenas el 14% del resto. No encuentran menos problemas de datos que los demás; los resuelven más rápido porque construyeron la capacidad de detectarlos y corregirlos como parte del diseño del sistema.\n\nTambién se diferencian en cómo entienden el propósito de la IA dentro del negocio. El 57% de los Pacesetters establece una visión estratégica compartida para la IA que va más allá de la eficiencia operativa. No están automatizando procesos rotos, están rediseñando cómo fluye el trabajo. La distinción no es semántica: automatizar un proceso mal diseñado solo produce errores más rápido y a mayor escala.\n\nHay una decisión implícita en este enfoque que merece ser nombrada. Los Pacesetters, en efecto, renunciaron a la velocidad de despliegue en el corto plazo. Apostaron a construir los cimientos antes de levantar los pisos. En el entorno actual, donde los consejos directivos exigen mostrar casos de uso de IA en cada presentación trimestral, esa renuncia tiene un costo político interno nada despreciable. Los que la sostuvieron están cosechando ahora una ventaja que no es fácilmente replicable en seis meses.\n\n## La gobernanza no es un freno, es lo que permite escalar\n\nUno de los hallazgos más relevantes del índice apunta directamente a los equipos de liderazgo: la mitad de los empleados encuestados creen que sus trabajos serán menos necesarios a medida que la IA agente evolucione, y no sienten que sus organizaciones los estén preparando para lo que viene. Briedis lo nombra sin eufemismos: eso no es una brecha de habilidades, es una brecha de liderazgo.\n\nEl punto tiene una mecánica concreta. Cuando los empleados no confían en los resultados que entrega la IA, trabajarán alrededor de la tecnología. Crearán sus propios atajos, sus propios workarounds, sus propios registros paralelos. El despliegue de IA formalmente se sostiene en el papel, pero operativamente se vacía. El retorno sobre la inversión nunca aparece, no porque la tecnología haya fallado, sino porque la organización nunca la adoptó realmente.\n\nLa gobernanza bien diseñada opera exactamente al revés de como suele presentarse. No es un conjunto de restricciones que enlentece la IA; es el scaffolding dentro del cual la autonomía del sistema puede operar sin generar desconfianza. Cuando los protocolos están claros, los equipos pueden distinguir entre un output confiable y uno que necesita revisión. Cuando no lo están, el default humano es desconfiar de todo, y la tecnología queda subutilizada.\n\nLo mismo aplica para los datos. Mientras una persona puede trabajar alrededor de un silo de información usando su criterio, el juicio contextual y las conexiones informales que acumuló en años de trabajo, la IA no puede. La IA fue diseñada para resolver problemas horizontalmente, atravesando funciones y departamentos. Si los datos no fluyen entre esas funciones, la IA opera con una fracción de la información que necesita y entrega una fracción del valor que podría entregar.\n\n## Lo que revela la brecha entre gasto y madurez\n\nEl patrón que documenta el índice de ServiceNow no es nuevo, pero sí alcanza ahora una dimensión donde las consecuencias son más difíciles de absorber. Oxford Economics proyecta que el gasto global en IA pasará de **340.000 millones de dólares en 2025 a cerca de 3 billones en 2035**, representando aproximadamente el 23% del gasto tecnológico empresarial total. BCG documenta que las corporaciones esperan **duplicar su gasto en IA en 2026**, pasando de representar el 0,8% al 1,7% de sus ingresos.\n\nCon esa magnitud de inversión, el costo de no tener los sistemas subyacentes preparados deja de ser un problema de TI y pasa a ser un problema de asignación de capital. Si el gasto sube al doble pero la madurez operativa no avanza en la misma proporción, las empresas están construyendo una carga financiera creciente sobre una base que todavía no la puede soportar. Los pilotos que no llegan a producción no son fracasos de aprendizaje neutros: consumen presupuesto, tiempo de equipos técnicos y, sobre todo, credibilidad interna para los próximos ciclos de inversión.\n\nLos sectores que muestran mayor urgencia son los que más tienen que perder en caso de rezago. Las empresas de tecnología y las instituciones financieras planean destinar alrededor del **2% de sus ingresos a IA en 2026**, según BCG. En esos sectores, la competencia no espera a que los rezagados pongan en orden sus datos. El tiempo entre decisión de inversión y resultado visible ya no alcanza para remediar en paralelo lo que debió construirse antes.\n\nEl índice de ServiceNow, leído como documento de diagnóstico sectorial más que como pieza de marketing, describe un momento particular en la curva de adopción de la IA empresarial. El gasto ya comprometió la apuesta. Lo que determina quién convierte esa apuesta en ventaja sostenible no es el siguiente modelo que se compre ni el siguiente piloto que se anuncie: es si la arquitectura de datos, los procesos rediseñados y la cultura organizacional pueden sostener lo que el presupuesto ya prometió entregar.","article_map":{"title":"Gasto en IA subió 110% y los sistemas subyacentes no lo resistieron","entities":[{"name":"ServiceNow","type":"company","role_in_article":"Fuente principal del índice de madurez de IA empresarial; sus datos estructuran todo el argumento del artículo."},{"name":"Holly Briedis","type":"person","role_in_article":"Vicepresidenta senior de industrias y soluciones globales en ServiceNow; aporta interpretación cualitativa de los hallazgos del índice."},{"name":"Gartner","type":"institution","role_in_article":"Fuente de proyecciones sobre gasto global en IA para 2026."},{"name":"Stanford HAI","type":"institution","role_in_article":"Fuente de datos sobre inversión privada global en IA en 2025."},{"name":"Oxford Economics","type":"institution","role_in_article":"Fuente de proyecciones de gasto global en IA hasta 2035."},{"name":"BCG","type":"institution","role_in_article":"Fuente de datos sobre expectativas corporativas de duplicar gasto en IA en 2026."},{"name":"Amazon","type":"company","role_in_article":"Uno de los cuatro grandes inversores en infraestructura de IA en Q1 2026."},{"name":"Google","type":"company","role_in_article":"Uno de los cuatro grandes inversores en infraestructura de IA en Q1 2026."},{"name":"Microsoft","type":"company","role_in_article":"Uno de los cuatro grandes inversores en infraestructura de IA en Q1 2026."},{"name":"Meta","type":"company","role_in_article":"Uno de los cuatro grandes inversores en infraestructura de IA en Q1 2026."},{"name":"Pacesetters","type":"market","role_in_article":"Segmento del 21% de organizaciones con mayor madurez de IA; sirven como modelo de las decisiones correctas de secuencia."},{"name":"IA agente","type":"technology","role_in_article":"Tecnología emergente cuya evolución genera incertidumbre laboral en los empleados encuestados y representa el siguiente nivel de despliegue."}],"tradeoffs":["Velocidad de despliegue de IA vs. solidez de los cimientos de datos y gobernanza: los Pacesetters eligieron cimientos y obtuvieron ventaja no replicable en el corto plazo.","Presión política interna para mostrar casos de uso de IA en cada ciclo trimestral vs. tiempo necesario para construir infraestructura que los sostenga.","Gasto en modelos y plataformas visibles vs. inversión en integración de datos y rediseño de procesos, que es menos visible pero más determinante para el ROI.","Autonomía del sistema de IA para operar rápido vs. gobernanza que genera confianza en los equipos y evita subutilización.","Escala de inversión comprometida vs. madurez operativa real: a mayor desacople, mayor carga financiera sobre una base que no puede soportarla."],"key_claims":[{"claim":"El gasto corporativo en IA creció 110% interanual según el índice de madurez de ServiceNow 2026.","confidence":"high","support_type":"reported_fact"},{"claim":"El índice de madurez de IA de ServiceNow llegó a 51 sobre 100 en 2026, una mejora de 16 puntos.","confidence":"high","support_type":"reported_fact"},{"claim":"Solo el 21% de las organizaciones encuestadas son clasificadas como Pacesetters con alta madurez.","confidence":"high","support_type":"reported_fact"},{"claim":"El 64% de los Pacesetters integra y optimiza sus datos digitalmente, contra el 14% del resto.","confidence":"high","support_type":"reported_fact"},{"claim":"La mitad de los empleados encuestados cree que sus trabajos serán menos necesarios con la IA agente.","confidence":"high","support_type":"reported_fact"},{"claim":"Gartner proyecta que el gasto global en IA alcanzará 2,59 billones de dólares en 2026.","confidence":"high","support_type":"reported_fact"},{"claim":"Stanford HAI documentó inversión privada global en IA de 344.700 millones de dólares en 2025, un 127,5% más que 2024.","confidence":"high","support_type":"reported_fact"},{"claim":"Amazon, Google, Microsoft y Meta invirtieron conjuntamente 130.650 millones de dólares en infraestructura en el primer trimestre de 2026.","confidence":"high","support_type":"reported_fact"}],"main_thesis":"Las empresas están invirtiendo en IA a una velocidad que supera ampliamente su preparación estructural. El problema no es tecnológico sino de secuencia: se desplegaron modelos y herramientas antes de integrar datos, rediseñar flujos de trabajo y construir gobernanza. Las organizaciones que sí avanzan invirtieron primero en los cimientos, no en las aplicaciones visibles.","core_question":"¿Por qué el aumento masivo de gasto en IA no se traduce en madurez operativa, y qué distingue a las organizaciones que sí logran escalar?","core_tensions":["Urgencia de mostrar resultados de IA vs. tiempo necesario para construir los sistemas que los hagan posibles.","Inversión masiva ya comprometida vs. infraestructura subyacente que todavía no puede soportarla.","IA diseñada para operar horizontalmente entre funciones vs. datos que siguen fragmentados en silos verticales.","Liderazgo que exige despliegue rápido vs. empleados que no confían en los outputs y trabajan alrededor del sistema.","Gobernanza percibida como freno vs. gobernanza como condición necesaria para escalar."],"open_questions":["¿Cuánto tiempo tarda una organización rezagada en construir los cimientos de datos y gobernanza necesarios para alcanzar a los Pacesetters?","¿Qué métricas debería usar un CFO para evaluar si el gasto en IA está generando madurez operativa real o solo pilotos que no llegan a producción?","¿Cómo se gestiona la presión política interna de mostrar casos de uso de IA mientras se construyen los cimientos que los harán sostenibles?","¿En qué punto el desacople entre gasto y madurez se convierte en un problema de asignación de capital que requiere intervención del consejo directivo?","¿Qué sectores fuera de tecnología y finanzas tienen mayor riesgo de quedar rezagados dado el ritmo de inversión de sus competidores?","¿Cómo se mide el costo real de los workarounds que crean los empleados cuando no confían en los outputs de IA?"],"training_value":{"recommended_for":["CFOs evaluando retorno de inversión en IA","CIOs y CTOs diseñando arquitectura de datos para escalar IA","Chief Transformation Officers gestionando adopción organizacional","Consultores de estrategia digital y transformación","Equipos de gobernanza y riesgo tecnológico","Directores de operaciones evaluando automatización de procesos","Inversores evaluando madurez operativa de empresas con alta exposición a IA"],"when_this_article_is_useful":["Al evaluar si aprobar o escalar un presupuesto de IA empresarial.","Al diagnosticar por qué pilotos de IA no están llegando a producción.","Al diseñar la secuencia de una transformación digital con componentes de IA.","Al construir el caso de negocio para inversión en infraestructura de datos antes de desplegar modelos.","Al gestionar la resistencia organizacional al cambio en proyectos de IA.","Al comparar la posición de madurez de una organización frente a benchmarks sectoriales.","Al presentar al consejo directivo el estado real de la transformación de IA vs. el gasto comprometido."],"what_a_business_agent_can_learn":["La secuencia de inversión importa más que el volumen: datos y gobernanza primero, despliegue de modelos después.","El ROI de IA no falla por la tecnología sino por la falta de adopción real, que a su vez falla por falta de confianza de los empleados en los outputs.","Los pilotos que no llegan a producción tienen un costo compuesto: presupuesto, tiempo técnico y credibilidad interna para futuros ciclos.","La gobernanza de IA es un habilitador de escala, no un freno operativo.","La ventaja competitiva en IA se construye en decisiones de secuencia, no en decisiones de gasto.","Automatizar procesos mal diseñados amplifica los errores, no los elimina.","La brecha entre gasto y madurez es un problema de asignación de capital, no solo de TI."]},"argument_outline":[{"label":"1. El dato central","point":"El índice de madurez de IA de ServiceNow (2026) subió 16 puntos hasta 51/100, pero el gasto en IA creció 110% interanual. La mejora de madurez no es proporcional al capital invertido.","why_it_matters":"Revela que el dinero no compra madurez automáticamente; hay un desacople estructural entre inversión y capacidad real de ejecución."},{"label":"2. El patrón histórico","point":"El gasto siempre se adelanta a la readiness en cada ola tecnológica grande (ERP, nube, big data). La diferencia ahora es la escala: proyecciones apuntan a 2,59 billones de dólares en gasto global en IA en 2026.","why_it_matters":"Contextualiza el problema como sistémico y predecible, no como error aislado de gestión, lo que implica que requiere respuesta estructural, no táctica."},{"label":"3. Dónde se produce la rotura","point":"Los datos siguen fragmentados en silos, los flujos de trabajo no fueron rediseñados antes de automatizarlos y los empleados no fueron incorporados al cambio con anticipación suficiente.","why_it_matters":"Identifica los tres vectores concretos de falla: datos, procesos y personas. Cada uno tiene una solución diferente y un responsable diferente dentro de la organización."},{"label":"4. Los Pacesetters como modelo","point":"El 21% de organizaciones con mayor madurez integró y modernizó sus datos antes de desplegar IA. El 64% de este grupo optimiza datos digitalmente vs. 14% del resto. Renunciaron a velocidad de despliegue en el corto plazo.","why_it_matters":"Demuestra que la ventaja competitiva en IA no proviene del gasto sino de la secuencia de decisiones. La ventaja construida así no es replicable en seis meses."},{"label":"5. La gobernanza como habilitador","point":"La mitad de los empleados cree que sus trabajos serán menos necesarios y no siente que la organización los prepare. Cuando no confían en los outputs de IA, crean workarounds que vacían operativamente el despliegue formal.","why_it_matters":"La gobernanza no es un freno burocrático: es el mecanismo que permite que la autonomía del sistema opere sin generar desconfianza. Sin ella, el ROI nunca aparece aunque la tecnología funcione."},{"label":"6. La consecuencia financiera","point":"Oxford Economics proyecta que el gasto global en IA pasará de 340.000 millones en 2025 a 3 billones en 2035. BCG documenta que las corporaciones esperan duplicar su gasto en IA en 2026. Los pilotos que no llegan a producción consumen presupuesto y credibilidad interna.","why_it_matters":"A esta escala, la falta de sistemas subyacentes deja de ser un problema de TI y se convierte en un problema de asignación de capital con consecuencias en el estado de resultados."}],"one_line_summary":"El gasto corporativo en IA creció 110% interanual pero las capacidades fundacionales de datos, gobernanza y rediseño de procesos no acompañaron, generando una brecha estructural que amenaza el retorno de la inversión.","related_articles":[{"reason":"Aborda directamente el problema estructural de la IA en el alto mando: fondos comprometidos sin transformación real, complementando el diagnóstico del índice de ServiceNow desde la perspectiva del liderazgo ejecutivo.","article_id":14640},{"reason":"Analiza por qué el pipeline de IA empresarial pierde valor antes de los tokens, es decir, en las etapas previas al despliegue, lo que refuerza el argumento central sobre la secuencia incorrecta de inversión.","article_id":14620},{"reason":"Explora las consecuencias económicas y organizacionales de los agentes de IA autónomos, que es precisamente el nivel de despliegue que las organizaciones sin madurez fundacional no pueden sostener.","article_id":14720},{"reason":"El caso Databricks ilustra la apuesta del mercado por infraestructura de datos como capa crítica para la IA empresarial, conectando directamente con el argumento sobre integración de datos como diferenciador de los Pacesetters.","article_id":14600}],"business_patterns":["El gasto tecnológico siempre precede a la readiness organizacional en cada ola de adopción (ERP, nube, big data, IA).","Las organizaciones con mayor madurez resuelven problemas de datos más rápido porque construyeron la capacidad de detectarlos y corregirlos como parte del diseño del sistema, no porque tengan menos problemas.","Cuando los empleados no confían en los outputs de IA, crean workarounds que vacían operativamente el despliegue formal aunque este se sostenga en el papel.","Automatizar procesos mal diseñados solo produce errores más rápido y a mayor escala.","Los pilotos que no llegan a producción erosionan credibilidad interna para futuros ciclos de inversión, creando un efecto acumulativo negativo.","La ventaja competitiva en IA se construye en la secuencia de decisiones, no en el volumen de gasto."],"business_decisions":["Decidir si aprobar presupuesto de IA antes o después de auditar la infraestructura de datos existente.","Priorizar integración y modernización de datos antes del despliegue de modelos de IA.","Rediseñar flujos de trabajo antes de automatizarlos, no después.","Incorporar a los empleados al proceso de cambio con anticipación suficiente para evitar workarounds que vacíen el despliegue.","Establecer protocolos de gobernanza que permitan a los equipos distinguir outputs confiables de los que requieren revisión.","Definir una visión estratégica de IA que vaya más allá de la eficiencia operativa antes de escalar inversión.","Evaluar si los pilotos actuales tienen condiciones para llegar a producción o si están consumiendo presupuesto y credibilidad sin retorno."]}}