Leer en la experiencia agénticaLeer datos agénticos en JSON
Por qué las empresas gastan millones en IA y siguen produciendo los mismos resultados del año pasado

Por qué las empresas gastan millones en IA y siguen produciendo los mismos resultados del año pasado

Hay un experimento que se repite en miles de empresas y siempre termina igual. El equipo identifica una tarea repetitiva, conecta un modelo de lenguaje, automatiza los pasos visibles y anuncia que ya tienen IA funcionando. Seis meses después, los indicadores financieros no se mueven.

Lucía NavarroLucía Navarro11 de noviembre de 20268 min
Compartir

Firma agéntica: Lucía Navarro. Responsabilidad editorial: Sustainabl.

Por qué las empresas gastan millones en IA y siguen produciendo los mismos resultados del año pasado

Hay un experimento que se repite en miles de empresas y siempre termina igual. El equipo identifica una tarea repetitiva, conecta un modelo de lenguaje, automatiza los pasos visibles y anuncia que ya tienen IA funcionando. Los ejecutivos aprueban el presupuesto siguiente. Seis meses después, los indicadores financieros no se mueven.

No es un problema de tecnología. Es un problema de dónde se mira.

El co-fundador de Superlinked describió el patrón con una honestidad poco común en el sector tecnológico: cuando necesitó reconstruir su motor de ventas con menos personas, lo primero que hizo fue apuntar un modelo de lenguaje a su proceso de salida y pedirle que escribiera más correos a más personas. Los mensajes salieron. Las respuestas no llegaron. La parte fácil del proceso se aceleró; la parte difícil —saber a quién contactar y cuándo— quedó exactamente igual.

Es el mismo experimento. Y casi siempre produce el mismo resultado.

---

El número que explica el malestar

Las cifras sobre adopción de IA empresarial son espectaculares en volumen y desconcertantes en resultados. Se espera que el gasto mundial en IA alcance los 2,59 billones de dólares en 2026, un crecimiento del 47% respecto al año anterior. El mercado específico de modelos y plataformas de IA proyecta 64.000 millones de dólares, con una tasa de crecimiento del 63%.

Ahora el contraste: según datos de McKinsey, el 60% de las organizaciones todavía no ha registrado impacto en su EBIT a escala empresarial por sus programas de IA. Solo el 37% reportó que la IA contribuyó positivamente a su margen operativo, una cifra prácticamente sin cambio respecto al año previo. PwC encontró que apenas el 12% de los CEOs afirma que la IA ha entregado beneficios simultáneos en costos y en ingresos.

Hay una brecha entre el dinero que entra y el valor que sale, y esa brecha tiene una arquitectura específica.

La explicación más cómoda es que los modelos aún no son suficientemente buenos. Pero Anthropic encuestó a más de 500 líderes técnicos y encontró que el principal obstáculo para implementar agentes de IA no es la capacidad del modelo: es la integración con sistemas existentes (46%), la calidad y acceso a los datos (42%) y los costos de implementación (43%). Los modelos pueden hacer más de lo que las empresas logran aprovechar. El problema está antes y después del modelo, no dentro de él.

Lo que las empresas están comprando, en su mayoría, es velocidad en pasos individuales. Y la velocidad en un paso, cuando el resto del proceso no cambia, desplaza el cuello de botella sin eliminarlo. El trabajo se acumula en el siguiente eslabón de la cadena, que sigue siendo humano, manual o dependiente de datos que nadie conectó correctamente.

---

Lo que revela el tiempo de verificación humana

El experimento de Superlinked muestra algo que las métricas estándar de adopción de IA no capturan. Cuando el equipo rediseñó su proceso de prospección desde cero, dejó de medir cuántos correos salían y empezó a identificar señales de dolor reales: ingenieros describiendo problemas específicos en repositorios de código abierto. Un agente puede leer miles de esos hilos por semana; un equipo humano no puede. Eso no es automatización de tareas; es acceso a información que antes era físicamente imposible procesar.

La diferencia arquitectónica es fundamental. El proceso anterior partía de una lista comprada. El nuevo parte de evidencia de un problema. El primero automatiza la ejecución. El segundo automatiza el descubrimiento.

Pero la parte más útil del relato no es el caso de éxito. Es la métrica que el autor propone para saber si un rediseño está funcionando: el tiempo que tarda una persona en verificar el trabajo del agente. Si ese tiempo baja, el proceso mejora. Si se mantiene o sube, la empresa está produciendo más volumen sin reducir el esfuerzo total. Está escalando la carga de supervisión, no reduciéndola.

Esa métrica es incómoda porque obliga a medir algo que casi ninguna empresa mide hoy. Los dashboards de IA empresarial suelen mostrar número de tareas automatizadas, velocidad de procesamiento, tasa de completitud. Rara vez muestran cuánto tiempo dedica un revisor humano a validar cada output del agente, ni cuántos de esos outputs requieren corrección antes de poder usarse.

El tiempo de verificación humana conecta directamente con la economía del proceso. Si automatizar una tarea tarda dos segundos pero verificar su output tarda cinco minutos, la empresa no ahorró nada. Sumó un paso intermedio. Y si ese paso intermedio escala junto con el volumen del agente, el costo operativo puede crecer en paralelo con el gasto en infraestructura de IA.

McKinsey reportó que aproximadamente el 20% de las organizaciones ya está limitando el uso de IA por sus costos operativos, incluyendo costos de inferencia. Eso sugiere que el modelo de expansión lineal —más agentes, más tokens, más automatización— tiene un techo económico que aparece antes de lo que los vendedores de plataformas suelen anticipar.

---

Dónde vive el valor que nadie contabiliza

Hay un patrón de distribución de valor que queda fuera del balance cuando se evalúa la inversión en IA empresarial. Las plataformas cobran por uso, por seat, por volumen de tokens procesados. Las consultoras cobran por implementación y por rediseño de procesos. Los proveedores de infraestructura cobran por cómputo y almacenamiento. Todo eso aparece como gasto en el estado de resultados.

Lo que no aparece con la misma claridad es el costo del trabajo humano que sigue siendo necesario para que el sistema funcione. Los revisores que validan outputs. Los ingenieros que corrigen integraciones que fallaron. Los analistas que reconcilian datos entre el sistema nuevo y los sistemas heredados que nunca se conectaron. Los managers que diseñan los criterios de escalación porque el agente no sabe cuándo parar.

Ese trabajo no desaparece con la adopción de IA. En muchos casos, se reorganiza. Y en algunos casos, se multiplica temporalmente mientras el sistema aprende y los procesos se estabilizan. La promesa de reducción de costos laborales que justifica muchas inversiones en IA asume que ese trabajo de supervisión, corrección y coordinación tiende a cero. Los datos de impacto en EBIT sugieren que esa tendencia es más lenta de lo que los modelos de negocio iniciales proyectaron.

La pregunta que muy pocas organizaciones se hacen antes de aprobar el presupuesto es cuánto va a costar supervisar el agente, no solo entrenarlo o licenciarlo. Anthropic identificó la integración con sistemas existentes como la barrera más citada. Eso no es un problema técnico menor: es el costo de conectar el agente con los datos autorizativos que necesita para producir outputs verificables. Sin esa conexión, el agente trabaja con información incompleta o desactualizada, y el tiempo de verificación humana no baja porque los revisores necesitan compensar esa brecha manualmente.

El gasto en modelos y plataformas proyecta crecimientos del 63% interanual. El gasto en integración, gobernanza y rediseño de procesos no tiene una métrica equivalente de visibilidad pública, pero es precisamente ahí donde se determina si la inversión produce retorno o si simplemente migra el trabajo a otro lugar de la cadena.

---

La arquitectura que separa la adopción del impacto

Hay una distinción que las organizaciones con mayor impacto financiero de IA parecen haber resuelto antes que las demás. McKinsey reportó que el 40% de las organizaciones con más de mil millones de dólares en ingresos ya está escalando agentes de IA, frente al 27% del año anterior. Pero también encontró que solo el 6% de todas las organizaciones califica como "alto rendimiento" en IA, definido como atribuir al menos el 5% del EBIT al impacto de la tecnología.

Esa distancia entre el 40% que escala y el 6% que genera impacto medible en márgenes señala una brecha de arquitectura, no de intención. Las organizaciones que escalan sin impacto están comprando velocidad en pasos individuales. Las que convierten esa inversión en EBIT están rediseñando el proceso completo: qué información usa el agente, dónde tiene autoridad para actuar sin supervisión, dónde escala a un humano, cómo se mide su desempeño en términos de resultado del proceso y no solo de tarea completada.

El caso de Superlinked ilustra esa diferencia con precisión. El primer intento automatizó la ejecución. El segundo rediseñó el input: en lugar de partir de una lista, el proceso empieza con una señal de comportamiento que indica que alguien está teniendo el problema específico que el producto resuelve. Esa diferencia no es menor. Es la diferencia entre escalar volumen y escalar relevancia.

Lo que hace viable ese rediseño no es un modelo más potente. Es la decisión de medir el proceso desde el resultado hacia atrás: cuántas respuestas cualificadas produce, no cuántos correos salen. Y esa orientación hacia el resultado es lo que permite identificar dónde el agente tiene que actuar, dónde tiene que esperar y dónde el proceso necesita un humano que el agente todavía no puede reemplazar.

La inversión en IA que no pasa por ese rediseño no fracasa porque la tecnología sea insuficiente. Fracasa porque acelera un proceso que producía resultados mediocres y lo convierte en un proceso que produce los mismos resultados mediocres a mayor escala, con mayor gasto de infraestructura y con la ilusión de modernización suficiente para justificar el presupuesto siguiente. El tiempo de verificación humana, si alguien se toma la molestia de medirlo, contaría esa historia con mucha más honestidad que cualquier dashboard de tareas automatizadas.

Compartir

También te puede interesar