La IA empresarial ya domina la tarea, pero no sabe qué hace la organización
Hay una brecha que McKinsey lleva dos años midiendo sin que nadie parezca escandalizarse lo suficiente. En su encuesta global de 2026, el 80% de los profesionales reportó mejoras en su productividad personal gracias a la inteligencia artificial. Hasta ahí, todo suena a historia de éxito. Pero cuando la pregunta cambia de "¿te ayudó a ti?" a "¿le generó valor financiero a la empresa?", el número cae a 37%. Y lo que hace más incómodo ese dato no es su tamaño, sino que es prácticamente igual al del año anterior.
Lo que esa cifra describe no es un problema de tecnología. Describe un problema de traducción: la incapacidad colectiva de convertir lo que un individuo hace mejor en algo que la organización haga distinto. Y esa brecha no se cierra con mejores modelos de lenguaje ni con más agentes autónomos. Se cierra, si es que se cierra, con una reconfiguración de cómo las empresas están diseñadas para operar bajo presencia constante de IA. Eso todavía no existe. Al menos, no de forma generalizada.
El artículo que publicó Fast Company en noviembre de 2026, firmado por el profesor Enrique Dans, llama a ese momento faltante el "momento Transformer empresarial". La referencia no es arbitraria. En 2017, ocho investigadores de Google publicaron un paper que cambió la arquitectura de cómo las máquinas procesan lenguaje. Ese paper —"Attention Is All You Need"— no fue simplemente una mejora incremental. Reorganizó la computación entera alrededor de un mecanismo llamado autoatención, eliminó la necesidad de procesamiento secuencial y permitió el entrenamiento paralelo a escala. Lo que vino después fue GPT, luego ChatGPT, luego la industria generativa que hoy mueve cientos de miles de millones de dólares.
Google entendió el valor técnico de su propio descubrimiento y lo integró en Translate y Search. Lo que no hizo fue reconocer el nuevo tipo de producto que ese avance hacía posible. OpenAI sí lo vio. Capturó el momento de categoría que Google había inventado sin saber que lo estaba inventando. Los ocho autores del paper eventualmente dejaron Google: siete se convirtieron en fundadores, uno se fue a OpenAI.
La tesis de Dans es que el mercado empresarial de IA está en un punto análogo. Hay arquitecturas poderosas, hay modelos capaces, hay agentes que ejecutan tareas. Lo que no hay es el principio organizador que haga todo eso coherente a nivel de empresa.
El agente como unidad equivocada
La industria resolvió provisionalmente su falta de arquitectura empresarial con una figura: el agente. Un modelo de lenguaje equipado con herramientas, memoria y capacidad de recuperar información. Anthropic lo llama el "LLM aumentado". Microsoft ha documentado patrones de coordinación entre múltiples agentes: secuenciales, concurrentes, con transferencia de control entre sí. Son construcciones útiles. Pero parten de una pregunta que, aplicada a una organización, resulta insuficiente: ¿cómo conecto trabajadores artificiales entre sí?
Una empresa no es una colección de trabajadores, ni siquiera bien coordinados. Una empresa preserva estado a lo largo del tiempo. Tiene memoria institucional. Aplica autoridad: hay decisiones que algunos pueden tomar y otros no. Registra lo que ocurrió para que pueda auditarse y aprenderse. Adapta su comportamiento en función de resultados previos. Gestiona fallas de manera que el sistema no colapse.
Nada de eso se resuelve con más agentes. Un agente puede completar una tarea. Dos agentes en secuencia pueden completar dos tareas. Pero ninguno de los dos sabe qué objetivos persigue la organización, bajo qué restricciones opera, qué decisiones tomó el trimestre pasado ni quién tiene autoridad para aprobar qué. Esa información vive en otros sistemas, en personas, en convenciones no escritas. Y la IA, tal como está desplegada hoy en la mayoría de las empresas, simplemente no tiene acceso a ese sustrato.
Desde la perspectiva del comportamiento organizacional, esto produce un efecto predecible: la IA se convierte en una herramienta de optimización local que no impacta los resultados sistémicos. Cada persona que usa un copiloto mejora su propia eficiencia. Pero si el flujo de trabajo que rodea esa tarea no cambia, si los puntos de decisión, aprobación y traspaso entre áreas permanecen iguales, la empresa opera igual que antes. Más rápido en algunas esquinas, idéntica en su arquitectura de fondo.
McKinsey lo confirma desde otro ángulo: las organizaciones que sí reportan impacto financiero de la IA son, en su mayoría, las que rediseñaron sus flujos de trabajo, no las que insertaron herramientas en procesos existentes. Eso no es un dato menor. Es la diferencia entre pintar las paredes y cambiar la planta del edificio.
Lo que Gartner detecta que los dashboards no muestran
Gartner ofrece un pronóstico que merece leerse con atención: más del 40% de los proyectos de IA agéntica serán cancelados antes de que termine 2027. Las tres razones que cita la firma son escalonadamente reveladoras: costos que escalan sin control, valor de negocio difuso y controles de riesgo insuficientes.
Cada una de esas razones describe, en términos técnicos, el mismo fenómeno conductual: una adopción que fue diseñada para impresionar, no para funcionar. Los proyectos se lanzan con urgencia de demostrar relevancia frente a juntas directivas que preguntan qué está haciendo la empresa con IA. La legitimidad institucional se obtiene mostrando que se tiene algo. No necesariamente que ese algo produce resultados.
Gartner también advierte sobre lo que llama "agent washing": organizaciones que renombran chatbots o automatizaciones de procesos robóticos como sistemas agénticos, sin que el comportamiento subyacente haya cambiado. La firma estima que, de los miles de proveedores que se presentan como oferentes de IA agéntica, alrededor de 130 entregan capacidades genuinamente agénticas. El resto vende la etiqueta.
Esto no ocurre por deshonestidad deliberada. Ocurre porque la presión de adoptar es más intensa que la capacidad de evaluar. Los equipos de tecnología reciben mandatos de transformación sin que nadie haya definido con precisión qué significa que la organización sea "más inteligente". El resultado es una carrera hacia la implementación que se salta el paso de rediseño que McKinsey identifica como el factor diferenciador.
Desde una lectura conductual, el miedo a quedarse afuera está produciendo adopciones que nadie puede defender con datos. Las empresas no están adoptando IA porque hayan resuelto el problema de qué debería hacer la IA por ellas. Están adoptando porque no adoptar se percibe como una señal de rezago estratégico. Ese es un motor de acción poderoso, pero produce proyectos construidos sobre una premisa frágil.
Gartner proyecta que para 2028, al menos el 15% de las decisiones operativas cotidianas serán tomadas de forma autónoma por sistemas de IA, y que el 33% del software empresarial incluirá capacidades agénticas. Si esas proyecciones son correctas, la pregunta relevante no es si la IA llegará a las organizaciones, sino bajo qué condiciones llegará: con arquitecturas de gobernanza que permitan atribuir responsabilidad, rastrear decisiones y recuperarse de fallas, o como una capa de automatización que nadie sabe auditar cuando algo sale mal.
La distancia entre lo que se mide y lo que importa
Hay una dinámica silenciosa que explica gran parte del desajuste entre la adopción entusiasta y los resultados planos. Las métricas que las organizaciones usan para evaluar sus iniciativas de IA miden casi exclusivamente el nivel del trabajador individual: velocidad de redacción, tiempo de respuesta, número de tareas automatizadas, satisfacción del usuario. Son métricas reales, pero capturan el 20% del problema.
Lo que no se mide, en la mayoría de los casos, es si la organización toma mejores decisiones, si aprende de sus errores más sistemáticamente, si los procesos que cruzan áreas funcionan con menos fricción, si la información correcta llega al punto correcto en el momento correcto. Esas son las variables que determinan si la empresa opera de forma diferente. Y son justamente las variables que la arquitectura actual de IA empresarial no tiene mecanismos para influir de forma directa.
El problema de fondo es que medir la productividad individual es fácil, y medir la inteligencia organizacional es muy difícil. Entonces se mide lo fácil, se reporta lo fácil, y se diseñan los proyectos alrededor de lo que puede medirse. El resultado es una espiral: las iniciativas se optimizan para producir evidencia de adopción, no para producir cambio en cómo la empresa funciona como sistema.
Esto no es un error de los equipos de tecnología. Es una consecuencia casi inevitable de la forma en que las organizaciones procesan la incertidumbre. Cuando no hay consenso sobre qué significa éxito, se adoptan por defecto las métricas más disponibles. Y las métricas más disponibles son las que capturan el comportamiento individual, no el organizacional.
Lo que falta, y lo que el argumento del "momento Transformer empresarial" busca nombrar, es una arquitectura que haga que la organización sea la unidad de análisis, no el empleado. Un sistema que preserve el estado institucional a través del tiempo. Que formalice los objetivos de la empresa como restricciones que los agentes deben respetar. Que mantenga un registro inmutable entre intención, acción y resultado. Que separe la lógica de razonamiento de los modelos de las reglas de autorización, que deben ser deterministas. Que permita escalar al juicio humano cuando el sistema enfrenta una situación para la que no tiene precedente suficiente.
Ese tipo de arquitectura no es una mejora incremental sobre lo que existe hoy. Es un cambio en el nivel donde se interviene: de optimizar al trabajador a rediseñar cómo la empresa piensa, recuerda y decide. Mientras esa transición no ocurra, el 80% de productividad individual seguirá coexistiendo con el 37% de impacto financiero. No porque la tecnología sea insuficiente, sino porque la organización que la rodea no cambió lo suficiente para que la diferencia pueda fluir hasta los resultados que importan.
La adopción de IA en las empresas es, por ahora, un fenómeno de superficie: visible, medible en las capas externas, y relativamente inerte en la profundidad donde se determina si una organización opera mejor o solo más ocupada.










