Por Oscar González Iñiguez “OGI” — Fundador y CEO de Accéder
La inteligencia artificial vive hoy uno de los momentos de mayor entusiasmo corporativo de las últimas décadas. Basta escuchar a los grandes hyperscalers y fabricantes de infraestructura, como OpenAI, Anthropic, NVIDIA, Google y Microsoft, para pensar que la IA generativa ya encontró su lugar natural en todas las empresas, que su retorno de la inversión es casi inevitable y que quien no adopte estas herramientas quedará fuera del mercado.
Esa narrativa es poderosa. El problema es que no describe con precisión lo que realmente ocurre en las organizaciones.
La IA genera valor, pero un valor selectivo. No coincide con la forma simplificada, homogénea y casi automática con la que se presenta en conferencias, redes sociales y campañas comerciales. La realidad del mercado empresarial es mucho más dura: existe una experimentación corporativa sin precedentes con IA genérica, pero muchos de estos experimentos carecen de una integración con un entendimiento profundo de los procesos críticos del negocio y resultan tímidos en resultados tangibles y claros.
Resultados recientes documentados en Canadá coinciden con la primicia de este artículo; por ejemplo, un estudio de KPMG mostró que, aunque el 93% de las empresas ya reportan algún nivel de adopción de IA, sólo el 2% afirma ver un retorno claro de su inversión. En Francia, el barómetro 2026 de Bpifrance encontró que el 77% de las empresas medianas ya utiliza IA generativa, pero apenas el 17% reporta ganancias de productividad o ahorro de tiempo medibles. La conclusión es incómoda, pero necesaria: la adopción no es sinónimo de valor.
¿Por qué existe esta brecha? Porque el mercado ha mezclado tres cosas muy distintas: probar herramientas, desplegar copilots genéricos y construir una capacidad empresarial de IA. No son equivalentes. Una empresa puede pagar licencias de asistentes generativos, permitir a sus empleados redactar correos o resumir documentos con IA y, aun así, no haber transformado absolutamente nada en su operación, en su estructura de costos ni en su capacidad de decisión.
Los casos de éxito existen, pero tienen una característica en común: están anclados a un proceso concreto, a una fuente de datos confiable y a una métrica de negocio específica. La IA funciona mejor cuando se le asigna una tarea delimitada -atención a clientes con contexto operativo, análisis documental, soporte técnico, forecasting, conciliaciones, generación de reportes o automatización de tareas repetitivas- y se integra con los sistemas que sostienen el negocio. En otras palabras, el valor no radica en “tener IA”, sino en conectar la inteligencia con un flujo de trabajo real.
También existen fracasos que conviene examinar con atención. Klarna se convirtió en uno de los casos emblemáticos al presumir la sustitución masiva de atención al cliente por IA y, más tarde, tuvo que corregir el rumbo tras reconocer problemas de calidad y de la experiencia del cliente. El error no fue usar IA; fue creer que una promesa de eficiencia podía reemplazar, sin costo, el juicio humano, el manejo de excepciones y la complejidad real del servicio.
Desde mi perspectiva, ahí está el punto central del debate: la IA empresarial no fracasa por falta de potencia tecnológica, sino por exceso de simplificación estratégica. Se sigue vendiendo como una capa mágica de productividad, cuando en realidad exige algo mucho menos glamoroso y mucho más importante: entender el proceso, limpiar y gobernar los datos, rediseñar el flujo operativo, asignar responsables, medir resultados y decidir con claridad qué parte del trabajo debe automatizarse y cuál debe permanecer bajo supervisión humana.
A esto se suma un riesgo que muchas empresas siguen subestimando: el de los datos. Las herramientas genéricas han mejorado sus controles, sí, pero en la práctica todavía hay demasiadas organizaciones que no tienen plena claridad sobre qué información están compartiendo, cómo se procesa, qué se retiene, qué puede usarse para mejorar los modelos y qué implicaciones de confidencialidad, cumplimiento y propiedad intelectual están aceptando. Para una institución financiera, una farmacéutica, una compañía industrial o cualquier empresa que maneje información sensible, no es una preocupación menor: es una cuestión de gobierno corporativo.
El otro gran ángulo que casi no se discute es el económico. Hoy la IA generativa sigue operando, en gran medida, bajo una lógica de subsidio competitivo. Los hyperscalers están invirtiendo cantidades históricas en centros de datos, energía, chips e infraestructura. Goldman Sachs estima que el gasto de capital de los principales hyperscalers podría sumar varios trillones de dólares hacia 2030, y ya vemos cómo algunas compañías complementan ese esfuerzo con deuda para sostener la carrera. Pensar que esa estructura de costos no terminará reflejándose en precios más altos de cómputo, inferencia, almacenamiento y servicios sería ingenuo.
Por eso, antes de implementar IA, toda empresa debería responder tres preguntas básicas. ¿Por qué la quiere? Es decir, qué problema de negocio resolverá y cuál es su impacto económico. ¿Cómo la integrará? Eso implica procesos, sistemas, responsables, controles, calidad de los datos y rediseño operativo. ¿Y qué tipo de IA necesita? Porque no todo problema requiere un modelo generativo generalista, a veces la respuesta es analítica predictiva, automatización clásica, motores de reglas o agentes especializados conectados al ERP, al CRM o al core financiero.
Sigue la información sobre los negocios y la actualidad en Forbes México
La recomendación final es simple: implemente IA donde genere valor real, no donde el mercado le diga que “debería” tenerla. Ya sea con un equipo interno o con un socio externo, el criterio debe ser el mismo: priorizar los casos de uso con impacto medible en ingresos, costos, riesgo, velocidad o calidad del servicio.
Y mida desde el día uno. Los indicadores de desempeño (KPIs) mínimos para cualquier implementación deberían incluir: ahorro de tiempo por proceso, reducción de costos operativos, incremento de ingresos o de conversión atribuible, precisión o calidad frente al proceso anterior, tasa de adopción por usuario, reducción de errores y retrabajos, tiempo de ciclo o de respuesta y retorno económico neto después de incluir licencias, infraestructura, integración y supervisión humana.
La IA empresarial necesita menos espectáculo y más disciplina. Menos promesas universales y más decisiones bien diseñadas. Porque la verdadera ventaja no estará en usar IA por moda, sino en saber exactamente dónde, cómo y para qué convertirla en valor.
¿Te gusta informarte por Google News? Sigue nuestro Showcase para tener las mejores historias
