La mayoría de los informes de resultados sobre inteligencia artificial que llegan a las mesas de directorio deberían venir acompañados de una advertencia: los números presentados quizás no estén midiendo aquello que parecen medir. Esta convicción no nació de una investigación académica, sino de decenas de reuniones de seguimiento de iniciativas de IA en grandes empresas. En muchas de ellas, las métricas de adopción, el volumen de uso y la satisfacción de los usuarios se tratan como evidencia de éxito, aunque no comprueben impacto financiero, operativo o estratégico.
Los datos recientes ayudan a explicar esa distancia entre el discurso y el resultado. Un estudio de KPMG divulgado en 2026 constató que, aunque el 95% de las organizaciones ya cuente con una estrategia formal de inteligencia artificial, solo el 8% logra comprobar un retorno efectivo sobre la inversión. McKinsey, por su parte, revela que cerca de el 88% de las empresas afirma usar IA, pero solo una de cada cinco extrae valor real, y que apenas el 39% reporta algún impacto en el EBIT a nivel corporativo.
La adopción avanzó de forma evidente. El retorno medible, sin embargo, no acompañó el mismo ritmo. Y los motivos son más simples, y estructurales, de lo que parecen.
1. El liderazgo mide actividad, no impacto
Es más fácil, y más cómodo, informar “número de colaboradores capacitados en IA”, “cantidad de licencias distribuidas” o “casos de uso mapeados” que demostrar ingresos incrementales, costos evitados, ganancias de productividad comprobadas o reducción de riesgo.
La primera categoría de indicadores casi siempre crece. La segunda, cuando se mide con rigor, frecuentemente decepciona, y, por eso, tiende a evitarse.
Capacitar a mil personas no significa que mil personas pasaron a tomar mejores decisiones. Implementar un asistente generativo no significa que un proceso se volvió más eficiente. Mapear cincuenta oportunidades no quiere decir que alguna de ellas generó valor.
La cuestión no es abandonar las métricas de adopción. Son útiles. El problema es tratarlas como resultado final, cuando deberían ser apenas indicadores intermedios de un camino que necesita terminar en impacto de negocio.
2. La verdad técnica se pierde antes de llegar al directorio
Existe una asimetría de lenguaje entre quien aprueba el presupuesto y quien ejecuta el proyecto.
Los equipos técnicos generalmente saben dónde la IA está funcionando, dónde todavía presenta limitaciones y en qué condiciones sus resultados son confiables. Pero ese vocabulario rara vez sobrevive a la traducción al lenguaje del comité ejecutivo.
En el camino entre el equipo de datos y el directorio, “el modelo tiene un desempeño inestable fuera del entorno de prueba” puede transformarse en “estamos evolucionando nuestras capacidades de IA generativa”. “Todavía no conseguimos integrar la solución al flujo de trabajo” se convierte en “el piloto fue bien recibido por los usuarios”.
No se trata, necesariamente, de mala fe. Muchas veces, es apenas el efecto de una organización que prefiere narrativas de progreso a conversaciones difíciles sobre limitaciones, riesgos y retorno.
Pero una empresa solo consigue tomar buenas decisiones cuando el liderazgo recibe información que preserva la realidad, y no apenas la versión más presentable de ella.
3. Muchas iniciativas comienzan por la presión, no por el problema
Una parte relevante de los programas corporativos de IA no nace de una pregunta de negocio clara. Nace de la presión externa. El directorio pregunta qué está haciendo la empresa con IA. Un competidor anuncia una alianza con una gran empresa de tecnología. Un analista de mercado incluye el tema en su informe. La respuesta, casi siempre, es crear un programa antes de definir con precisión qué problema necesita resolver.
Un programa sin una pregunta de negocio clara produce actividad. Y la actividad es fácil de mostrar: talleres, pilotos, tableros, comités, capacitaciones y presentaciones. Los resultados, por otro lado, exigen foco, decisiones y disposición para interrumpir aquello que no funciona.
Existe además un incentivo de carrera que rara vez se discute. Quien lidera una transformación en IA sabe que los resultados financieros más consistentes pueden tardar años en aparecer. Antes de eso, es posible que la persona ya haya asumido otro cargo, cambiado de área o dejado la empresa. Quien hereda el programa no siempre participó de su concepción — y difícilmente tendrá incentivo para exponer que su base era frágil.
Sin responsabilidad clara por el resultado a lo largo del tiempo, la iniciativa corre el riesgo de convertirse en una sucesión de demostraciones bien producidas, pero desconectadas del negocio.
Estamos entrando en una fase en la que inversionistas, consejos de administración y reguladores comienzan a exigir más que narrativas sobre inteligencia artificial. La expectativa pasa a ser por evidencias auditables: indicadores financieros verificables, metas explícitas y una conexión clara entre la inversión realizada y el resultado reportado.
Este movimiento también amplía el riesgo reputacional. El llamado AI washing — la amplificación de capacidades de IA sin respaldo operativo compatible — ya atrae atención regulatoria en mercados como Estados Unidos. Lo que hoy parece apenas una incomodidad interna puede transformarse en una exposición legal, financiera y de mercado.
Las empresas que se diferenciarán en los próximos años no serán, necesariamente, las que “usan más IA”. En poco tiempo, esa expresión dejará de significar algo relevante: la tecnología estará integrada en prácticamente todos los softwares corporativos.
La verdadera diferenciación estará en quién consigue responder, con números concretos y defendibles, dónde la IA cambió un resultado y por qué. Vale, entonces, una pregunta simple para cualquier liderazgo: si su empresa dejara hoy de hablar sobre inteligencia artificial, ¿cuántos procesos internos, decisiones de negocio o resultados financieros serían efectivamente diferentes mañana?
Si la respuesta es “casi ninguno”, quizás el problema nunca haya sido la tecnología. Quizás, en algún momento, la organización cambió la pregunta “¿esto resuelve un problema real de nuestro negocio?” por “¿esto nos hace parecer actualizados?”.
Y nadie se dio cuenta del cambio.
