McKinsey acaba de publicar los resultados de su encuesta anual sobre IA con 1.719 ejecutivos respondiendo, y el titular es incómodo: el 94% de las empresas no puede atribuir ningún impacto significativo en sus beneficios a sus iniciativas de IA, pese a que el gasto global supera ya los 2,5 billones de dólares anuales. El 80% de los empleados dice ser más productivo gracias a estas herramientas. Solo el 6% de las organizaciones ve ese ahorro reflejado en el EBIT.

Repito: el 80% trabaja más rápido. El 6% gana más dinero. Alguien tiene un problema serio de contabilidad.

La encuesta que nadie quería leer

El informe de McKinsey de este agosto llega cuando el entusiasmo inversor por la IA sigue intacto —el 90% de las empresas encuestadas planea aumentar su presupuesto de IA este año— mientras los resultados financieros reales apenas se mueven. No es un problema de herramientas. Los modelos son mejores que nunca, los precios han bajado, y el acceso es prácticamente universal. Y aun así, existe un agujero de 600.000 millones de dólares entre lo que las empresas invierten en IA y el valor que realmente extraen.

El MIT lo confirma con otro ángulo: el 95% de los pilotos de IA empresariales no generan retorno financiero medible. Muchas empresas lo saben a medias, porque la demo siempre fue espectacular y alguien en el equipo jura que le ahorra dos horas a la semana. El problema es que dos horas por empleado no aparece en ninguna línea del P&L si nadie decide activamente qué se hace con ese tiempo recuperado.

El error de confundir productividad individual con impacto empresarial

Aquí está el punto clave, y es más conceptual que técnico. Las empresas han desplegado copilots, chatbots y generadores de contenido, y han medido si los empleados trabajaban más rápido. Lo hacen. Pero la velocidad individual no es lo mismo que el rendimiento organizacional.

McKinsey lo formula así en el informe: las empresas han creado inteligencia ad hoc, que hace que una persona concreta complete una tarea más deprisa. Lo que no han construido es inteligencia institucional, que hace que toda la organización tome mejores decisiones o genere más ingresos. La diferencia no es filosófica: es exactamente la que separa al 6% del 94%.

Un ejemplo concreto. Imagina que tu equipo de ventas usa IA para preparar propuestas un 40% más rápido. Perfecto. Pero si el proceso de aprobación interna sigue tardando tres semanas, si el CRM no está integrado con la herramienta de IA y si nadie mide si esas propuestas más rápidas se convierten mejor en clientes, has optimizado una parte del proceso y dejado el cuello de botella intacto. El 40% de mejora local produce 0% de impacto en la facturación. Y encima, el equipo está convencido de que “ya usan IA”.

Por qué el 95% de los pilotos nunca llegan a producción real

Según Deloitte, solo el 25% de las organizaciones ha logrado llevar más del 40% de sus pilotos de IA a entornos productivos reales. El resto lleva meses —o años— con pruebas de concepto que funcionan en demos y no escalan. Las razones son siempre variaciones del mismo tema.

La primera: sin criterios de éxito definidos desde el principio. Si no sabes exactamente qué métrica tiene que moverse para declarar el proyecto un éxito, tampoco puedes declararlo fracasado. Y así los pilotos se perpetúan indefinidamente consumiendo presupuesto sin que nadie se atreva a cancelarlos.

La segunda: el trabajo real está en la integración, no en el modelo. Aproximadamente el 80% del esfuerzo para llevar un piloto a producción corresponde a ingeniería de datos, gobernanza, integración con flujos de trabajo existentes e infraestructura de medición. Muchas empresas contratan al proveedor de IA más brillante del mercado y descubren demasiado tarde que ese 80% del trabajo no lo cubre nadie, no estaba presupuestado y requiere meses adicionales.

Y la tercera, que es la más incómoda: nadie toma las decisiones difíciles sobre cambio organizativo. Escalar IA implica rediseñar cómo trabaja la gente. Eso requiere que la dirección decida explícitamente qué procesos cambian, quién hace qué distinto y qué métricas importan ahora. Muchos líderes prefieren mantener el piloto eterno antes que tomar esa decisión.

Qué hace diferente al 6% que sí consigue retorno

Los análisis coinciden en varios patrones que distinguen a las organizaciones que sí extraen valor financiero real.

Empiezan con el proceso, no con la herramienta. El punto de partida no es “¿qué podemos hacer con este modelo?” sino “¿en qué proceso específico tenemos un cuello de botella medible y cuánto vale eliminarlo?”. Esa inversión del orden de análisis parece obvia. Poca gente la hace.

Miden el valor antes de empezar. Si el problema que quieres resolver vale 80.000 euros al año en costes o ventas perdidas, sabes exactamente cuánto puedes invertir en resolverlo y cuándo has recuperado la inversión. Sin esa cifra de partida, cualquier resultado es válido y ninguno es suficiente para justificar el siguiente paso.

Integran la IA dentro del flujo de trabajo, no en paralelo. Las herramientas que generan retorno están dentro del proceso donde ya trabaja la gente: en el CRM del equipo de ventas, en la plataforma de atención al cliente que usan los agentes, no en una pestaña adicional que hay que acordarse de abrir y que el 60% del equipo cierra a los dos meses.

Deciden activamente qué hace la gente con el tiempo que se libera. Si la IA elimina dos horas de trabajo administrativo por semana por persona, alguien en dirección tiene que decidir en qué se invierte ese tiempo para que aparezca en el resultado económico. Si no se decide, el tiempo simplemente se disuelve en más reuniones.

El piloto zombie: cómo reconocerlo

El patrón más habitual en 2026 es este: un equipo ve una demo de alguna herramienta de IA, la contrata, los usuarios dicen que está bien, y a los seis meses nadie ha medido nada concreto. La herramienta sigue activa porque desactivarla requeriría admitir que no funcionó, lo cual es políticamente incómodo. El proveedor manda informes de uso que nadie lee. El piloto sigue “en evaluación” indefinidamente.

Esto tiene nombre: piloto zombie. Un proyecto que técnicamente sigue vivo pero que no ha demostrado ningún impacto y no está en el camino de hacerlo. McKinsey estima que el 90% de los casos de uso específicos de IA a nivel funcional están en modo piloto en lugar de haber escalado a producción real. La trampa es especialmente dañina porque consume presupuesto, genera apariencia de actividad estratégica, y bloquea la posibilidad de probar algo diferente: si el equipo está “trabajando en IA”, es difícil convencer a la dirección de que en realidad no está avanzando hacia ningún resultado financiero concreto.

Qué hacer si tu empresa está en el 94%

La buena noticia: hay salida, y no requiere contratar un nuevo proveedor de IA ni invertir más. Requiere un cambio de metodología.

Elige un proceso concreto que tenga coste o impacto en ingresos medible. Define la métrica que tiene que moverse antes de empezar. Asegúrate de que la integración técnica esté resuelta —no solo la demo— y de que alguien en la dirección haya decidido explícitamente qué cambia en los flujos de trabajo. El problema no son las herramientas: son la falta de criterios claros y el miedo a rediseñar cómo trabaja la gente.

Mide a los 30, 60 y 90 días. Si la métrica no se mueve, detén el proyecto y prueba con otro proceso. Este ciclo corto es exactamente lo que diferencia a las organizaciones del 6% de las del 94%. No más piloto zombie de dos años: aprender rápido qué funciona y qué no, sin el coste político de mantener eternamente algo que no está rindiendo.

En DAVMAC llevamos tiempo ayudando a empresas a ir más allá de la demo —automatización de ventas, generación de leads e inteligencia competitiva siempre con el foco en qué métrica concreta se mueve al final—. Si quieres revisar si tus proyectos de IA actuales tienen tracción real, echa un vistazo a nuestras soluciones de automatización e IA.