El 88% de las organizaciones usa inteligencia artificial de forma habitual en al menos una función. Solo el 39% reporta algún impacto en su EBIT a nivel de empresa, y apenas un 6% supera el 5% de EBIT atribuible a la IA. Los tres datos salen del mismo estudio de McKinsey de 2025, elaborado sobre 1.993 participantes en 105 países, y la distancia entre el primero y el tercero es la historia real de este ciclo.
La conclusión de McKinsey es literal y merece leerse dos veces: el impacto significativo en la cuenta de resultados sigue siendo raro.
Cuando solo se cita el 88%, se sostiene el argumento de que quien no adopte se queda atrás. Cuando se citan las tres, la pregunta cambia: ¿qué está haciendo distinto ese 6%?
Otras fuentes apuntan en la misma dirección con metodologías diferentes:
La magnitud varía. La dirección no.
McKinsey identifica una variable que supera a todas las demás en correlación con impacto en EBIT: haber rediseñado los flujos de trabajo de forma fundamental. Solo el 21% de los adoptantes de IA generativa lo había hecho, y quienes obtienen alto rendimiento tienen aproximadamente tres veces más probabilidades de haberlo hecho.
No es el modelo. No es el proveedor. No es el presupuesto. Es haber cambiado cómo se hace el trabajo.
Esto tiene una explicación operativa sencilla. Añadir una herramienta a un proceso existente ahorra minutos por tarea. Rediseñar el proceso alrededor de la nueva capacidad elimina pasos completos. El primero se nota en la percepción de los empleados; el segundo se nota en la cuenta de resultados.
Ansatz | Qué se cambia | Dónde aparece el resultado |
|---|---|---|
Añadir herramienta | Las tareas se hacen más rápido | Encuestas de satisfacción interna |
Automatizar el proceso actual | Se elimina trabajo manual repetitivo | Coste operativo de un departamento |
Rediseñar el flujo de trabajo | Desaparecen pasos, controles y esperas | EBIT |
La mayoría de las organizaciones está en la primera fila y espera resultados de la tercera.
Hay un fenómeno que conviene entender antes de prometer retorno. Cuando una herramienta ahorra veinte minutos al día a cincuenta personas, eso no son dieciséis jornadas de trabajo liberadas. Son veinte minutos repartidos, que se reabsorben en otras tareas sin que aparezca ninguna partida presupuestaria.
El ahorro solo se convierte en resultado cuando ocurre una de estas tres cosas:
Se elimina un paso completo del proceso. No se acelera: desaparece.
Se absorbe un aumento de volumen sin aumentar plantilla. El equipo hace un 30% más con la misma estructura.
Se reduce un coste directo identificable. Menos errores, menos reprocesos, menos penalizaciones.
Si un proyecto no puede explicar cuál de las tres persigue, no tiene un caso de negocio: tiene una expectativa.
Un proyecto que responde a las cuatro pertenece al 6%. Uno que no responde a dos o más pertenece, estadísticamente, al 42% que se abandona.
Este es el mismo diagnóstico que planteamos en el purgatorio del piloto [interner Link], visto desde la perspectiva del retorno en lugar de la del despliegue.
Sería igual de deshonesto usar estos datos para concluir que la IA no funciona. El 6% existe y obtiene ventaja real; el coste de inferencia ha caído más de 280 veces en dos años según Stanford HAI, lo que amplía el rango de casos rentables; y el problema documentado no es la tecnología, sino el trabajo organizativo que la rodea.
La lectura correcta es más útil: la adopción ya no diferencia, porque la tiene casi todo el mundo; lo que diferencia es el rediseño. Y el rediseño es lento, poco vistoso y no se puede comprar.
Que es, probablemente, la razón por la que solo lo ha hecho el 21%.
Según McKinsey (2025), el 88% de las organizaciones usa IA en alguna función, el 39% reporta algún impacto en EBIT a nivel de empresa y solo el 6% supera el 5% de EBIT atribuible. IBM sitúa en el 25% las iniciativas que han dado el retorno esperado y en el 16% las escaladas a nivel de organización.
El rediseño profundo de los flujos de trabajo. McKinsey lo identifica como el factor con mayor correlación con impacto en EBIT, y señala que solo el 21% de los adoptantes de IA generativa lo había acometido, mientras que las empresas de alto rendimiento tienen alrededor de tres veces más probabilidad de haberlo hecho.
Porque veinte minutos ahorrados a cincuenta personas se reabsorben en otras tareas sin generar ninguna partida presupuestaria. El ahorro solo llega a la cuenta de resultados si desaparece un paso del proceso, si se absorbe más volumen sin ampliar plantilla o si se reduce un coste directo identificable.
Esa cifra procede de un informe preliminar del MIT Project NANDA de 2025, no revisado por pares y con críticas metodológicas por su muestra y su ventana de medición. Fuentes más sólidas apuntan en la misma dirección con magnitudes distintas: el problema de escalado es real, la cifra exacta no está establecida.
Qué proceso concreto va a cambiar y qué paso desaparece, cuál es la métrica y el umbral que determinará continuar o parar, quién es el responsable de negocio del resultado, y cuál es el coste unitario extrapolado a volumen real con picos y reintentos.
No. El 6% que obtiene ventaja significativa existe, y la caída del coste de inferencia —más de 280 veces entre 2022 y 2024 según Stanford HAI— amplía el rango de casos rentables. Lo que los datos indican es que la adopción ya no diferencia y que el factor determinante es el trabajo organizativo que rodea a la tecnología.
¿Tu proyecto de IA pertenece al 6% o al 42%? Analizamos el caso de uso, la métrica de negocio y el coste unitario antes de que se convierta en un piloto más. Dos horas, sin compromiso. Lass uns reden → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
