La narrativa dominante sostiene que la inteligencia artificial ya está transformando estructuralmente la economía empresarial. La adopción respalda esa percepción. La monetización, no.
Según McKinsey, alrededor del 70–80 % de las organizaciones utiliza IA en al menos una función y más de la mitad emplea inteligencia artificial generativa de forma regular. Sin embargo, solo una minoría atribuye impacto material en EBIT o resultados consolidados sigue siendo limitado. La difusión tecnológica supera claramente la captura de valor financiero.
Gartner sitúa la IA generativa avanzando hacia la fase de Trough of Disillusionment de su Hype Cycle: el gasto global continúa creciendo mientras el retorno esperado no se materializa de forma generalizada. Deloitte identifica el mismo patrón como una paradoja de inversión creciente con retorno desigual: experimentación amplia, monetización concentrada.
El problema no es técnico. Los modelos funcionan. La evidencia empírica (trabajos asociados a Erik Brynjolfsson y estudios de Harvard Business School) muestra mejoras reales en velocidad y rendimiento en tareas específicas. Pero mejorar tareas no equivale a mejorar margen.
La brecha es económica. Adoptar IA es relativamente sencillo. Convertirla en flujo de caja, margen operativo o retorno sobre el capital invertido es estructuralmente más complejo.
La tecnología escala, el retorno no es automático.
El dato incómodo: adopción masiva, impacto concentrado
La difusión de la IA en empresa ya no es experimental, es transversal.
Las encuestas globales de McKinsey & Company muestran que alrededor del 70–80 % de las organizaciones utiliza IA en al menos una función, y más de la mitad emplea GenAI de forma regular en operaciones cotidianas. La tecnología ha superado la fase de curiosidad.
El impacto financiero, en cambio, es selectivo.
Solo una minoría declara contribución material a EBIT o resultados consolidados. En la mayoría de casos, el efecto permanece localizado, mejoras en productividad de equipos, reducción de tiempos de respuesta o apoyo en análisis. Son ganancias operativas, no transformaciones estructurales de margen.
Gartner identifica el mismo patrón desde otra perspectiva, el gasto en IA continúa aumentando, pero la satisfacción con el retorno es limitada. La inversión precede al resultado.
Deloitte describe la situación como una paradoja de retorno desigual, un grupo reducido captura valor consistente, mientras la mayoría permanece en fases de piloto, escalado parcial o impacto difuso.
El patrón es claro:
- Uso extendido.
- Monetización concentrada.
- Madurez organizativa desigual.
La brecha no se explica por falta de capacidad técnica. Se explica por la distancia entre integrar una herramienta y rediseñar un sistema completo.
Adoptar IA es relativamente sencillo, convertirla en margen sostenido es estructuralmente más complejo.
Dónde se rompe el ROI: unit economics y TCO
El retorno de la IA no se pierde en la visión estratégica, se pierde en la aritmética.
Desde un punto de vista financiero estándar, cualquier inversión solo crea valor si el beneficio incremental neto supera el capital invertido. Aplicado a IA:
ROI = (Incremento de ingresos + Costes eliminados − Coste total de la iniciativa) / Inversión total
No es un modelo propietario. Es contabilidad básica aplicada a tecnología.
El problema aparece en el denominador, en la mayoría de casos, el business case se construye sobre métricas operativas:
- +20 % en velocidad
- −30 % en tiempo de respuesta
- +X % en precisión
Estas métricas describen eficiencia técnica, no describen impacto contable. El error estructural es doble:
- Se asume que mejora operativa equivale automáticamente a mejora financiera.
- Se subestima el coste total real de la implementación.
El coste total de la IA rara vez se limita a licencias o consumo de API. Incluye:
- Inferencia (tokens, GPU-hora, consumo cloud)
- Integración en sistemas core (CRM, ERP, sistemas transaccionales)
- Supervisión humana permanente y control de calidad
- Seguridad, cumplimiento normativo y auditoría
- Formación y adaptación organizativa
- Mantenimiento, monitorización y optimización continua
Aquí está la ruptura. A diferencia del software tradicional, el coste marginal de la IA no tiende a cero. Cada interacción tiene un coste variable. Si el valor marginal por unidad (ticket automatizado, documento procesado, caso cerrado) no supera ese coste marginal más la supervisión asociada, el modelo es técnicamente funcional pero económicamente inviable.
En fase piloto, la distorsión es invisible:
- Volumen bajo
- Integración superficial
- Supervisión manual intensiva
- Infraestructura compartida
El coste aparente es reducido, el ROI parece alto. En producción, la estructura cambia:
- Integración profunda en sistemas core
- SLA y requisitos de disponibilidad
- Observabilidad y logging continuo
- Gobernanza formal
- Escalado real del consumo
La IA deja de ser herramienta experimental, se convierte en infraestructura operativa. Es en ese momento cuando la narrativa de productividad se enfrenta a la aritmética de unit economics, coste por 1.000 prompts, coste por ticket resuelto, coste por workflow ejecutado.
Sin esa modelización previa, el ROI es descriptivo, no financiero.
GPU economics: cuando la IA deja de ser software y pasa a ser infraestructura
El error conceptual más frecuente es tratar la IA como SaaS tradicional.
El software clásico tiene coste marginal cercano a cero: una vez desarrollado, cada usuario adicional apenas incrementa el gasto. La IA generativa en producción funciona distinto. Cada inferencia consume cómputo. Cada token tiene coste. El volumen incrementa el OPEX de forma directa.
La IA en producción se comporta como infraestructura intensiva, no como software ligero.
El crecimiento de ingresos de NVIDIA no es solo una historia tecnológica. Es una señal económica: la captura de valor inmediata está en la capa de cómputo. El proveedor de infraestructura monetiza desde el primer día. La empresa usuaria solo monetiza si logra transformar ese cómputo en margen. En entornos cloud como Amazon Web Services, el coste por GPU-hora es explícito. En on-premise, se traslada a CAPEX, amortización, energía y equipos especializados. En ambos casos, el cómputo no es marginal.
Además, la International Energy Agency proyecta un aumento significativo del consumo eléctrico de centros de datos hacia 2030, impulsado por cargas de IA. La eficiencia de inferencia deja de ser optimización técnica y se convierte en variable financiera.
La consecuencia es directa:
- Si el caso de uso requiere gran volumen de inferencia, el coste variable puede erosionar margen.
- Si la arquitectura no optimiza routing, batching o selección de modelos, el gasto escala más rápido que el ingreso incremental.
- Si el uso no está vinculado a output facturable o reducción estructural de coste, el consumo se convierte en OPEX sin retorno proporcional.
La asimetría es clara:
- La infraestructura monetiza certeza.
- La empresa usuaria asume incertidumbre.
Cuando la IA entra en producción, el debate deja de ser sobre precisión del modelo y pasa a ser sobre estructura de margen y disciplina de consumo. La economía de la IA no depende solo del modelo elegido. Depende de cuánto cuesta ejecutarlo a escala y de si ese coste altera la estructura económica del negocio.
Productivity paradox: eficiencia micro, retorno macro incierto
La evidencia empírica muestra que la IA mejora tareas concretas. Estudios asociados a Erik Brynjolfsson documentan incrementos medibles de productividad en funciones como atención al cliente: más casos resueltos por hora y reducción de tiempos. Investigaciones de Harvard Business School muestran mejoras relevantes en velocidad y calidad cuando los modelos se aplican dentro de su frontera tecnológica.
La mejora operativa es real, el problema aparece al trasladar ese efecto al nivel financiero agregado.
Aumentar la productividad de una tarea un 20 % no implica aumentar el EBIT un 20 %. Para que la eficiencia micro se convierta en impacto macro debe cumplirse al menos una de estas condiciones:
- Reducción real de costes estructurales.
- Incremento de ingresos por mayor output vendible.
- Mejora sostenida de margen por sustitución de trabajo de alto coste.
Si el tiempo ahorrado no elimina coste fijo ni genera facturación adicional, la estructura económica permanece intacta. La cuenta de resultados no cambia.
Aquí reside la paradoja:
- Productividad individual aumenta.
- Coste estructural permanece.
- El margen no mejora proporcionalmente.
Este fenómeno no es nuevo. La literatura económica ya mostró que los avances tecnológicos pueden tardar años en reflejarse en métricas agregadas de productividad. La tecnología amplía capacidad; solo el rediseño organizativo convierte esa capacidad en rentabilidad.
En IA ocurre lo mismo.
- Insertar un copiloto acelera tareas.
- Rediseñar el proceso completo altera la estructura de costes.
Sin rediseño organizativo, la mejora técnica se absorbe en el sistema existente, la herramienta optimiza, el modelo económico no cambia. La brecha entre eficiencia operativa y resultado contable no es tecnológica, es estructural.
Qué hacen distinto los que sí monetizan
La diferencia no está en el modelo utilizado, está en la arquitectura operativa y en la disciplina aplicada al despliegue. Las organizaciones que capturan ROI real comparten patrones consistentes, descritos en análisis de McKinsey y Deloitte.
1. Empiezan por el impacto económico, no por la tecnología
El caso de uso nace vinculado a una métrica financiera concreta:
- Coste unitario
- Margen por transacción
- Throughput facturable
- Reducción estructural de gasto
No se aprueba un piloto sin hipótesis explícita de impacto en P&L.
- La pregunta inicial no es “¿qué puede hacer el modelo?”
- Es “¿qué línea del estado de resultados cambia si esto funciona?”.
2. Rediseñan el proceso completo
No insertan IA en un flujo heredado. Eliminan pasos, automatizan decisiones completas, redefinen roles y reasignan capacidad (la mejora no es local, es sistémica)
- Sin rediseño, la IA se convierte en acelerador de tareas aisladas.
- Con rediseño, altera la estructura de coste.
3. Controlan el coste marginal desde el primer día
Tratan la inferencia como OPEX variable sujeto a disciplina técnica:
- Routing de modelos según complejidad
- Límites de consumo
- Monitorización de coste por unidad
- Optimización continua de arquitectura
Si el coste por unidad no está medido, el margen está expuesto. Aquí la ingeniería importa más que el entusiasmo.
4. Integran en sistemas core
El valor no está en una interfaz paralela. Está en:
- CRM
- ERP
- Supply chain
- Gestión de riesgo
- Atención al cliente
La automatización ocurre dentro del proceso que genera ingresos o elimina costes, no en herramientas adicionales.
5. Tienen patrocinio ejecutivo con responsabilidad económica
La iniciativa no depende únicamente de IT o innovación.
Existe:
- Responsable de P&L
- Métricas definidas
- Criterios de continuidad o cancelación
- Evaluación periódica basada en resultados económicos
La disciplina organizativa diferencia experimento de inversión. El patrón es consistente:
- Donde otros celebran productividad, estos exigen margen.
- Donde otros miden uso, estos miden impacto contable.
- Donde otros escalan volumen, estos optimizan unit economics.
La monetización no es consecuencia automática de adopción, es consecuencia de arquitectura + integración + disciplina económica.
Implicaciones estratégicas: IA como decisión de arquitectura, no como experimento
La IA no es un proyecto tecnológico más, es una decisión estructural sobre cómo se organiza el sistema productivo. Cada inversión en IA compite contra alternativas reales:
- Automatización tradicional
- Reingeniería de procesos sin IA
- Modernización de sistemas core
- Inversiones comerciales
El criterio no es innovación, es eficiencia en la asignación de recursos.
1. No aprobar pilotos sin hipótesis económica explícita
Todo proyecto debe declarar desde el inicio:
- Qué coste estructural pretende eliminar
- Qué ingreso incremental pretende generar
- Qué métrica financiera cambiará
Sin esa definición, el piloto es exploración tecnológica, no inversión.
2. Medir impacto en estructura, no en actividad
Tiempo ahorrado no es retorno, retorno es reducción real de estructura o incremento facturable comprobable. Si el equipo mantiene el mismo tamaño, el mismo presupuesto y el mismo output, el impacto es marginal aunque la herramienta funcione.
3. Modelizar IA como infraestructura operativa
La IA en producción implica:
- Consumo variable de cómputo
- Integración profunda
- Supervisión continua
- Requisitos de gobernanza
No es licencia ligera. Es infraestructura con coste recurrente, eso cambia el perfil de riesgo y el horizonte de recuperación.
4. Introducir criterios de cancelación
Si el coste marginal por unidad supera el valor marginal generado, el proyecto debe detenerse.
- Persistir por inercia tecnológica destruye capital.
La disciplina no consiste en escalar todo lo que funciona técnicamente, consiste en escalar solo lo que mejora la estructura económica.
5. Diferenciar retorno táctico de opcionalidad estratégica
Algunas inversiones pueden no generar ROI inmediato pero crear capacidades futuras. En ese caso, deben clasificarse explícitamente como inversión estratégica de largo plazo, no como mejora operativa.
- Confundir ambas categorías distorsiona evaluación y expectativas.
- La cuestión central no es si la IA es potente.
- Es si altera de forma medible la estructura de margen, coste o generación de flujo de caja.
La tecnología amplía capacidad, solo la arquitectura organizativa convierte capacidad en rentabilidad.
Conclusión
La evidencia es consistente.
- La adopción es alta.
- La inversión es creciente.
- La capacidad técnica es incuestionable.
La captura de valor financiero, en cambio, está concentrada. La IA mejora productividad en tareas, no mejora automáticamente margen, flujo de caja ni retorno sobre el capital invertido. Entre eficiencia operativa y resultado contable existe una capa intermedia, rediseño organizativo, control del coste marginal e integración profunda en sistemas core.
El error estructural es confundir:
- Uso con monetización.
- Productividad con rentabilidad.
- Innovación con creación de valor.
La IA en producción se comporta como infraestructura, no como software de coste marginal nulo. Si el coste variable escala más rápido que el valor capturado, el margen se comprime aunque la eficiencia aumente.
La paradoja no es tecnológica, es económica. Las organizaciones que monetizan aplican tres principios simples:
- Modelizan unit economics antes de escalar.
- Rediseñan procesos completos, no tareas aisladas.
- Exigen impacto en métricas contables, no en métricas técnicas.
La tecnología funciona, el valor no es automático.
Descubre más desde Ruben Mesquida
Suscríbete y recibe las últimas entradas en tu correo electrónico.
