La paradoja de la productividad de la IA: por qué la adopción no se ve en las cifras

Por Victor Hoang · Actualizado el 22 de septiembre de 2026

La paradoja de la productividad de la IA es la distancia entre lo ampliamente que las empresas han adoptado la IA generativa y lo poco de esa adopción que aparece en el desempeño financiero medido. Las encuestas sitúan el uso de IA en las empresas por encima del 80%, pero McKinsey encuentra que solo el 39% de las compañías le atribuye algún impacto en el EBIT, y los investigadores del MIT hallaron que el 95% de los pilotos de IA generativa no muestra un retorno medible. La brecha es real, pero no demuestra que la IA no funcione. Es un desfase de medición e implementación con un precedente bien documentado.

Si usted dirige una empresa y ha sentido esta tensión en carne propia, no la está imaginando. Su equipo usa herramientas de IA constantemente. Su P&L no se mueve. Ambas cosas son ciertas a la vez, y entender por qué resulta más útil que el ciclo de entusiasmo o el ciclo de rechazo que hoy se ofrecen. Este artículo se limita a la brecha en el P&L; para el conjunto más amplio de estudios controlados sobre la IA y el trabajo en general, consulte cómo la IA está cambiando el trabajo y qué muestra la evidencia.

Datos clave

• El 95% de los pilotos de IA generativa no entrega ningún impacto medible en el P&L, frente a un 5% que captura la mayor parte del valor, según "The GenAI Divide: State of AI in Business 2025" de MIT NANDA, con base en más de 300 implementaciones, 52 entrevistas y 153 encuestas a líderes (MIT NANDA, "The GenAI Divide: State of AI in Business 2025", vía Fortune).
• El 88% de las organizaciones reporta usar IA en al menos una función del negocio, pero solo el 39% le atribuye algún impacto en el EBIT, y apenas el 6% califica como "AI high performers" con un impacto en el EBIT del 5% o más (McKinsey, The State of AI: Global Survey 2025).
• Gartner predice que más del 40% de los proyectos de IA agéntica será cancelado antes de que termine 2027 por costos crecientes, valor de negocio poco claro o controles de riesgo inadecuados (pronóstico de Gartner, reportado por RCR Wireless).
• El economista Erik Brynjolfsson y sus coautores modelaron una "Productivity J-Curve": las tecnologías de propósito general reducen la productividad medida al principio porque las inversiones intangibles necesarias (reentrenamiento, rediseño de procesos, nuevos roles) no aparecen en las estadísticas oficiales hasta más tarde (Brynjolfsson, Rock, Syverson, NBER Working Paper 25148).
• En 1987, el economista Robert Solow escribió que "se ve la era de la computación en todas partes, salvo en las estadísticas de productividad", y describió un desfase de décadas entre la inversión en TI y las mejoras medidas en la producción (Solow, New York Times Book Review, 1987, citado vía Stand-Up Economist).

Qué significa realmente la paradoja de la productividad de la IA

El término describe un desajuste específico y medible: curvas de adopción con forma de palo de hockey, puestas junto a curvas de desempeño que lucen planas. No afirma que la IA sea inútil. Observa que el valor que crea la IA aún no ha pasado por las tuberías que conectan el uso individual de una herramienta con los resultados financieros de la empresa.

Hay tres cosas que se comprimen en una sola palabra ("IA") y conviene separar:

• Uso: si los empleados abren una herramienta y obtienen algo de ella. Esto está genuinamente muy extendido.
• Cambio de workflow: si el proceso de fondo, y no solo un paso dentro de él, se ha rediseñado en torno a lo que la IA hace bien. Esto es poco frecuente.
• Impacto en el P&L: si el cambio de workflow se traduce en menor costo, mayores ingresos o ciclos más rápidos a una escala que un CFO notaría. Esto es todavía más raro.

La mayor parte de la conversación pública trata el uso como un sustituto del impacto. Los datos dicen que eso es un error, y es el mismo error que cometieron los economistas al ver cómo las empresas compraban computadoras en la década de 1980.

Las cifras de adopción son reales

Empecemos por lo que no se discute. El uso de IA generativa dentro de las empresas creció más rápido que casi cualquier tecnología empresarial registrada. Varias encuestas grandes, realizadas de forma independiente, coinciden en tasas de adopción superiores al 80% para al menos una función del negocio. Los empleados la usan para redactar, resumir, asistir en programación e investigar, a menudo sin autorización formal de TI.

Esta parte de la historia se cuenta constantemente, porque es la más fácil de medir. Los conteos de inicios de sesión, las licencias asignadas y las encuestas de uso autorreportado son baratos de recopilar y halagadores de reportar. Es la segunda mitad de la historia, lo que ese uso realmente hace al negocio, la que resulta mucho más difícil de precisar y mucho menos halagadora. Esa cifra agregada de adopción también oculta una división dentro de una misma empresa: vea la brecha de adopción de la IA para entender por qué algunos empleados han reconstruido su workflow en torno a estas herramientas mientras otros todavía no han abierto una.

Las cifras de impacto cuentan otra historia

McKinsey: alta adopción, baja atribución

La encuesta State of AI 2025 de McKinsey, realizada a casi 2,000 participantes en 105 países, encontró que el 88% de las organizaciones usa IA en algún punto del negocio, frente al 78% del año anterior. Pero al pedirles que atribuyeran resultados financieros a ese uso, solo el 39% pudo señalar algún impacto en el EBIT, y la mayoría de ellos reportó que el impacto era menor al 5% del EBIT. Solo el 6% de los encuestados calificó como "AI high performers", definidos como organizaciones que reportan tanto un valor significativo como un impacto en el EBIT del 5% o más gracias a la IA.

La explicación del propio informe para esta división no es que la IA rinda por debajo de lo esperado. Es que los high performers hacen algo distinto a nivel estructural: tienen casi tres veces más probabilidades de haber rediseñado el workflow de fondo en torno a la IA, en lugar de dejar caer un chatbot en un proceso sin cambios. Esa distinción (rediseño frente a parche) es el hilo que recorre todos los estudios creíbles sobre este tema, y conviene tenerla presente mientras lee el resto de este artículo.

MIT NANDA: la brecha de la IA generativa

La cifra más cruda en circulación proviene del Project NANDA del MIT, publicado como MIT NANDA, "The GenAI Divide: State of AI in Business 2025", vía Fortune Los investigadores revisaron más de 300 implementaciones públicas de IA, realizaron 52 entrevistas estructuradas y encuestaron a 153 líderes sénior, todo entre enero y junio de 2025. Su hallazgo principal: pese a una inversión empresarial estimada de entre $30 mil millones y $40 mil millones en IA generativa, el 95% de los pilotos no produjo ningún impacto medible en el P&L. Un 5% concentrado de las implementaciones capturó la mayor parte del valor que sí existió.

El diagnóstico del informe importa más que la cifra que impacta. Señala una "brecha de aprendizaje": la mayoría de las herramientas de IA empresariales no retienen contexto, no mejoran con la retroalimentación dentro del workflow específico donde se despliegan, y el personal de primera línea las abandona y las esquiva en cuanto aparece fricción. No es un problema de datos ni de talento. Es un problema de integración, y los problemas de integración tienen arreglo de un modo en que los problemas de "la tecnología no funciona" no lo tienen.

Gartner: la ola de cancelaciones

El pronóstico de Gartner de junio de 2025 aporta un tercer dato desde otro ángulo: la mortalidad de los proyectos. La firma predice que más del 40% de los proyectos de IA agéntica, es decir, iniciativas construidas en torno a AI agents autónomos de varios pasos y no a un chat de un solo turno, será cancelado antes de que termine 2027. Los motivos que cita Gartner son costos crecientes, valor de negocio poco claro y controles de riesgo inadecuados, además de un mercado inundado de lo que la firma llama "agent washing": proveedores que rebautizan automatización ordinaria o bots basados en reglas como sistemas agénticos, sin la capacidad de fondo que los respalde.

En conjunto, McKinsey, el MIT y Gartner no describen tres fenómenos sin relación. Describen el mismo embudo desde tres puntos de observación: amplia adopción arriba, un cuello de botella de rediseño en el medio y, abajo, un filtro de fracaso de proyectos que elimina de forma desproporcionada las iniciativas que nunca pasaron de la etapa piloto.

Ya vimos esta película: la paradoja de Solow

En 1987, en pleno auge de la computadora personal, el economista Robert Solow escribió una frase que ha sobrevivido a casi todo lo demás que publicó para el público general: "Se ve la era de la computación en todas partes, salvo en las estadísticas de productividad". Las empresas habían gastado mucho en PC y software empresarial a lo largo de los años ochenta. Las estadísticas nacionales de productividad, en ese momento, no mostraban una aceleración equivalente. La inversión era visible. El retorno no, al menos todavía.

Lo que resolvió la paradoja de Solow no fue un chip mejor ni una red más rápida. Fue la ola de cambio organizacional de la década de 1990 que alcanzó al hardware: sistemas ERP que obligaron a las empresas a rediseñar cómo se comunicaban pedidos, inventario y finanzas; firmas de retail y logística que reconstruyeron sus cadenas de suministro en torno a datos en tiempo real en lugar de actualizaciones periódicas por lotes; y una década de prácticas de gestión que se ponía al día con lo que la tecnología había hecho posible años antes. El crecimiento de la productividad se aceleró de forma marcada en la segunda mitad de los noventa, aproximadamente una década después de la adopción masiva de la PC, una vez que esas inversiones complementarias estuvieron en marcha.

El paralelo con la IA generativa no es una metáfora. Es un patrón documentado, con nombre en la literatura económica, e implica una afirmación falsable: las ganancias de productividad de la IA aparecerán en los datos cuando las empresas hagan el trabajo organizacional, no antes, y no de forma automática solo porque más personas hayan iniciado sesión en un chatbot.

La curva J: por qué la productividad medida va por detrás de la inversión real

Erik Brynjolfsson, Daniel Rock y Chad Syverson formalizaron este patrón en su modelo de la Productivity J-Curve, publicado a través del National Bureau of Economic Research. Su argumento: las tecnologías de propósito general (la electricidad, la computación y ahora la IA pertenecen a esta categoría) exigen enormes inversiones complementarias para rendir. Reentrenar al personal. Reconstruir los procesos de negocio en torno a lo que la tecnología realmente hace bien, en lugar de forzarla a la forma del proceso anterior. Desarrollar productos y modelos de negocio que la infraestructura antigua no podía sostener.

Aquí está la parte que explica la paradoja de forma directa: esas inversiones complementarias son en gran medida intangibles, y la inversión intangible se mide mal, o no se mide, en las estadísticas reportadas como "productividad". Una empresa que pasa seis meses rediseñando su workflow de atención al cliente en torno a un sistema de IA está haciendo una inversión real con un retorno futuro real. En el año en que ocurre, ese gasto aparece como un costo que reduce la productividad medida, y no como un activo que construye producción futura. El retorno llega más tarde, cuando el workflow rediseñado opera a escala, pero para entonces suele atribuirse a una "mejor gestión" y no a la inversión en IA hecha años antes.

El equipo de Brynjolfsson estimó que ajustar las estadísticas oficiales de productividad por estas inversiones intangibles relacionadas con TI elevaría la productividad total de los factores medida en aproximadamente un 16% respecto de las cifras del propio gobierno, usando datos históricos de la era de la computación. La forma de la curva J (una caída y luego un repunte tardío) es el mecanismo. La paradoja de Solow y la actual paradoja de la productividad de la IA son ambas instantáneas tomadas durante la caída.

Ganancia declarada, ganancia medida y qué explica la brecha

Por qué los pilotos mueren en producción

Las entrevistas del MIT apuntan a un patrón de fallo consistente y accionable. Los pilotos se construyen para impresionar a un comité directivo, no para sobrevivir al día real de un equipo de primera línea. Se presentan una vez en una demo, se aprueban y se entregan sin retención de contexto ni un ciclo de retroalimentación que permita a la herramienta mejorar dentro del workflow específico al que llega. En cuanto un piloto genera fricción, una respuesta equivocada, un traspaso roto, un paso de aprobación extra que nadie planeó, el personal lo esquiva en silencio, y el uso vuelve a la línea base previa al piloto en cuestión de meses.

Eso es un fallo organizacional, no de capacidad: nadie fue dueño de la integración, nadie midió si el workflow se acortó y nadie construyó el ciclo de retroalimentación que gana confianza con el tiempo. También explica por qué la deuda técnica de los pilotos apresurados se acumula en lugar de resolverse; una herramienta añadida a un proceso sin rediseñar se convierte en un sistema más que mantener, no en menos trabajo. El personal que esquiva un piloto lleno de fricción suele hacerlo sobre una jornada ya repleta, que es el mismo mecanismo detrás del ritmo y el burnout en la era de la IA: una herramienta que promete alivio pero añade un paso de verificación que nadie programó.

El rediseño organizacional que realmente libera valor

Todo estudio creíble apunta a la misma solución, descrita cada vez con palabras ligeramente distintas.

Rediseñe el workflow, no le acople la IA como un parche

Los high performers de McKinsey tienen casi tres veces más probabilidades de haber reconstruido el proceso en torno a las capacidades reales de la IA, en lugar de insertar una herramienta en un proceso diseñado para que las personas hicieran cada paso a mano. El 5% exitoso del MIT incorporó la IA en workflows de alto valor con la profundidad suficiente para que la herramienta retuviera contexto y mejorara con el uso, en lugar de tratar cada interacción como algo aislado. El hilo común: la unidad de cambio es el workflow, no la herramienta.

Dé a alguien la responsabilidad real del resultado, no solo del despliegue

Un piloto sin un responsable nombrado que responda por una métrica de negocio (costo por ticket, tiempo de ciclo, tasa de error) tiende a derivar en una métrica de vanidad basada en el conteo de uso. Las organizaciones que logran un impacto medible en el P&L asignan un responsable de negocio, no solo un patrocinador de TI, y lo someten al mismo nivel de exigencia en resultados que cualquier otra iniciativa operativa.

Decida, de forma deliberada, qué se queda en manos humanas

Hacer que un workflow rediseñado funcione exige ser explícito sobre dónde residen el juicio humano, la autoridad de escalamiento y la responsabilidad final, en lugar de suponer que el agente "lo resolverá solo". Es una cuestión de diseño organizacional tanto como técnica, y se conecta directamente con cómo se estructuran día a día los equipos humano-agente y con las decisiones deliberadas que toman algunas empresas sobre qué mantener en manos humanas como estrategia y no como una ocurrencia tardía.

Construya el ciclo de retroalimentación antes de escalar, no después

Las herramientas que no aprenden del contexto específico donde se despliegan son el patrón que el MIT señaló como el motor central de la tasa de fracaso del 95%. Eso significa presupuestar tiempo y responsabilidad para el ajuste y la recopilación de retroalimentación como parte del despliegue, no como una "fase dos" que nunca recibe fondos una vez que el lanzamiento luce bien en un dashboard de uso.

Nada de esto es exótico. Es la misma disciplina que resolvió la paradoja de Solow en la década de 1990: reconstruir el proceso, no solo añadir la herramienta, con el mismo presupuesto y la misma atención ejecutiva que la herramienta misma. Las empresas que cierran esta brecha también la tratan como una cuestión de cultura, no solo de workflow; vea cómo construir una cultura lista para la IA y cómo se ve realmente una cultura AI-native para el lado de las normas del mismo problema.

Qué significa esto para los líderes que deciden hoy

Tres cosas se desprenden directamente de la evidencia anterior, no de la versión del entusiasmo ni de la versión del rechazo de esta historia.

Trate el éxito del piloto y el éxito en producción como dos listones distintos. Un piloto que impresiona a una sala demuestra que el modelo puede hacer la tarea una vez, bajo supervisión. No dice nada sobre si el workflow sobrevive seis meses de uso real sin un responsable dedicado, así que presupueste y dote de personal ese segundo listón por separado.

Mida la métrica del workflow, no la métrica de uso. Los conteos de inicios de sesión y las licencias siempre lucen bien al principio. El costo por ticket resuelto, el tiempo de ciclo o la tasa de error frente a una línea base previa a la IA son las cifras que realmente predicen el P&L del próximo año. Si no puede nombrar la métrica específica que una iniciativa de IA debe mover, el rediseño del workflow aún no ha ocurrido; solo se ha desplegado la herramienta. Y cuando un rediseño sí libera horas reales en algún lugar, ese tiempo no se distribuye solo. Vea el dividendo de productividad para conocer la decisión que la mayoría de los líderes nunca toma a propósito: quién se queda realmente con las horas que ahorra la IA.

Presupueste el plazo de varios años que muestra el patrón histórico, no el plazo de un solo trimestre que ofrecen los proveedores. La paradoja de Solow tardó aproximadamente una década en resolverse mediante inversión organizacional sostenida, no mediante una mejora del modelo. Esa distancia entre la demo y el resultado duradero es exactamente lo que los procesos de gobernanza de la IA y una evaluación de impacto honesta buscan cerrar, al imponer una disciplina de medición real a iniciativas que, de otro modo, se juzgarían por cómo lucían en una diapositiva del comité directivo.

La paradoja no es un veredicto sobre la tecnología. Es una instantánea de un trabajo inconcluso, la mitad organizacional del trabajo que las tecnologías de propósito general siempre han exigido antes de que sus ganancias de productividad se hagan visibles. La IA generativa y los AI agents pueden cambiar de verdad la forma en que se hace el trabajo. Que eso aparezca en sus cifras el próximo año o dentro de cinco depende menos del modelo que haya licenciado y más de si alguien en su organización ha recibido el tiempo, la autoridad y la responsabilidad para terminar el rediseño que la herramienta hizo posible pero no hizo por usted.