La rendición de cuentas de la Inteligencia Artificial
De la fascinación al rendimiento: Cómo la IA empresarial entra en su fase más humana
Hace tres años, cuando ChatGPT irrumpió en la conciencia colectiva, las empresas entraron en pánico. El miedo a quedarse atrás—ese FOMO corporativo tan característico de cada ciclo tecnológico—disparó una carrera frenética: pilotos, experimentación, presupuestos inflados, consultores carísimos y decenas de reuniones sobre “nuestra estrategia de IA.”
Hoy, en 2025, ese capítulo terminó.
Según el más reciente estudio de Wharton Human-AI Research y GBK Collective—que encuestó a 801 tomadores de decisiones en empresas grandes de EEUU— la IA Generativa ya no es un experimento. Está en el camino de convertirse en infraestructura crítica: 46% la usa diariamente (+17pp vs 2024), 72% mide ROI formalmente, y 60% tiene un Chief AI Officer.
Los datos revelaron algo que alguna vez comenté en este blog: el activo más escaso ya no es la tecnología. Es el talento.
Con ese entendimiento me animé a procesar el documento con todos los modelos que tenía a mi disposición :-D—para buscar qué otros insights interesantes habían—Esto es lo que encontré:
I. Del FOMO al ROI: Cuando el juguete se convierte en motor
Durante 2023, el impulso de adopción estuvo gobernado por curiosidad genuina y pánico controlado. El miedo a quedarse atrás disparó una carrera frenética. La IA era un experimento de marketing, un hackathon en la internet, un tablero de ideas con potencial indefinido.
Todos querían un piloto. Nadie sabía qué hacer con él.
Hoy el panorama es radicalmente distinto.
Tres de cada cuatro compañías (74%) miden formalmente el ROI de sus proyectos de IA generativa. Y el 74% afirma obtener retornos positivos—no proyectados, no esperados: reales.
El cambio más profundo no está en el monto invertido—aunque el 88% planea aumentos presupuestarios para 2026—sino en la mentalidad subyacente. Pasamos de la adopción impulsiva a lo que Wharton llama “rendición de cuentas algorítmica”: cada dólar debe justificarse, cada implementación debe medirse, cada promesa debe cumplirse.
Y aquí aparece un dato que lo cambia todo: 30% del presupuesto de Gen AI ya se destina a I+D interno.
No a comprar licencias de ChatGPT Enterprise. No a contratar consultoras carísimas. A construir capacidades propietarias. Las empresas líderes dejaron de comprar herramientas para comenzar a construir sus propias inteligencias.
Esto revela algo crítico: las soluciones comerciales no dan ventaja competitiva sostenible. Cualquiera puede pagar por Claude o GPT-4. Pocos pueden contratar a los ingenieros que saben construir encima. Menos aún pueden crear una cultura que permita experimentación rápida sin caer en el caos.
El verbo ya no es probar. Es integrar.
Lo que era un “proyecto de innovación” se está transformando en infraestructura operativa permanente. La IA dejó de ser un departamento para convertirse en el sistema nervioso de la empresa.
II. El nuevo cuello de botella: Nosotros (y la paradoja que pocos ven)
El informe revela una paradoja brutal: 89% de los líderes afirma que la IA mejora las habilidades humanas. Pero 43% teme que también las degrade.
El riesgo no es el reemplazo. Es la atrofia.
A medida que las máquinas asumen tareas cognitivas rutinarias, los humanos corren el peligro de dejar de practicar el pensamiento profundo. Es la versión digital del músculo que se oxida por falta de uso.
Wharton lo resume con precisión quirúrgica: “People, not tools, set the pace.”
El cuello de botella ya no es técnico. Es cultural. Y los datos lo demuestran:
Inversión en capacitación: -8%
Confianza en capacitación efectiva: -14%
“Falta de recursos de entrenamiento” entra al top 10 de barreras por primera vez
¿Cómo es posible que las empresas estén usando más IA, invirtiendo más dinero, midiendo más ROI... pero invirtiendo MENOS en entrenar a su gente?
El dato que lo explica: Expectativa de “necesitaremos contratar talento completamente nuevo”:
2024: 6%
2025: 14% (+8pp)
Las empresas están dejando de apostar por su gente actual y empezando a buscar reemplazos externos.
La brecha invisible: Ejecutivos v/s Gerentes
Pero hay algo peor. Existe una desconexión masiva entre lo que los ejecutivos creen y lo que los gerentes operativos viven:
Los ejecutivos están en el ciclo de la fascinación. Los gerentes están en la trinchera.
Los vicepresidentes van a conferencias sobre IA, leen reportes de Gartner, hablan con vendedores que les muestran demos perfectas. Su narrativa es optimista porque su trabajo es vender la visión.
Los gerentes medios están lidiando con herramientas que no se integran, empleados resistentes, resultados inconsistentes y presión por entregar ROI sin presupuesto para capacitación.
Una cita brutal de un Director en Tech/Telecom: “La mayor reducción de trabajo será en contrataciones de subcontratación en el extranjero.”
Mientras los ejecutivos hablan de “aumentar productividad” en LinkedIn, los gerentes ya están viendo cómo se recortan posiciones. La narrativa oficial vs la realidad operativa viven en universos paralelos.
El 60% de las empresas ya tiene un Chief AI Officer. Pero apenas la mitad logra articular una estrategia coherente de talento, entrenamiento y cultura.
La frontera ya no está en el modelo de lenguaje. Está en el lenguaje del modelo organizacional.
III. Ganadores vs rezagados: La gran divergencia
No todas las industrias están jugando el mismo juego.
ROI positivo por industria:
Tech/Telecom: 88%
Banca/Finanzas: 83%
Servicios Profesionales: 83%
Manufactura: 75%
Retail: 54% ← 🚨
Retail está 34 puntos porcentuales detrás de Tech. Y esto es paradójico porque Retail tiene casos de uso obvios: experiencia personalizada, gestión de workforce, marketing segmentado, optimización de supply chain.
¿Por qué está perdiendo? La respuesta no es presupuesto. Es la fricción operativa.
Tech/Telecom, Banca, Servicios: Su producto es código, datos o conocimiento. Todo el flujo ya es digital. Un consultor puede usar Claude para escribir reportes y está 80% del camino.
Retail y Manufactura: Su producto es físico. Un minorista puede usar Gen AI para optimizar inventario... pero si su sistema de punto de venta tiene 15 años y no se comunica con su ERP, el impacto es marginal.
Además: márgenes ajustados = menos espacio para experimentación, fuerza laboral menos digital = mayor resistencia, regulaciones de atención al cliente = menos automatización permitida.
El resultado: Retail tiene el potencial más alto pero la ejecución más lenta.
Los dos arquetipos
GANADORES (Tech, Finanzas, Servicios)
Uso semanal: 94%
ROI positivo: 83-88%
Cultura: Experimentación rápida + barreras claras (no paranoia)
Presupuesto: 30% en I+D interno
Estrategia: Construyen capacidades propietarias
REZAGADOS (Retail, Manufactura - 16% del mercado)
Uso semanal: 63%
ROI positivo: 54-75%
Cultura: “Esperar y ver”
Presupuesto: Dependencia alta en consultores
Estrategia: Esperan la “herramienta perfecta” antes de escalar
La diferencia clave no es el presupuesto. Es la mentalidad.
Los Rezagados esperan certeza antes de actuar. Pero en tecnología de rápida evolución, certeza = tarde. Los ganadores entienden que la velocidad de aprendizaje es más importante que la precisión de las decisiones.
Mejor fallar rápido y aprender que esperar la decisión perfecta que nunca llega.
IV. De la herramienta al tejido: Cuando la IA se vuelve invisible
La IA ha pasado del escritorio al tejido de la operación. Ya no cambia el flujo de trabajo: es el flujo de trabajo.
Y emerge una nueva especie: los AI Agents.
58% de las empresas ya los utiliza para automatizar soporte interno, detectar fraudes, gestionar contratos 24/7 con 92% de precisión, y monitoreo DevOps con resolución automática. Pero, aún están supervisados por humanos.
Estamos en la fase “asistente avanzado”, no “agente autónomo”. Los agentes actuales son buenos para tareas repetitivas con reglas claras, NO para decisiones estratégicas o ambigüedad sin supervisión.
Una cita de un ejecutivo nivel C: “Aunque supervisados por humanos, los agentes ya están liberando tiempo valioso y acelerando la toma de decisiones entre departamentos.”
Nota: “supervisados por humanos.” Los agentes están liberando tiempo, no reemplazando gente. Esa es la realidad operativa — aunque no la narrativa mediática.
2026 marcará la transición al “Performance at Scale”: cuando los modelos dejen de ser proyectos para convertirse en procesos permanentes con KPIs trimestrales.
V. La gobernanza del futuro: Cuando la IA se audita a sí misma
Toda aceleración necesita fricción. Toda potencia necesita frenos.
Políticas implementadas (2025):
64% seguridad de datos (+9pp vs 2024)
61% capacitación ética (+7pp)
61% training y awareness
46% proceso de aprobación explícita (BAJÓ -6pp)
Lo interesante: las políticas suben, pero los procesos de aprobación BAJAN.
Las empresas cambiaron de “pedir permiso” a “pedir perdón”—con barreras claras.
En vez de: “Necesitas aprobación para cada query”. Ahora es: “Puedes usar la AI libremente, pero NO puedes usar: datos sensibles de clientes, información financiera no pública, decisiones de contratación sin supervisión.”
Esto es madurez organizacional.
Pero lo más interesante: 62% de las empresas que usan Gen AI también la aplica para gestionar riesgos relacionados con IA.
Top áreas donde usan IA para gobernar IA:
Seguridad IT / Ciberseguridad (67%)
Riesgo financiero (58%)
Identificación de riesgos (55%)
Cumplimiento regulatorio (50%)
Las empresas usan Claude para detectar cuando Claude está siendo usado incorrectamente: monitoreo de queries para filtración de datos, análisis de outputs para detectar alucinaciones, auditoría automatizada de uso para compliance.
El espejo se invierte: las empresas ya no miden a la IA, la IA las mide a ellas.
Y esto crea un ciclo virtuoso: Más uso → Más gobernanza → Más IA gobernando → Más confianza → Más uso.
Es un flywheel de madurez organizacional que se auto-refuerza.
VI. El capital humano como sistema operativo
Los 5 cuellos de botella del talento en esta nueva era:
1. Reclutar talento con habilidades avanzadas (49%)
No es suficiente saber usar ChatGPT. Las empresas necesitan gente que sepa: ajuste fino de modelos, ingeniería de prompts avanzada, RAG, evaluación sistemática de outputs, integración en sistemas legacy.
Y ese talento no existe en cantidad suficiente.
2. Proveer capacitación efectiva (46%)
Los cursos genéricos no escalan a contextos específicos. Los cursos custom son carísimos y se vuelven obsoletos en 6 meses. El aprendizaje práctico funciona pero no alcanza para 10.000+ empleados.
3. Mantener moral de empleados en roles impactados (43%)
Imagina que eres analista junior y ves que Claude hace en 10 minutos lo que a ti te tomaba 2 días. ¿Te sientes motivado o amenazado?
Las empresas descubren que la productividad aumenta... pero la moral baja. Porque la gente no sabe si está “aumentando capacidades” o “siendo reemplazada en cámara lenta.”
4. Liderazgo que pueda navegar transformación (41%)
No se trata de habilidad técnica. Se trata de líderes que puedan navegar una transformación organizacional profunda sin mapa ni manual.
Implementar Gen AI no es como implementar Salesforce. Es cambiar el sistema operativo de cómo tu empresa piensa, decide y ejecuta.
5. Estrategia fragmentada (48% / 44% / 44%)
Las empresas están divididas equitativamente entre entrenar talento interno, contratar talento externo o contratar consultores.
No hay consenso. No hay “best practice” consolidada. Nadie ha descubierto “el camino” todavía.
El rol invisible: los gerentes medios
Los gerentes medios — no los CEOs ni los ingenieros — son los verdaderos arquitectos de esta transición.
Ellos diseñan procesos que balancean velocidad con control, entrenan equipos en herramientas nuevas cada 3 meses, traducen potencial técnico en impacto medible y gestionan la ansiedad de empleados.
La historia sugiere que toda revolución tecnológica termina siendo una revolución de gestión. Esta no será diferente.
VII. La última frontera (y por qué es humana)
Las emociones maduraron. Donde antes había asombro (2023) y temor (2024), hoy predominan:
Optimismo: 59%
Excitación: 59%
Cautela consciente: 38%
El deslumbramiento cedió lugar a respeto pragmático. Ya no estamos en “wow, mira lo que puede hacer.” Estamos en “ok, ¿cómo hacemos que esto funcione sin romper todo?”
El ciclo emocional de la IA refleja el patrón de cualquier tecnología transformadora:
Fascinación — Lo nuevo deslumbra
Saturación — Lo nuevo se vuelve cotidiano
Responsabilidad — Lo cotidiano exige criterio
Estamos entrando en la tercera etapa.
Y esta es la más difícil. Porque requiere algo que ningún modelo de lenguaje puede hacer por nosotros: juicio humano sobre qué automatizar y qué no, qué delegar y qué preservar.
La inteligencia artificial superó su prueba técnica. Los modelos funcionan. Las APIs son estables. Los costos bajan. Lo que enfrenta ahora es una prueba moral y organizacional.
La pregunta no es cuán capaz es la IA. Es cuán capaces somos nosotros de usarla con propósito, criterio y responsabilidad.
El estudio de Wharton lo resume: 2026 será el punto de inflexión hacia “performance at scale”, cuando la IA deje de ser copiloto y se convierta en el vehículo. Pero ese salto no depende de más cómputo.
Depende de más confianza, más entrenamiento y más liderazgo.
La IA ya no es la última interfaz entre el humano y la máquina. Es la nueva interfaz entre el humano y su propia responsabilidad.
Ideas finales
¿Y tú? ¿Estás midiendo el ROI de tus modelos... o el de tu equipo?
Porque aquí está la verdad incómoda: Todas las empresas tienen acceso a Claude, GPT-4, Gemini. Los modelos son cada vez más baratos. Las APIs más accesibles.
Pero no todas tienen:
Ingenieros que saben hacer fine-tuning en contextos específicos
Diseñadores que piensan primero en IA
Líderes que pueden navegar cambio masivo sin manual
Cultura que permite experimentación rápida con barreras claras
Y eso no se compra. Se construye.
No puedes “comprar” cultura en AWS Marketplace. No puedes hacer “fine-tuning” de liderazgo con más GPUs. No puedes “promptear” tu camino hacia un cambio efectivo del management en tu empresa.
Las empresas que ganen en los próximos 5 años no serán las que tengan mejor tecnología.
Serán las que tengan mejor talento, mejor capacitación, mejor cultura y mejor liderazgo. Y eso, no se resuelve con una llamada a una API.
La próxima frontera de la inteligencia artificial no será técnica. Será humana.