La IA se acelera; las empresas, no

Cada semana aparecen noticias sobre cómo la inteligencia artificial ha acelerado tareas concretas: un programador escribió código un 55 % más rápido, una profesional de marketing preparó en unos minutos el borrador de un artículo y un responsable de producto resumió en segundos un documento de requisitos de 200 páginas. Las cifras pueden ser perfectamente reales. Pero a menudo son precisamente esas cifras las que desvían a las empresas de la pregunta fundamental: ¿aporta valor al negocio acelerar una tarea?

En muchos casos, el cuello de botella no está en la ejecución del trabajo, sino antes: en decidir qué hay que hacer y para qué. No basta con preguntarse qué encargar al equipo de desarrollo de TI; también hay que entender qué problema resolverá el nuevo sistema. No se trata solo de encargar una publicación para el blog, sino de determinar qué contenido influirá en los resultados del negocio. Y no basta con «optimizar un proceso» en abstracto: hay que averiguar cómo reducir los defectos y los trabajos de reparación asociados, o evitar que los retrasos en los suministros impidan cumplir los plazos prometidos a los clientes.

Por ahora, la IA no puede responder a esas preguntas en lugar de la empresa. La brecha entre automatizar una tarea concreta y lograr un resultado significativo se está convirtiendo en uno de los grandes retos de la era de la IA agéntica: sistemas capaces de realizar tareas e interactuar con herramientas sin recibir constantemente instrucciones humanas paso a paso.

A principios de 2026, Harvard Business Review llamó a uno de los aspectos de este problema «la trampa de la microproductividad». Las empresas aceleran la escritura de código, la elaboración de resúmenes y la clasificación de consultas al servicio de atención al cliente, pero no replantean los procesos de trabajo ni los modelos de creación de valor de los que forman parte esas tareas. Como resultado, las mejoras puntuales no se traducen en un efecto apreciable para el negocio: generan más bien un espejismo de valor.

Un estudio de PwC sobre el rendimiento de la IA en 2026 reveló que el 74 % del valor económico creado por la IA corresponde al 20 % de las organizaciones. El autor del artículo cita estos datos como prueba de que las empresas líderes utilizan la tecnología de forma distinta a las que se limitan a introducir mejoras aisladas. Gartner advierte de que, a finales de 2027, podría cancelarse más del 40 % de los proyectos de IA agéntica. Entre las causas figura la incapacidad de las organizaciones para definir de antemano qué resultado quieren conseguir.

Según PwC, las empresas que prosperan se centran en crecer y generar valor, no solo en aumentar la productividad. Muchas organizaciones establecen mal sus prioridades y le piden a la IA que avance más deprisa en la dirección equivocada. Es como tomar el desvío equivocado y consolarse pensando que el coche es muy rápido.

Para sacar un provecho real de la IA hace falta conocer el propio negocio: qué tema interesará a la audiencia antes siquiera de escribir el artículo, si un documento será útil antes de prepararlo, qué proceso conviene cambiar y qué datos hay que conectar. Estas decisiones se toman «aguas arriba», antes de empezar el trabajo propiamente dicho. Exigen conocer el sector, los costes y las consecuencias de los cambios. Por ejemplo, es importante saber cómo afectará una avería en una línea de producción a los resultados financieros de la empresa. La mera automatización de tareas no sustituye esos conocimientos.

El autor propone desarrollar equipos multifuncionales, conocidos como fusion teams. En ellos, los especialistas de negocio y de operaciones trabajan junto con los desarrolladores y ayudan a ajustar con mayor rapidez la solución tecnológica al problema real. Su cometido no es simplemente acelerar la ejecución del plan del departamento de TI, sino identificar bien el problema y avanzar a la velocidad necesaria para resolverlo. Según el autor, el mismo principio debería incorporarse al diseño de agentes de IA y a la forma en que interactúan en distintos flujos de trabajo.

Para que los agentes no se conviertan en otra fuente de microproductividad, hay que conectarlos con datos contextuales y modelos de aprendizaje automático que funcionen. Así, el objetivo no será solo completar tareas más deprisa, sino también tomar mejores decisiones. Para ello, los especialistas del sector —por ejemplo, ingenieros de fábrica, responsables de procesos y cadenas de suministro, analistas de negocio, profesionales de compras y de gestión de reclamaciones a aseguradoras— deben trabajar codo con codo con los equipos de TI y de datos.

Estos especialistas saben qué líneas de producto tienen los márgenes más bajos, qué retraso de un proveedor repercutirá más en las fases posteriores de la producción y qué controles de calidad alargan el ciclo de trabajo. El «pensamiento de equipo fusionado» consiste en definir primero el resultado deseado, diseñar después la solución y evaluarla por el valor que genera para el negocio, no por el número de operaciones aceleradas.

Según el autor, las organizaciones que en 2026 obtienen la mayor parte del valor económico de la IA no se limitan a acelerar procesos. Primero eligen problemas operativos importantes, garantizan una gestión fiable de los datos y organizan el trabajo de las personas y los agentes de IA en torno a resultados que repercuten en el negocio. Por eso, antes del próximo proyecto conviene preguntarse: ¿ayudará a lograr un resultado sustancialmente nuevo o solo automatizará una tarea concreta?

El artículo se publicó en la sección de opinión TechRadar Pro Perspectives. Las opiniones expresadas pertenecen al autor y no reflejan necesariamente la postura de TechRadar Pro o Future plc. No se incluyen los bloques publicitarios y de navegación sobre un creador de sitios web con IA ni el envío de artículos.