-
El valor de la IA generativa es real, pero está mal medido y mal distribuido. Según McKinsey (2025), solo el 39% de las empresas atribuye algún impacto en el EBIT a la IA, y la mayoría lo estima por debajo del 5%. Un estudio preliminar del MIT (Project NANDA, 2025) fue aún más duro: el 95% de los pilotos no habría generado retorno medible —sobre todo por falta de línea base y de integración, no por falla de la tecnología.
-
Las ganancias comprobadas se concentran en funciones específicas. La evidencia más fuerte está en atención al cliente (+14% de productividad), cierre contable (7,5 días más rápido) y tareas jurídicas y de redacción bien delimitadas (−24% a −32% de tiempo).
-
El diferenciador no es el modelo, es la ejecución. El rediseño del flujo de trabajo, la medición desde el primer día y la gobernanza separan a quien captura valor de quien solo acumula pilotos.
-
Brasil avanza, impulsado por la banca. La adopción de IA en las empresas subió de 13% a 17% entre 2024 y 2025, y llega al 50% en las grandes (Cetic.br). Más del 80% de los bancos ya usa IA generativa en operación.
¿Por qué la mayoría de las empresas no captura retorno con IA generativa?
Porque la mayoría mide uso, no impacto, e implanta la IA sobre procesos antiguos en lugar de rediseñarlos. McKinsey, en The State of AI (2025), encontró que el 88% de las organizaciones ya usa IA en al menos una función, pero solo el 39% atribuye algún impacto en el EBIT, casi siempre inferior al 5%. Apenas cerca del 6% son "high performers" que atribuyen el 5% o más del EBIT a la IA. El estudio preliminar del MIT (Project NANDA, 2025) llegó a una cifra más llamativa —95% de los pilotos sin retorno medible—, pero su hallazgo de fondo es más preciso: la ausencia de impacto se debe, en gran parte, a pilotos que no tienen una línea base documentada antes de la implementación. Es decir, mide sobre todo una falla de medición y de integración, no de la tecnología. Hoy, aproximadamente 1 de cada 20 organizaciones captura valor sustancial.
¿Dónde están las ganancias medibles? Un mapa por función
Las ganancias rigurosamente comprobadas se concentran en tareas de alto volumen, verificables y bien delimitadas. La tabla reúne la evidencia más sólida disponible, priorizando estudios controlados y experimentos de campo por sobre cifras autorreportadas.
|
Función / proceso |
Ganancia medida |
Evidencia |
|---|---|---|
|
Atención al cliente |
+14% de productividad (resoluciones por hora); +34% para agentes novatos |
Estudio controlado con 5.179 agentes — Brynjolfsson, Li y Raymond, Quarterly Journal of Economics, 2025 |
|
Contabilidad / cierre |
Cierre mensual 7,5 días más rápido |
Estudio de campo — Choi (Stanford) y Xie (MIT), Journal of Accounting Research, 2025 |
|
Tareas jurídicas delimitadas |
−24% a −32% de tiempo por tarea |
Ensayo controlado (RCT) — Minnesota Law Review, Choi, Monahan y Schwarcz, 2024 |
|
Redacción profesional |
~40% menos tiempo, con mejora de calidad |
RCT publicado en Science — Noy y Zhang (MIT), 2023 |
|
Ventas (e-commerce) |
Hasta +16,3% en ventas, sobre todo vía conversión |
Experimento de campo — Fang et al., 2025 |
|
Desarrollo de software |
Heterogéneo: fuerte en tareas nuevas; nulo o negativo en especialistas sobre código maduro |
Estudio controlado 2023 (+55,8%) vs. RCT de METR 2025 (−19%) |
Un patrón se repite en estos estudios: la IA generativa nivela hacia arriba. En atención al cliente, el 14% de ganancia media esconde una mejora del 34% entre los agentes novatos y un efecto casi nulo entre los más experimentados, porque la herramienta captura y disemina las mejores prácticas de los mejores agentes. El retorno es mayor en operaciones con muchos profesionales junior y alta rotación.
¿Por qué el desarrollo de software es el caso peor comprendido?
Porque el resultado depende por completo del contexto: la misma tecnología acelera tareas nuevas y puede frenar a especialistas en código maduro. Un estudio controlado de 2023 midió una ganancia del 55,8% de velocidad en una tarea delimitada y nueva. En cambio, un RCT de METR, en 2025, con 16 desarrolladores experimentados trabajando en sus propios repositorios maduros, encontró lo opuesto: tardaron un 19% más usando IA.
Ese contraste tiene nombre: la "frontera tecnológica irregular" (jagged frontier). En un experimento con 758 consultores, investigadores de Harvard, MIT y Wharton mostraron que, en tareas fuera del alcance de la IA, los participantes que la usaron fueron un 19% menos propensos a acertar. La lección para el ejecutivo es clara: la IA rinde mucho en ciertas tareas y perjudica en otras, y el desafío es saber distinguir unas de otras.
¿Cómo medir el retorno de verdad?
El ROI de la IA se mide con línea base, atribución causal y métricas de negocio, no con paneles de uso. Sin un contrafactual, una empresa reporta actividad, no impacto. El marco mínimo tiene cuatro elementos: (1) una línea base cuantitativa medida antes de la implementación; (2) atribución, aislando cuánto de la mejora se debe a la IA; (3) métricas de negocio reales —costo por transacción, tasa de conversión, tiempo de ciclo, tiempo de cierre—; y (4) un horizonte temporal compatible con el ciclo del negocio.
El error más común es confundir productividad individual con valor de negocio. Muchas organizaciones terminan con "individuos más rápidos y organizaciones sin cambios": la productividad solo se convierte en valor cuando el proceso se rediseña y el ahorro se captura efectivamente —en menos costo, más ingresos o más capacidad.
¿Cuáles son las condiciones previas para que un caso de uso funcione?
Lo que separa a quien captura valor no es el modelo elegido, es la arquitectura organizacional a su alrededor. Antes de esperar ganancias, deben existir siete condiciones:
1. Rediseño del flujo de trabajo. Es el atributo con mayor efecto sobre el impacto en el EBIT, según McKinsey.
2. Línea base y medición desde el primer día. Sin línea base previa a la implementación no hay forma de probar la mejora ni de atribuir la causa.
3. Casos de uso bien delimitados. Empezar por tareas de alto volumen, verificables y de bajo riesgo.
4. Calidad, disponibilidad e integración de los datos. Gartner proyecta que el 60% de los proyectos de IA sin datos listos para IA serán abandonados hacia 2026.
5. Gestión del cambio y adopción. McKinsey recomienda que, por cada US$ 1 gastado en tecnología, se inviertan cerca de US$ 5 en las personas.
6. Gobernanza y humano en el circuito. Mantener al humano supervisando es lo que preserva la calidad.
7. Ambición más allá de la eficiencia. Los "high performers" definen metas de crecimiento e innovación, no solo de ahorro.
¿Cómo está Brasil?
La adopción brasileña crece rápido y está liderada por la banca, pero aún predominan las soluciones prontas y un bajo grado de transformación. Según Cetic.br (TIC Empresas 2025), la adopción de IA en las empresas subió de 13% a 17% entre 2024 y 2025, llegando al 50% en las grandes empresas; la aplicación más común es la automatización de procesos y flujos de trabajo (63% de las que usan IA). En la industria, el IBGE registró un salto de 16,9% (2022) a 41,9% (2024). El gasto brasileño en proyectos de IA en 2025 superaría los R$ 13.000 millones, un aumento del 30% frente a 2024 (IDC/ABES).
El sector bancario es el más maduro. Según la encuesta de la FEBRABAN (2025), más del 80% de los bancos ya usa IA generativa y reporta una mejora media de eficiencia del 11,4% tras la adopción. Entre los casos divulgados por las propias empresas: Bradesco afirma que la IA generativa resuelve el 82% de las demandas del primer nivel de atención, Itaú anunció una reducción del 44% en el costo de procesamiento y Magazine Luiza atribuye a asistentes de IA la reducción a la mitad de las llamadas al servicio de atención al cliente. Las ganancias aparecen cuando la IA resuelve un problema concreto y bien definido.
Qué hacer con esto
Empiece por la evidencia más fuerte, mida desde el primer día y trate el rediseño del proceso como el verdadero proyecto. Las funciones con retorno comprobado —atención al cliente, cierre contable, tareas jurídicas y de redacción delimitadas— son el punto de partida natural. Antes de escalar, defina la línea base, aísle la atribución y elija métricas de negocio, no de uso. Y recuerde que el cuello de botella rara vez es el modelo: es la integración con los sistemas, el contexto de datos, el rediseño del flujo y la gobernanza.
Preguntas frecuentes
¿Qué porcentaje de empresas captura retorno medible con IA generativa?
Pocas. Apenas cerca del 6% son "high performers" que atribuyen el 5% o más del EBIT a la IA (McKinsey, 2025), y un estudio preliminar del MIT estimó que solo ~5% de los pilotos generan valor significativo.
¿Dónde genera la IA generativa las ganancias más comprobadas?
En atención al cliente, cierre contable y tareas jurídicas y de redacción bien delimitadas, según estudios controlados.
¿La IA siempre acelera a los desarrolladores de software?
No. Acelera tareas nuevas y delimitadas, pero un RCT de METR (2025) mostró que puede frenar en un 19% a especialistas que trabajan sobre bases de código maduras.
¿Cómo medir el ROI de la IA generativa?
Con línea base previa, atribución causal, métricas de negocio y un horizonte compatible con el ciclo del negocio. La productividad individual no es lo mismo que el valor de negocio.
¿Cuál es el factor que más diferencia a quien captura valor?
El rediseño del flujo de trabajo, que McKinsey identifica como el atributo con mayor efecto sobre el impacto en el EBIT.
¿Cómo está la adopción de IA en Brasil?
La adopción llegó al 17% de las empresas en 2025 y al 50% entre las grandes, según Cetic.br. La banca es el sector más maduro: más del 80% de los bancos ya usa IA generativa en sus operaciones.
Referencias
Últimas noticias
AI
Brasil
Digital Services
IA generativa en los procesos corporativos: dónde están las ganancias medibles (y por qué la mayoría no las captura)
La promesa de la IA generativa es enorme, pero el retorno real está concentrado en pocas empresas y en pocos procesos. Este artículo muestra, con evidencia verificable, dónde se han medido con rigor las ganancias de productividad, cómo calcular el retorno de verdad y qué condiciones deben existir antes de esperar resultados — con foco en el contexto de las grandes empresas brasileñas.
AI
Brasil
Ciberseguridad
Adopción de IA en Brasil: qué exige el marco regulatorio (LGPD, ANPD y PL 2338/2023)
Brasil adopta inteligencia artificial a ritmo acelerado, pero todavía no tiene una ley específica de IA en vigor. Esa combinación —adopción creciente y una ley aún en trámite— genera un riesgo de cumplimiento que muchas empresas subestiman, porque la regulación aplicable ya existe: es la Ley General de Protección de Datos y la actuación de su autoridad. Esta guía explica, con datos verificables, qué exige hoy el marco regulatorio brasileño, qué propone el PL 2338/2023 y cómo debe prepararse una gran empresa.
Brasil
Data Center
Noticias
Nube, data center y servicios gestionados en Brasil: cómo elegir el modelo correcto
Impulsado por la inteligencia artificial, el mercado de nube y data centers en Brasil crece a ritmo acelerado — y la pregunta que importa para el ejecutivo no es "qué modelo adoptar", sino cómo asignar cada carga de trabajo al entorno correcto, considerando regulación, costo, criticidad y latencia. Esta guía reúne, con datos verificables, los modelos disponibles, el eje de la soberanía de datos y qué exigir de un buen contrato de servicios gestionados.
