Doxa 2270

La revolución de la IA no ocurrirá de la noche a la mañana

Seis formas en que las empresa están juzgando mal el potencial de la tecnología para crear valor.

Por Paul Hlivko

Transformación Digital

Harvard Business Review

#Doxa #IA #industria #transformación #tiempo #empresarial #fricción #empresa #vende #crear #valor #tiempo #riesgo #desperdiciar #recursos #resultado #erosionar #confianza #impacto #dinero #modelo #futuro #líder #negocio

Resumen. La IA transformará las industrias. Sin embargo, esta transformación ocurrirá en tiempo empresarial: más largo, más lento y con mucha más fricción de lo que la mayoría espera, y mucho más lento de lo que Silicon Valley vende. Actualmente, las empresas están adquiriendo seis aspectos fundamentalesSe equivocan sobre cómo la IA creará valor y cuánto tiempo tomará, y corren el riesgo de desperdiciar recursos, prometer resultados excesivos y erosionar la confianza. 1) El impacto real de la IA tardará mucho más de lo que creemos. 2) Estamos siendo extremadamente optimistas sobre la adopción de la IA empresarial. 3) El mercado está sobreestimando el valor de las empresas de IA. 4) El verdadero dinero no está en los modelos. 5) Estamos sobreindexando a las startups. 6) Estamos obsesionados con la IA generativa, pero no es el futuro. Los líderes empresariales deben hacerse menos preguntas sobre lo que la IA podría hacer y más sobre lo que realmente está haciendo en su negocio.

Si crees en el frenético rumor, la IA está a punto de atarnos los zapatos, dirigir nuestros negocios y resolver el hambre mundial. McKinsey predice que aportará entre 17,1 y 25,6 billones de dólares a la economía mundial anualmente. Es una visión seductora. También es una alucinación. Como director de TI centrado en los negocios, con casi tres décadas de experiencia convirtiendo tecnologías emergentes en valor empresarial, he visto esta película antes. Rara vez termina como promete el tráiler. Llevamos 75 años preguntándonos si las máquinas pueden pensar. Quizás la mejor pregunta ahora sea si nosotros podemos.

Sí, la IA es poderosa. Sí, cambiará nuestra forma de vivir y trabajar. Pero la transformación será más lenta, más compleja y mucho menos lucrativa a corto plazo de lo que sugiere la publicidad. Las empresas están invirtiendo colectivamente miles de millones de dólares en IA sin un retorno de la inversión claro. Modelos de código abierto como Meta y Deep Seek están erosionando rápidamente la ventaja competitiva de los modelos base de otras grandes tecnológicas (por ejemplo, Gemini, ChatGPT). Y el modelo de negocio para la IA de nueva generación tiene mucho potencial, pero carece de una ruta clara hacia ingresos sostenibles.

El impacto transformador de la IA llegará, pero no será la revolución instantánea que nos venden. Nos estamos equivocando en seis aspectos fundamentales sobre cómo la IA creará valor y cuánto tiempo llevará.

El impacto real de la IA tardará mucho más de lo que creemos.

En 1987, el economista Robert Solow bromeó con la famosa frase: «La era informática se percibe en todas partes, menos en las estadísticas de productividad». Décadas después, la IA es la última expresión de esta paradoja. A pesar de miles de millones de dólares en inversión, las mejoras de eficiencia mensurables siguen siendo difíciles de alcanzar. Hasta la fecha, el Banco de la Reserva Federal de Kansas City ha constatado que el impacto de la IA en la productividad ha sido modesto en comparación con los cambios tecnológicos anteriores.

Esto no es un fracaso de la IA, sino un fracaso de las expectativas. Las IA generativas, al igual que los grandes modelos de lenguaje, son una tecnología de propósito general (GPT). (Aunque la "GPT" en ChatGPT significa algo más). Hemos visto muchas GPT antes: la imprenta, la electricidad, internet, y todas siguen el mismo patrón. En cada caso, pasaron décadas antes de que su potencial transformador impactara realmente en la economía. La electricidad revolucionó la manufactura, pero el diseño de fábricas tardó 40 años en ponerse al día. Internet existía en la década de 1970, pero no fue hasta la década de 2000 que reescribió los modelos de negocio.

Existen razones convincentes para pensar que la IA seguirá la misma trayectoria lenta pero inevitable. Por ejemplo, el economista del MIT y premio Nobel Daron Acemoglu argumenta que solo el 5% de las tareas se automatizarán de forma rentable en la próxima década, lo que añadirá tan solo un 1% al PIB estadounidense, muy lejos del cambio radical que muchos esperan. El reto, argumenta, radica en que, para la mayoría de las organizaciones, los costes de la disrupción, la capacitación, la integración y la computación superarán los beneficios de la mayoría de las tareas.

Además, ya hemos recogido los frutos más fáciles de la transformación digital: automatizar el trabajo operativo, digitalizar la información, mover a los clientes en línea y migrar la infraestructura central a la nube. Estos logros iniciales generaron ganancias de eficiencia. Pero cada nuevo salto ofrece rendimientos decrecientes, lo que dificulta que la IA, o cualquier tecnología, impulse ganancias de productividad en toda la economía. A pesar de tecnologías innovadoras como los teléfonos inteligentes, las redes sociales y la computación en la nube, el crecimiento de la productividad total de los factores (PTF) en EE. UU. ha sido lento durante cinco décadas. De 1974 a 2024, el crecimiento de la PTF fue menos de la mitad de la tasa del auge de la posguerra. La IA puede impulsar la productividad personal, pero no generará ganancias de productividad a escala en un futuro próximo, si es que lo hace. Un estudio realizado por la Oficina Nacional de Investigación Económica demostró recientemente la diferencia de adopción e intensidad. Demostraron que, si bien el 40% de los adultos estadounidenses usaban IA generativa, la mayoría de las personas la usaban con poca frecuencia. Ese uso poco frecuente se tradujo en un 1-5% del tiempo total de trabajo. Combinado con el ahorro de tiempo estimado por los usuarios, esto resultó en una ganancia de productividad de <1%.

Esto no significa que la IA sea inútil. Simplemente significa que su valor no provendrá de una disrupción radical e instantánea, sino de una integración específica y deliberada. Apostar por un plazo corto y un rápido retorno de la inversión (ROI) conlleva el riesgo de desperdiciar capital, una automatización fallida y una interrupción innecesaria de la fuerza laboral. En cambio, las empresas deberían centrarse en el largo plazo: desarrollar los sistemas adecuados, capacitar a su equipo y descubrir cómo hacer que la IA funcione para su negocio.

Somos tremendamente optimistas respecto a la adopción de inteligencia artificial en las empresas.

Cuando se lanzó ChatGPT, la IA parecía magia: una revolución repentina. Las presentaciones de resultados se llenaron de menciones a la IA. El capital riesgo se puso a toda marcha. Los titulares prometían que la transformación de la IA sería instantánea y generalizada. Ya hemos visto este tipo de ciclo de bombo y platillo antes —con los primeros ordenadores personales, la burbuja puntocom, el auge de la cadena de bloques e incluso los inicios de la computación en la nube— y probablemente volveremos a cometer este error.

Juzgamos mal el cambio tecnológico debido a tres sesgos cognitivos. La falacia de la planificación nos hace subestimar la duración de la transformación. El sesgo de optimismo nos convence de que la adopción será fluida y sencilla. El sesgo de actualidad nos lleva a creer que la adopción viral de la IA por parte de los consumidores se trasladará sin problemas a la empresa. A pesar de toda la preocupación por los sesgos de la IA, tendemos a pasar por alto los nuestros, y esto podría ser especialmente cierto en la adopción empresarial. La IA empresarial no es una solución inmediata. Choca con sistemas obsoletos, obstáculos regulatorios, culturas corporativas reacias al riesgo, escasez de talento en IA y cuellos de botella en las compras. Las barreras no son técnicas, sino sistémicas. Nos llevó 100 años ponerle ruedas al equipaje; no subestimemos las fuerzas que equilibran el ritmo de la difusión tecnológica.

IBM Watson Health es una historia con moraleja. IBM prometió "pensar más que el cáncer", apostando fuerte a que la IA transformaría la atención médica. Pero para 2022, Watson se vendió por partes, con su potencial aplastado por datos médicos desordenados y fragmentados, burocracia regulatoria y complejidad del mundo real. Los hospitales lo consideraron poco fiable. Los médicos lo consideraron poco práctico. Las preocupaciones éticas aumentaron. Watson no fracasó por la IA, fracasó porque IBM subestimó la dificultad de su implementación en el mundo real.

La IA transformará las industrias, pero no al ritmo de Silicon Valley. Sucederá en tiempos empresariales: más largos, más lentos y con mucha más fricción de lo que la mayoría espera. Las empresas que caen en prejuicios e ignoran estas realidades desperdiciarán recursos, prometerán resultados excesivos y erosionarán la confianza. Los ganadores de la IA no serán quienes hagan las afirmaciones más audaces. Serán quienes tengan la paciencia para generar un cambio real y duradero.

El mercado está sobreestimando el valor de las empresas de IA.

Los inversores cometen un grave error en torno a la IA: tratan a las empresas de IA como si fueran empresas de software de alto crecimiento y con pocos activos, cuando en realidad requieren un uso intensivo de capital, son caras y tienen una gran infraestructura. Las acciones tecnológicas con un alto componente de IA se han cotizado con una prima del 20-40%, asumiendo beneficios futuros que no se han materializado.

Para los ejecutivos, esta desconexión no es solo una interpretación errónea del mercado, sino una trampa de ejecución. Las valoraciones infladas generan expectativas poco realistas que repercuten en la empresa: presión para actuar con rapidez, para pilotar algo llamativo, para que los vean "haciendo IA". ¿El resultado? Implementaciones apresuradas, prioridades desalineadas e inversiones en la magia en lugar del rendimiento de los márgenes. En un mercado donde los milagros se valoran, la verdadera ventaja reside en la moderación: líderes que priorizan la integración sobre el espectáculo y el valor a largo plazo sobre la visibilidad a corto plazo.

Consideremos a OpenAI. Busca una valoración de 300 000 millones de dólares : el doble que Facebook en su salida a bolsa y ocho veces que Google en su salida a bolsa (ajustado a la inflación). Los inversores la valoran como una empresa de software en la nube con márgenes en expansión. Pero la IA no es SaaS. Los costes de OpenAI no disminuyen con la escala, sino que aumentan con la demanda. Cada consulta tiene un precio. Cada cliente añade costes. La propia OpenAI preveía una pérdida de 5 000 millones de dólares sobre 3700 millones de dólares en ingresos en 2024.

El problema radica en que las demandas de infraestructura de la IA son asombrosas. Meta, Alphabet, Amazon y Microsoft planean invertir un total de  300 000 millones de dólares  este año. El análisis de los estados de flujo de caja y las declaraciones públicas muestra que sus gastos de capital relacionados con la IA han aumentado entre un 40 % y un 60 % en tan solo dos años. Microsoft, por su parte, invertirá  80 000 millones de dólares  este año. Para 2028, sus necesidades de computación  podrían rivalizar con la demanda eléctrica de todo un país . Esta expansión de infraestructura ha generado un déficit de ingresos anual estimado en 125 000 millones de dólares.

La competencia está reduciendo aún más los márgenes de la IA. Modelos de código abierto como LLaMA, Mistral y DeepSeek-V3 están comiéndose rápidamente la cuota de mercado. LLaMA 3 de Meta ya llega a más de mil millones de usuarios en Instagram, WhatsApp y Facebook, sin coste alguno para los consumidores. Mientras tanto, OpenAI paga por cada usuario y carece de un ecosistema de distribución integrado. La IA se está convirtiendo en un producto básico a un ritmo superior al de cualquier otro ciclo tecnológico anterior, una realidad que incluso el presidente de la junta directiva de OpenAI ha reconocido.

Para los líderes del sector, las implicaciones son reales e inmediatas. Muchos están tomando decisiones de inversión de alto riesgo basadas en herramientas desarrolladas por empresas cuyos modelos de negocio de IA podrían no ser sostenibles. Si estos socios se enfrentan a sobrecostos, una ralentización de la I+D o incluso al colapso total, las hojas de ruta empresariales podrían quedar estancadas a mitad de la implementación. El riesgo no es solo financiero, sino también operativo.

Los verdaderos ganadores de la IA no serán aquellos que buscan valoraciones exorbitantes. Serán las empresas que la integren donde genere una ventaja económica duradera: donde acelere los ciclos de decisión empresarial, mejore la calidad de las decisiones o reinvente productos, todo con un retorno de la inversión (ROI) medible. La transformación de la IA será una prueba de resistencia del liderazgo, no de especulación.

El verdadero dinero no está en los modelos.

Incluso si las empresas de modelos de IA obtienen beneficios, no podrán defender su ventaja. Los mayores avances de la IA, como las redes neuronales y los mecanismos de atención, son solo matemáticas, y las matemáticas no se pueden patentar.

Esa es la diferencia fundamental entre invención e innovación. La invención genera el avance: la arquitectura transformadora, el algoritmo novedoso. Pero la innovación a escala requiere más: distribución, margen y adaptación al mercado. La verdadera prueba de la IA no es si podemos crear algo nuevo, sino si podemos integrarla lo suficientemente profundo en los sistemas empresariales como para generar valor duradero y medible.

Y es precisamente por eso que los modelos, por muy avanzados que sean, no serán los más eficaces. La colaboración de código abierto y la investigación con respaldo gubernamental seguirán impulsando la IA hacia la comoditización. Una vez que la IA sea barata y esté en todas partes, nadie la poseerá. El verdadero valor no reside en desarrollar IA, sino en usarla. Está en las aplicaciones, no en los modelos.

La IA ya se está moviendo hacia el borde, pasando de la nube a dispositivos personales donde los usuarios no necesitan pagar por el acceso. Apple Intelligence, aunque en sus primeras etapas en el mercado, está integrada en los iPhones. Algunos modelos de Meta LLaMA funcionan en portátiles.

Esta es la misma trayectoria que siguió la computación en la nube. Los inversores apostaron primero por la infraestructura: AWS, Azure, Google Cloud. Pero con el tiempo, los ganadores no fueron los proveedores de infraestructura en la nube, sino las empresas de aplicaciones que integraban la nube en los flujos de trabajo empresariales. Para 2030, Goldman Sachs prevé que la infraestructura en la nube represente un mercado de 580 000 millones de dólares, mientras que las aplicaciones en la nube representarán más del doble, alcanzando los 1,38 billones de dólares. Es lógico que la IA siga el mismo patrón.

Las aplicaciones llevan la IA de la teoría a la realidad, del laboratorio al cliente. Convertir un modelo en una solución empresarial real es un desafío de ingeniería que va mucho más allá de simplemente ejecutar un modelo con un chat integrado. Las empresas que resuelven problemas complejos y específicos de cada sector con arquitecturas de IA personalizadas son las que generarán el valor más duradero. Este cambio ya está comenzando, con la proliferación de agentes de IA en todos los sectores. Harvey es abogado especializado en IA. Glean es asistente de trabajo de IA. Factory es ingeniero de software de IA. Abridge es redactor médico de IA.

El verdadero valor de la IA reside en transformar los servicios que dependen de las personas en aplicaciones escalables y siempre activas. Y es precisamente ahí donde las empresas deberían centrarse: no en crear modelos, sino en aplicarlos con precisión. La oportunidad no reside en crear el próximo GPT. Se trata de integrar la IA en la columna vertebral del negocio (diseño de producto, operaciones, cumplimiento normativo, RR. HH., finanzas), donde los pequeños cambios sumarán.

Demasiadas empresas dan por sentado que los modelos básicos aportarán valor desde el primer momento. Pero sin una inversión seria en los aspectos esenciales (aplicaciones, integración, infraestructura de datos, rediseño del flujo de trabajo y gestión del cambio), la IA sigue siendo un prototipo ostentoso: impresionante en demostraciones, pero ineficaz a escala. Irónicamente, las empresas que ganen serán las que hagan que la IA sea aburrida: integrada a la perfección, fiable y silenciosamente transformadora donde ocurre el verdadero trabajo.

Estamos sobreindexando a las startups.

El entusiasmo del mercado se centra en las startups de IA, pero las grandes empresas ya establecidas tienen la verdadera ventaja en el sector empresarial. La IA no se trata de disrupción, sino de distribución.

Considere Microsoft Teams. Microsoft no creó la mejor herramienta de videoconferencia; Zoom sí. Pero Microsoft triunfó en el sector empresarial al integrar Teams en Office 365. Las empresas no eligieron Teams porque fuera mejor, sino porque ya existía. La misma estrategia se está aplicando en la IA.

Las startups pueden impulsar la innovación, pero las empresas establecidas controlan los presupuestos empresariales, la integración de TI y la distribución. Microsoft, Google y Salesforce no necesitan los mejores modelos de IA; solo necesitan una IA suficientemente buena, integrada a la perfección en su infraestructura empresarial existente. Así es como se produce la adopción de la IA: quien controla el flujo de trabajo empresarial y de consumo, gana.

Por eso la IA no es una historia más de disrupción del comercio electrónico. A finales de los 90, empresas emergentes online como PayPal, Amazon y eBay desbancaron a los gigantes del comercio tradicional porque internet igualó las condiciones. Pero la IA es diferente. No es una disrupción rápida y de bajo coste. Requiere un gran capital, una gran infraestructura y prioriza la escalabilidad. Y las grandes tecnológicas ya controlan los datos, la capacidad de procesamiento y las relaciones empresariales.

Este último punto es crucial. Los datos empresariales propietarios y en tiempo real son la última fortaleza real de la IA. Los modelos de IA actuales se entrenan con 300 billones de tokens de texto disponible públicamente, pero esos datos se están agotando. Epoch AI estima que entre 2026 y 2032, los desarrolladores se toparán con un muro: no habrá suficientes datos de entrenamiento públicos de alta calidad.

Las grandes empresas ya establecidas tienen la ventaja, pero no es automática. Se encuentran en la cadena de distribución, las relaciones empresariales y los datos exclusivos con los que las startups solo pueden soñar. Pero la ventaja sin acción es inercia. Ahora es el momento de redoblar esfuerzos: integrar la IA en los sistemas existentes, aprovechar los datos como un activo estratégico y asociarse donde añadan velocidad o especificidad. No se trata de perseguir la próxima gran novedad, sino de lograr que la última gran novedad funcione a gran escala.

Estamos obsesionados con la IA generativa, pero no es el futuro.

Estamos obsesionados con la IA generativa, pero el futuro va más allá de los modelos basados ​​en chat. La IA actual destaca en la elaboración de informes y la redacción de correos electrónicos, pero tiene dificultades para manejar la complejidad del mundo real. Carece de conciencia situacional, razonamiento complejo y la capacidad de sintetizar múltiples tipos de información cambiante en tiempo real.

Por eso la adopción de la IA está rezagada en campos como la medicina y la logística, donde las decisiones requieren más que un simple texto histórico. Un chatbot puede redactar un contrato, pero no puede diagnosticar a todos los pacientes ni optimizar una cadena de suministro deficiente.

La próxima evolución son los sistemas de IA multimodal e IA compuesta: tecnologías que procesan múltiples tipos de información y funcionan en conjunto como la cognición humana. Un coche autónomo no depende de una única fuente de datos; integra LiDAR, radar, GPS y sensores en tiempo real para navegar. La IA deberá hacer lo mismo, superponiendo modelos que analicen la visión, el sonido, el texto y los datos en tiempo real.

Los sistemas de IA compuesta llevan esto más allá, combinando múltiples modelos para crear inteligencia que aprende, planifica y actúa de forma autónoma. Hoy en día, la IA opera en silos: un modelo genera texto, otro detecta fraudes. La IA del futuro orquestará estas capacidades como un conjunto de especialistas que trabajan juntos.

Esto es una señal para que las empresas planifiquen con antelación. La generación actual de herramientas de IA puede ofrecer algunas ventajas, pero estas son relativamente limitadas. Los líderes deben evitar invertir excesivamente en soluciones con un solo propósito y comenzar a construir una infraestructura que admita sistemas integrados y multimodales. Esto implica invertir en arquitectura de datos, flexibilidad de flujo de trabajo y gobernanza de IA que puedan evolucionar a medida que lo hace la tecnología.

El futuro de la IA no consiste en crear un mejor chatbot. Se trata de diseñar sistemas que vean, escuchen, analicen y actúen en sintonía, a escala y en sintonía con la complejidad del mundo real.

¿Podemos pensar inteligentemente sobre las máquinas?

En 1950, Alan Turing planteó la ahora famosa pregunta: "¿ Pueden pensar las máquinas? ". Setenta y cinco años después, evaluamos la IA en función de su capacidad de razonar, predecir y generar. Quizás sea hora de aplicarnos esa misma perspectiva.

En este momento, estamos alucinando colectivamente y cayendo en malas apuestas, prioridades equivocadas y plazos poco realistas. Las empresas tratan la IA como si fuera una panacea, invirtiendo miles de millones en modelos mientras descuidan el trabajo más arduo de la integración, la infraestructura y el verdadero valor comercial.

En última instancia, el mercado determinará qué empresas y sectores captarán el valor de la IA. Pero una cosa es segura: la ubicuidad de la IA erosionará su exclusividad. Su impacto no residirá en quién la posea, sino en cómo la usemos.

La pregunta original de Turing sigue vigente. Pero hoy, la más importante es: "¿Podemos pensar inteligentemente sobre las máquinas?". Para los líderes empresariales, esto significa cambiar el enfoque del potencial al rendimiento. Significa plantearse menos preguntas sobre lo que la IA podría hacer y más sobre lo que realmente hace en su negocio. Significa construir para la resistencia, no para los titulares: invertir en arquitectura, talento y sistemas que puedan convertir las herramientas de hoy en la ventaja competitiva del mañana.

Lea más sobre Transformación digital o temas relacionados Innovación, Tecnología y analítica, IA y aprendizaje automático, IA generativa, Algoritmos, Analítica y ciencia de datos y Automatización

Paul Hlivko es vicepresidente ejecutivo y director de TI de Wellmark Blue Cross and Blue Shield. Graduado de MIT Sloan, ha dedicado las últimas tres décadas a convertir la tecnología emergente en un factor de impacto empresarial, desde startups hasta Wall Street y la atención médica.