Doxa 2402

Adapte su estrategia de IA a la realidad de su organización

Alinee sus ambiciones con las partes de la cadena de valor que usted controla y las tecnologías que está preparado para manejar

Por Cyril Bouquet, Christopher J. Wright y Julian Nolan

Tecnología y análisis

Harvard Business Review

#Doxa #estrategia #ia #organización #alineación #cadena #valor #tecnología #ambición #control #adaptación #realidad #preparación

Resumen. La inteligencia artificial suele considerarse revolucionaria, pero muchas empresas descubren que sus audaces proyectos piloto de IA fracasan cuando sus modelos operativos no pueden respaldarlos. En este artículo, los autores argumentan que el éxito de la IA depende menos deLos algoritmos se centran más en la adecuación entre las ambiciones de la empresa y su realidad organizacional. Basándose en investigaciones y ejemplos de empresas de distintos sectores, presentan un marco basado en dos dimensiones: el control de la cadena de valor (el grado de influencia que una empresa tiene en el proceso de la idea al mercado) y la amplitud tecnológica (la gama e interdependencia de las tecnologías que una empresa debe integrar para competir). Examinan las cuatro estrategias resultantes que las empresas pueden utilizar para convertir el potencial de la IA en rendimiento: diferenciación enfocada, integración vertical, ecosistema colaborativo y liderazgo de plataforma.

En 2018, dos gigantes globales se propusieron aprovechar la inteligencia artificial para transformar su forma de diseñar y comercializar productos. General Motors aplicó software de diseño generativo con Fusion 360 de Autodesk para reimaginar un componente sencillo pero crucial: el soporte del asiento. La IA generó una estructura que se asemejaba a algo que la naturaleza podría haber cultivado: una forma etérea y reticular, un 40 % más ligera y un 20 % más resistente que la original. Sin embargo, la pieza nunca llegó a producción. ¿Por qué? La cadena de suministro y el sistema de fabricación de GM, diseñados para acero estampado, no podían gestionar la compleja geometría del diseño generado por la IA. Reequipar el sistema habría llevado años. La innovación se estancó.

Al mismo tiempo, Apple comenzó a experimentar con metalentes: componentes ópticos ultrafinos optimizados por IA capaces de reemplazar las lentes de las cámaras tradicionales. La tecnología requería la integración del aprendizaje automático, la ciencia de los materiales y la fabricación de semiconductores. En dos años, Apple había presentado docenas de patentes y, al momento de escribir este artículo, se informa que se está preparando para integrar este avance en sus sensores Face ID, primero en el iPad Pro y luego también en los próximos modelos del iPhone 17. A diferencia de GM, Apple no solo tuvo una idea audaz, sino que contaba con el sistema para ejecutarla.

Las dos historias reflejan una verdad importante sobre la IA: el problema no suele residir en lo que la IA puede o no puede hacer. Con mayor frecuencia, se trata de la falta de alineación entre lo que los líderes desean lograr y lo que sus cadenas de valor, modelos operativos y stacks tecnológicos pueden respaldar de forma realista. El problema es generalizado: el 62 % de las empresas cita la falta de adaptación interfuncional y el 63 % señala la necesidad de ajustar los flujos de trabajo como las principales barreras para la adopción exitosa de la IA. Solo el 25 % de los directores ejecutivos afirma sentirse plenamente preparado para implementar la IA en toda la organización, según una encuesta de Kearney y Futurum Group.

Desafortunadamente, la gran mayoría de las empresas se parecen más a GM en este aspecto que a Apple. Los estudios sugieren que muchas iniciativas de IA no generan valor comercial tangible: según S&P Global Market Intelligence, el 42 % de las empresas abandonaron la mayoría de sus iniciativas de IA en 2025 (frente al 17 % en 2024) y, de media, el 46 % de las pruebas de concepto se descartaron antes de llegar a producción. Además, una encuesta reciente realizada por la empresa de IA Writer a 1600 líderes y empleados empresariales reveló que solo un tercio de las organizaciones obtienen un retorno de la inversión significativo de sus inversiones en IA, a pesar de que el 73 % invierte más de un millón de dólares anuales en IA.

En este artículo, ofrecemos un marco práctico para ayudar a las empresas a mejorar el retorno de la inversión en IA. Basándonos en nuestra investigación y experiencia con empresas de diversos sectores, incluyendo bienes de consumo y manufactura avanzada, identificamos las dos dimensiones clave que determinan el éxito de la IA: el control de la cadena de valor y la amplitud tecnológica. Estas fuerzas definen el panorama de posibilidades y señalan cuatro enfoques distintos que las empresas pueden adoptar para alcanzar el potencial de la IA: diferenciación focalizada, integración vertical, ecosistema colaborativo y liderazgo de plataforma. Cada uno conlleva sus propios riesgos, requisitos y potencial para innovaciones revolucionarias. Pero cuando el enfoque se adapta a la realidad de la empresa, la recompensa es sustancial.

Comencemos analizando más de cerca las dos dimensiones que forman la base de este marco.

Encuéntrate en el marco

La primera dimensión, el control de la cadena de valor, se refiere al grado de influencia que una empresa tiene en el proceso desde la idea hasta el mercado. Las empresas con un alto control de la cadena de valor pueden probar, iterar y escalar innovaciones rápidamente porque controlan o influyen fuertemente en el diseño, la fabricación, la distribución y la interacción con el cliente del producto. Samsung, por ejemplo, puede implementar mejoras en pantallas o cámaras basadas en IA en toda su cartera de productos porque controla todo, desde la fabricación de chips hasta las tiendas minoristas globales.

En el otro extremo del espectro se encuentran las empresas con escaso control de la cadena de valor (pensemos, por ejemplo, en los proveedores de segundo nivel del sector automotriz o en los licenciatarios de marcas de bienes de consumo). Dado que estas organizaciones deben depender de otros para validar, adoptar o distribuir sus innovaciones, les resulta difícil actuar con rapidez. Tienen poca influencia en el funcionamiento de otras empresas y un margen de innovación relativamente limitado.

La segunda dimensión, la amplitud tecnológica, se refiere a la variedad e interdependencia de las tecnologías que una empresa debe integrar para competir. En sectores de gran alcance, como semiconductores, vehículos autónomos y ciencias de la vida, la IA rara vez funciona de forma aislada. Debe integrarse en una red de rápida evolución de otras tecnologías, como sensores, robótica, ciencia de materiales, arquitectura en la nube y edge computing. Las organizaciones en sectores de gran alcance deben gestionar una convergencia constante.

En cambio, las industrias de menor alcance, como el procesamiento de alimentos, los materiales de construcción y la logística básica, tienden a operar con conjuntos tecnológicos más estables. Las empresas de estos sectores pueden usar la IA para generar grandes ganancias, pero a menudo lo hacen perfeccionando los procesos existentes en lugar de redefinir el panorama.

Estas dimensiones no son puntos fijos en un mapa; son fuerzas dinámicas que evolucionan a través de funciones, geografías y tiempo. Una empresa puede tener un alto grado de penetración tecnológica en I+D, pero poco en la interacción con el cliente. Puede ejercer un fuerte control de la cadena de valor en una región, pero depender en gran medida de intermediarios en otra. Las empresas deben centrarse en aquellos lugares donde están mejor posicionadas para actuar con precisión y confianza.

Elige la estrategia adecuada

De nuestro marco de trabajo se desprenden cuatro estrategias de innovación en IA. Cada una representa una forma diferente de alinear la postura de una organización con una vía viable hacia la innovación. Analicemos ahora con más detalle cada estrategia: su lógica, el tipo específico de innovación que suele generar y, por supuesto, sus riesgos.

1. Diferenciación enfocada: agudice su ventaja. Las empresas con un control limitado de la cadena de valor y una baja amplitud tecnológica suelen operar en una industria madura. Poseen una amplia experiencia en una parte de la cadena de valor (por ejemplo, la formulación de productos, el abastecimiento previo o el conocimiento del consumidor), pero no controlan todo el proceso de comercialización. No buscan la frontera de la IA, pero disponen de datos y saben cómo utilizarlos. No pueden rediseñar el sistema, pero sí hacerlo más inteligente. Utilizan la IA para afinar y optimizar productos o procesos dentro de un dominio definido. Este es el ámbito de los casos de uso precisos y de alto impacto: una mejor etiqueta, un sensor más inteligente, una fórmula más adaptable. En este contexto, las empresas ganan con la IA profundizando, no ampliando.

Alineando la estrategia de IA con la realidad empresarial. Una matriz de 2x2 muestra a las organizaciones cómo aprovechar al máximo los beneficios de la IA, basándose en dos dimensiones: control de la cadena de valor, o cuánta influencia tienen en el recorrido de la idea al mercado, y amplitud tecnológica, o cuántas tecnologías interdependientes y de rápida evolución deben integrar para mantenerse competitivos. En el sentido de las agujas del reloj desde la esquina inferior izquierda, los cuatro enfoques son: Diferenciación enfocada, donde hay poca amplitud tecnológica y un control estrecho de la cadena de valor: Afine su ventaja para centrarse en mejoras iterativas de diseño. A continuación, ecosistema colaborativo, donde hay alta amplitud tecnológica y un control estrecho de la cadena de valor: Trabaje en la red para desbloquear saltos de dominio distantes. En la esquina superior derecha, liderazgo de plataforma, donde hay alta amplitud tecnológica y un amplio control de la cadena de valor: Dé forma a las normas para desbloquear descubrimientos fundamentales. Finalmente, integración vertical, donde hay poca amplitud tecnológica y un amplio control de la cadena de valor: Conecte la máquina para desbloquear conexiones novedosas. Algunas empresas evolucionan a través de cuadrantes a medida que crecen sus capacidades; otras operan en múltiples zonas simultáneamente. Con el tiempo, las fuentes estratégicas, las capacidades organizativas y la experimentación con IA pueden integrarse en un sistema que evoluciona, no solo en una estrategia que escala. Fuente: Cyril Bouquet, Christopher J. Wright y Julian Nolan.

Ver más gráficos de HBR en Datos y elementos visuales

Por ejemplo, el gigante de alimentos y bebidas PepsiCo aplicó IA en las etapas iniciales de su cadena de suministro de papa, donde ejerce un control estricto mediante programas para agricultores. Mediante el despliegue de drones y el uso de aprendizaje automático para evaluar los indicadores tempranos de la salud de los cultivos, PepsiCo ayudó a los agricultores a optimizar el riego y el uso de fertilizantes, lo que se tradujo en una reducción de la huella de carbono, mayores rendimientos y cosechas más resilientes, una ventaja crucial en el sector de las materias primas. PepsiCo Europa se ha asociado con Yara, empresa global de nutrición de cultivos, para dotar a los agricultores de herramientas digitales de agricultura de precisión e impulsar la adopción de prácticas agrícolas regenerativas.

De forma similar, McCormick & Company centró su atención en un punto de influencia específico: el desarrollo de sabores. En 2019, el fabricante global de especias se asoció con IBM para desarrollar SAGE, un sistema de IA entrenado con décadas de datos sensoriales, recetas e información sobre el consumidor. Desde entonces, la herramienta se ha convertido en un elemento central del proceso de desarrollo de productos de McCormick, ayudando a la empresa a acelerar la innovación y duplicar la contribución de las ventas netas de nuevos productos entre 2022 y 2024.

En Fonterra, el gigante lácteo neozelandés, los líderes no intentaron digitalizar todo el negocio. Se centraron en un punto crítico —predecir la calidad de la leche antes de que saliera de la granja— y aplicaron IA con precisión milimétrica. Trabajando con socios en tecnología agrícola y analítica, Fonterra integró datos de sensores de las granjas (como el clima, las condiciones de los pastos y la salud del rebaño) con registros históricos de recolección de leche. Posteriormente, se entrenaron modelos de aprendizaje automático para detectar patrones que indicaban posibles caídas en la calidad de la leche, señalando problemas como recuentos elevados de células somáticas o riesgos de contaminación bacteriana antes de que la leche llegara a la planta de procesamiento. Esto permitió a Fonterra optimizar las rutas de recolección de leche en tiempo real, priorizar las fuentes de alta calidad y reducir el desperdicio.

El principal riesgo para las empresas de este cuadrante es un exceso de ambición. A finales de 2021, la iniciativa de Zillow para la compraventa de viviendas, Zillow Offers, que se basaba en su modelo de precios "Zestimate" derivado de IA, fracasó estrepitosamente en su expansión. Zillow compró 27.000 viviendas basándose en la valoración de la IA, pero solo vendió 17.000. Los precios de Zestimate se desviaron hasta un 6,9% para las propiedades fuera de mercado. El resultado : una asombrosa reducción de inventario de 304 millones de dólares, 2.000 despidos y la cancelación de todo el negocio de Zillow Offers.

2. Integración vertical: Cablear la máquina. Las empresas con un sólido control de la cadena de valor, pero con una amplitud tecnológica relativamente limitada, suelen ser candidatas ideales para la adopción de IA a nivel empresarial. Puede que no necesiten estar al tanto de todas las tendencias tecnológicas de vanguardia, pero al integrar la IA en los procesos que ya poseen, pueden generar un gran impacto. La IA puede vincular información entre sistemas internos, revelando sinergias y eficiencias entre datos, departamentos o procesos. Este es el ámbito donde la IA potencia la excelencia operativa: mantenimiento predictivo, precios dinámicos y logística basada en la demanda, por nombrar algunos. En este caso, la escala actúa como un multiplicador del impacto: cuanto más grandes sean las operaciones, mayores serán las ganancias acumuladas, incluso con pequeñas mejoras de eficiencia.

JD.com, el gigante chino del comercio electrónico, integró IA en su red logística, utilizando datos en tiempo real para optimizar todo, desde el inventario del almacén y el enrutamiento de entregas hasta la programación de la mano de obra y la previsión de la demanda. Durante los confinamientos por la pandemia, el sistema inteligente de JD.com redirigió las entregas según las zonas de contención, automatizó las operaciones del almacén con robótica basada en IA y reasignó dinámicamente el inventario para adaptarse a los aumentos repentinos de la demanda regional. Mientras la competencia lidiaba con cuellos de botella y retrasos, JD.com mantuvo un servicio ininterrumpido gracias a un sistema más inteligente.

En el sector energético, ExxonMobil utilizó IA para interpretar datos sísmicos y optimizar las rutas de perforación en Guyana. Los algoritmos entrenados con terabytes de datos históricos redujeron el tiempo promedio de perforación de pozos en un 15 %, ahorrando millones por sitio. Dado que Exxon posee la infraestructura, desde la exploración hasta la producción, pudo actuar con rapidez, sin esperar la validación externa.

Y pensemos en Walmart. Con control sobre la cadena de suministro, las operaciones de las tiendas y los sistemas de precios, Walmart utilizó IA para optimizar la logística, el inventario y la distribución de la mano de obra. En Florida, por ejemplo, la empresa implementó un programa piloto que utilizó los pronósticos meteorológicos locales y las tendencias de las redes sociales para anticipar los picos de demanda. Antes del huracán Ian, el sistema reasignó automáticamente los suministros de emergencia. Tras la tormenta, el sistema redirigió los envíos para evitar daños en el centro de distribución y mantuvo las tiendas abastecidas con productos esenciales.

Las empresas que buscan la integración vertical suelen destacar en la creación de nuevas conexiones, conectando datos y procesos entre silos para descubrir patrones y eficiencias que otros no pueden detectar. Cuando la IA se implementa en un sistema estrictamente controlado, la capacidad de conectar los puntos —entre logística y precios, u operaciones y pronósticos— se convierte en una fuente única de ventaja competitiva.

Es importante, una vez más, no excederse. Incluso las empresas con operaciones sólidas pueden tropezar cuando la ambición supera la ejecución. GE, por ejemplo, buscó convertirse en el Microsoft de la IA industrial con su plataforma Predix, diseñada para conectar análisis entre máquinas, desde turbinas hasta locomotoras y dispositivos médicos. Sin embargo, la compartimentación de datos, la resistencia interna, la falta de software de conexión y los cambios de liderazgo obstaculizaron la implementación. Tras invertir más de 4000 millones de dólares, GE redujo sus ambiciones en cuanto a la plataforma y escindió gran parte de GE Digital.

3. Ecosistema colaborativo: Trabajar la red. Algunas empresas operan en ecosistemas tecnológicamente complejos, pero carecen de control sobre cómo sus soluciones llegan finalmente al mercado. En este cuadrante, el éxito de la IA no reside en actuar en solitario, sino en la colaboración estratégica: compartir el riesgo de innovación, la infraestructura y la experiencia. Las empresas en este ámbito suelen trabajar en sectores de alta tecnología y rápida evolución, pero el control de la ejecución no está completamente en sus manos: dependen de organismos reguladores, investigadores o socios de plataforma para llegar al usuario final. Su ventaja reside en la colaboración: plataformas compartidas, herramientas desarrolladas conjuntamente y alianzas que alinean los incentivos, no solo los plazos.

Tomemos como ejemplo a Novartis y Microsoft. No se limitaron a formar una alianza, sino que crearon un laboratorio de innovación en IA destinado a acelerar el descubrimiento y desarrollo de fármacos. La clave de este esfuerzo residía en un conjunto de modelos de aprendizaje automático entrenados para predecir el comportamiento molecular, identificar posibles dianas terapéuticas y optimizar los protocolos de ensayos clínicos. En un caso, las herramientas del laboratorio ayudaron a Novartis a identificar nuevas combinaciones de biomarcadores para ensayos oncológicos, lo que redujo el tiempo de diseño de los ensayos en más de un 30 %. El éxito de la iniciativa no se debió únicamente a la tecnología compartida, sino también a un propósito compartido, una infraestructura codesarrollada y un compromiso con la integración científica y operativa.

La alianza del Grupo BMW con Intel y Mobileye es otro ejemplo convincente. Cada empresa aportó capacidades específicas (potencia de procesamiento, visión artificial, integración vehicular) para desarrollar soluciones de conducción autónoma. Su prototipo, desarrollado conjuntamente, se probó en una autopista alemana, donde demostró una conducción segura y sin manos en entornos controlados. Nadie podría haberlo logrado solo.

Y pensemos en la colaboración de Pfizer con BioNTech durante la pandemia de COVID-19. Los modelos de IA de BioNTech analizaron más de 10.000 candidatos de ARNm en cuestión de días, seleccionando la formulación BNT162b2 que se convertiría en la vacuna. Las capacidades regulatorias y de fabricación globales de Pfizer, potenciadas por herramientas de IA, aceleraron la producción y la aprobación. Juntas, las empresas convirtieron una apuesta audaz en un éxito histórico.

Como demuestra este ejemplo, este cuadrante es el más adecuado para impulsar descubrimientos fundamentales: el tipo de avance inicial que transforma la ciencia, la tecnología o la medicina. Pero el descubrimiento requiere coordinación. Cuando la gobernanza no está clara, las culturas chocan o los objetivos divergen, incluso las herramientas más prometedoras pueden fallar. Cuando la alineación es profunda —cuando el conocimiento, los incentivos y la ejecución se diseñan conjuntamente—, el resultado es transformador. La IA en este cuadrante no se trata solo de colaboración. Se trata de coherencia y de cómo los socios trabajan juntos.

Para que las colaboraciones en IA generen sinergias significativas, la alineación debe ir más allá del comunicado de prensa. La destacada colaboración de IBM con el centro oncológico MD Anderson pretendía revolucionar la atención oncológica con su Asesor Experto en Oncología basado en Watson. A pesar de los prometedores resultados técnicos, el proyecto se enfrentó a dificultades organizativas y de integración. La implementación resultó difícil y el sistema nunca superó la fase piloto. El esfuerzo finalmente fracasó, no por falta de ambición, sino porque la colaboración tuvo dificultades para alinear la tecnología, los datos y la práctica clínica.

4. Liderazgo de plataforma: dar forma a las normas. En la cúspide de ambas dimensiones —alta amplitud tecnológica y amplio control de la cadena de valor— se encuentran las empresas que no solo se adaptan al cambio, sino que lo moldean. Crean infraestructura y ecosistemas, además de desarrollar productos. Este es el ámbito de la orquestación: establecer estándares, abrir API y diseñar sistemas que otros deseen desarrollar.

Tomemos como ejemplo el lanzamiento de BloombergGPT por parte de Bloomberg, un modelo de lenguaje extenso específico para finanzas, entrenado con más de 700 mil millones de tokens. No se trató solo de una actualización técnica, sino de una estrategia para definir la próxima generación de IA financiera. A diferencia de los modelos de propósito general, BloombergGPT se entrenó con una combinación única de documentos financieros, presentaciones de resultados y conjuntos de datos propios, lo que le permitió resumir informes de resultados, automatizar la clasificación de noticias y facilitar la modelización de riesgos, todo ello dentro del ecosistema de terminales estrechamente integrado de Bloomberg. La oferta de Bloomberg no se limitaba a la IA generativa. Se trataba de establecer un nuevo estándar en la industria.

Siemens Healthineers ha alcanzado una posición similar de liderazgo en el ámbito de la imagenología médica. Su suite AI-Rad Companion se integra directamente con los sistemas hospitalarios, analizando automáticamente radiografías, tomografías computarizadas y resonancias magnéticas para detectar anomalías. Entrenado con más de 400 millones de exploraciones, el sistema ofrece resultados aprobados por la FDA en más de 60 países, lo que mejora la precisión diagnóstica y agiliza los flujos de trabajo clínicos. Siemens no solo vende herramientas de IA, sino que también define cómo las utilizan los hospitales y establece nuevos estándares de atención.

El enfoque de plataforma de Microsoft para la IA combina infraestructura, herramientas y la orquestación del ecosistema. GitHub Copilot, entrenado con miles de millones de líneas de código, ahora aporta hasta el 40 % del código escrito en lenguajes compatibles. En Microsoft 365, los copilotos de IA integrados en Word, Excel y Teams están redefiniendo la forma de trabajar. Y con Azure OpenAI Service, Microsoft se ha convertido en la columna vertebral empresarial de la IA generativa. Fundamentalmente, ha consolidado ese liderazgo no solo mediante la entrega de rendimiento técnico, sino también mediante su gobernanza, transparencia y alineación con los clientes empresariales.

Las empresas de este cuadrante están bien posicionadas para incursionar en dominios aparentemente distantes gracias a su capacidad para detectar señales débiles y patrones novedosos en diferentes geografías, industrias y dominios. Los líderes de plataformas cuentan con la escala, los datos y el alcance arquitectónico necesarios para detectar lo que otros no pueden y actuar en consecuencia antes que nadie.

Pero ese alcance conlleva riesgos. La capacidad de moldear las industrias conlleva una mayor responsabilidad de ganarse y mantener la confianza de socios, reguladores y usuarios finales. El fracaso en este cuadrante rara vez se debe a una tecnología deficiente. Considere la incursión de Google en la IA sanitaria a través de DeepMind Health. El equipo se asoció con hospitales del Reino Unido para desarrollar modelos de diagnóstico entrenados con datos reales de pacientes. Tecnológicamente, el proyecto era prometedor. Pero cuando se supo que DeepMind había accedido a millones de registros del NHS sin el consentimiento adecuado, estalló la reacción pública. La iniciativa fue absorbida por Google Health y perdió impulso. El fracaso no fue el algoritmo, sino la violación de la confianza.

Involucre a su gente

En las cuatro estrategias, el desafío clave no es técnico, sino humano. Muchas iniciativas de IA fracasan no porque los algoritmos subyacentes sean débiles, sino porque las personas se resisten a usar las herramientas. En la encuesta empresarial de Writer mencionada anteriormente, el 31 % de los empleados admitió oponerse activamente a las iniciativas de IA de su empresa, a menudo por temor a ser reemplazados. Uno de cada diez fue aún más lejos, afirmando haber manipulado las métricas de rendimiento o haber generado intencionalmente resultados de baja calidad para socavar los esfuerzos de adopción.

Cuando Rent a Mac, una empresa de alquiler de dispositivos Apple, lanzó un sistema de gestión de inventario impulsado por IA, desencadenó ansiedad en toda su fuerza laboral. Eso llevó a un retraso de siete semanas en la implementación y una pérdida de aproximadamente $85,000 en ahorros de eficiencia esperados. Pero al nombrar campeones de IA para demostrar casos de uso reales, la empresa vio cómo los niveles de participación se triplicaban, del 31% al 89% en solo unos meses. La transparencia, el diálogo y las experiencias personales cambiaron la narrativa. Colgate-Palmolive reconoció la importancia de la participación de los empleados cuando lanzó su AI Hub interno que empoderó a los empleados para desarrollar sus propios asistentes, miles de ellos, sin experiencia en codificación. El resultado no fueron solo mejores flujos de trabajo. Fue aceptación. Cuando las personas se sienten participantes en el futuro, no le temen, ayudan a construirlo.

El rol del gerente está cambiando en las organizaciones impulsadas por IA. Además de coordinar a las personas, los gerentes ahora deben ayudar a los equipos a aprender a colaborar con algoritmos: interpretar la información de las máquinas, rediseñar los flujos de trabajo y traducir el progreso técnico en progreso humano. Lograr esto a menudo requiere un cambio cultural: crear espacios para experimentar, fallar rápidamente y aprender en tiempo real.

Las organizaciones más exitosas abordan la IA no como una respuesta, sino como una pregunta: ¿Cómo podemos trabajar juntos de forma más inteligente? Y, en última instancia, eso significa que algunas de ellas están presentes en los cuatro cuadrantes. Veamos cómo se ve esto.

Liderando en la era de la IA

A primera vista, P&G podría parecer un ejemplo clásico de integración vertical. (P&G es cliente de Iprova, donde trabajamos Christopher y Julian). Con un control integral sobre todo, desde los laboratorios de I+D hasta las plantas de fabricación y la ejecución minorista, ha integrado la IA en su núcleo operativo. Gracias a Azure IoT Operations de Microsoft, la empresa redujo el tiempo necesario para implementar nuevos modelos de aprendizaje automático en sus fábricas hasta en un 90 %, lo que permite que los algoritmos predictivos monitoricen los datos de vibración y temperatura de las máquinas, anticipen fallos en los equipos y optimicen continuamente la producción.

Más allá de las operaciones, P&G aplica la IA con precisión donde realmente importa. El cepillo de dientes Oral-B iO utiliza sensores y aprendizaje automático en tiempo real para guiar a los usuarios en la técnica de cepillado, mejorando así la higiene bucal. El equipo de Tide utilizó la IA para acelerar las pruebas de fórmulas, acortando el tiempo de meses a semanas. Estas son estrategias clásicas de diferenciación enfocada: de alcance limitado, pero de gran impacto.

Fuera de sus instalaciones, P&G cultiva activamente ecosistemas colaborativos mediante iniciativas como su plataforma Connect + Develop, de larga trayectoria. Esta red de innovación abierta se nutre de herramientas basadas en IA como Olay Skin Advisor, que analiza selfies para recomendar rutinas de cuidado de la piel. P&G también ha desarrollado un sistema propio de seguimiento del consumidor que integra señales de redes sociales, atención al cliente, reseñas de productos y datos de venta minorista, lo que le permite no solo responder a las tendencias del mercado, sino también moldearlas.

Lo que distingue a P&G es que actúa intencionalmente en los cuatro cuadrantes: se centra en dónde la IA puede aportar valor inmediato ; se integra donde la escala impulsa el rendimiento; colabora donde las capacidades complementarias son importantes; y crea plataformas que la sitúan en el centro de los ecosistemas clave en los que opera. Y al hacerlo, revela una verdad más profunda: la estrategia puede comenzar en un cuadrante, pero el éxito se construye a través de un sistema.

...

La próxima década no la ganarán las empresas que lanzaron más pilotos. La ganarán las empresas que sepan cómo escalar. Eso significa traducir la ambición en acción: elegir la estrategia que se ajuste a la realidad de su organización, empoderar a su gente y alinear la IA con lo que realmente puede controlar. Porque al final, la IA no es la estrategia. Es una herramienta que da vida a la estrategia. Así que plantéese las preguntas difíciles: ¿Dónde tenemos influencia? ¿Dónde podemos movernos rápido? ¿Qué tipo de innovación estamos diseñados para desbloquear? La IA puede generar conocimientos, pero solo su organización puede convertirlos en resultados. La diferencia entre GM y Apple no fue solo la tecnología. Fue el sistema que la rodeaba. Las empresas que construyan los sistemas adecuados, aquellas donde la ambición se encuentra con la ejecución, serán las que dejen de pilotar y comiencen a liderar.

Lea más sobre Tecnología y análisis o temas relacionados IA y aprendizaje automático, Estrategia y Estrategia corporativa

Una versión de este artículo apareció en la  edición de enero-febrero de 2026  de Harvard Business Review.

Cyril Bouquet es profesor de estrategia e innovación en el IMD. Es coautor de ALIEN Thinking: The Unconventional Path to Breakthrough Ideas (2021).

Christopher J. Wright es el director de invenciones de Iprova, una empresa suiza que utiliza IA para acelerar la creación de inventos innovadores.

Julián Nolan es el fundador y CEO de Iprova.