La narrativa dominante vende la inteligencia artificial generativa como la nueva electricidad: una utilidad omnipresente que transformará cada proceso productivo. Pero los balances contables cuentan otra historia. Según estimaciones de Gartner citadas por IBM, la tecnología debe aportar entre tres y cuatro billones de dólares a la economía global para justificar el ciclo inversor actual; un artículo de Directivos y Gerentes eleva la cifra a 4,2 billones adicionales solo para sostener la expansión. Ese abismo entre el capital comprometido —infraestructura, talento, licencias, energía— y el valor recuperado define el momento actual: la euforia ha pagado la construcción de la red, pero la luz aún no llega a todos los enchufes.
La brecha entre inversión masiva y rendimientos tangibles
El estudio de caso múltiple publicado en IEEE, que abarca salud, finanzas, manufactura y retail, confirma que la adopción no es homogénea. Salud y finanzas lideran la implementación con mejoras en precisión diagnóstica y detección de fraude respectivamente; manufactura reporta ganancias de eficiencia y retail, mayor compromiso del cliente. Sin embargo, el mismo trabajo señala tres frenos estructurales: costes elevados, privacidad de datos e integración con sistemas heredados. No es una barrera de capacidad técnica, sino de arquitectura empresarial.
IBM cuantifica la prima de quien resuelve esa arquitectura: las organizaciones con alta madurez de datos que adoptan un modelo de transformación "IA+" —donde la IA es función de primera clase en toda la cadena de valor— logran un retorno hasta 2,6 veces superior. El retorno no viene del modelo en sí, sino de la capa de datos, la nube híbrida, la gobernanza y la modernización de aplicaciones que lo rodean. Sin ese sustrato, la IA generativa queda relegada a pilotos de productividad personal (resúmenes de correo, borradores de código) que no mueven la aguja del EBITDA.
Sectores donde la IA generativa ya genera margen operativo
Así, el sector financiero español ilustra la concentración del valor. ESADE, citando a Strand Partners y el informe ONTSI 2023, sitúa la adopción en servicios financieros en el 53 %, manufactura en el 50 % y energía en el 48 %. BBVA y Santander ya integran IA en análisis de riesgo, fraude y personalización de ofertas; Siemens y Tesla la usan en gemelos digitales y fábricas autónomas; Iberdrola y Repsol optimizan redes inteligentes y mantenimiento predictivo. Son sectores con historial de datos estructurados, regulación que exige trazabilidad —lo que obliga a gobernanza— y procesos repetibles donde el error tiene coste directo.
En el extremo opuesto, las actividades profesionales, científicas y técnicas apenas rozan el 16 % de adopción. La fragmentación del conocimiento, la dependencia de juicio experto no codificado y la falta de economías de escala explican el rezago.
El caso paradigmático: marketing en pymes
Donde el ROI emerge con nitidez matemática es en el marketing de pequeñas y medianas empresas. Un estudio empírico en Vietnam publicado en GAS Journal of Economics and Business Management —basado en Delphi y encuesta cuantitativa— documenta que el 43 % de las pymes mundiales ya usa al menos una aplicación de IA generativa en marketing (frente al 37 % en 2023, dato OECD).
La automatización de creación de contenido, la analítica predictiva y la toma de decisiones basada en datos elevan la eficiencia entre un 40 % y un 60 % y recortan costes un 25-40 % según McKinsey 2024. Klarna, caso citado en la misma investigación, ahorra más de 10 millones de dólares anuales en flujo de caja de marketing.
En esencia, el mecanismo es claro: la IA generativa sustituye horas de redacción, diseño y segmentación manual por inferencia a escala marginal casi nula. Pero el trabajo advierte que en Vietnam solo el 28 % de las pymes interesadas despliegan la tecnología con eficacia; la brecha la explican la alfabetización digital y la incertidumbre sobre la rentabilidad. La lección se extiende: el retorno no es automático, requiere capacitación y rediseño de procesos.
Costes ocultos: computación, talento y gobernanza de datos
En producción, el "coste total de propiedad" de un caso de uso supera ampliamente la factura de la API o el clúster de GPUs. IBM desglosa los dominios que una empresa "IA+" debe cubrir: casos de uso de alto valor, tecnología de IA responsable, base de datos bien diseñada, innovación y modernización de aplicaciones, plataforma de nube híbrida, pipelines de integración continua, operaciones predictivas y —crítico— mecanismos de seguridad, gobierno, riesgo y cumplimiento. Cada dominio añade capa de gasto y complejidad.
En cuanto a gobernanza, no es opcional. El artículo de Directivos y Gerentes alerta sobre la expansión de los "shadow agents": agentes autónomos que operan fuera del control de TI, generando riesgo regulatorio y reputacional. La Ley de IA de la UE, DORA, ISO/IEC 42001 y NIST AI RMF obligan a demostrar linaje de datos, ausencia de sesgo y explicabilidad. Una base de datos débil produce tres resultados indeseables que IBM resume: «no útil» (alucinaciones, datos obsoletos), «vergonzoso» (sesgos, toxicidad) o «financiero/penal» (multas, violación de derechos de autor). Esos riesgos erosionan el valor antes de que aparezca en la cuenta de resultados.
Productividad vs. sustitución: qué dicen los indicadores macro
Todavía la productividad agregada no refleja el boom. La adopción en España alcanza el 44 % de las empresas (45 % en grandes), pero la intensidad de uso es baja. La distinción clave es entre aumento de la productividad del trabajador —copilotos que aceleran tareas— y sustitución de flujos de trabajo completos. Lo segundo exige reingeniería de procesos, no solo licencias. McKinsey Global Institute, citado por ESADE, señala que los líderes en IA muestran un ROI «significativamente mayor» al usar IA generativa en sus procesos; la palabra clave es procesos, no herramientas.
Estrategias de medición: marcos para calcular el ROI empresarial
Los estudios coinciden en la ausencia de marcos estandarizados. El paper de SSRN (bloqueado en el acceso pero referenciado en el título) apunta a la medición en Azure; IBM propone un embudo de casos de uso: experimentación → selección de alto valor → producción a escala → innovación continua. ESADE destaca la toma de decisiones basada en datos como palanca transversal. El estudio vietnamita valida un modelo con ocho capacidades tecnológicas —personalización, eficiencia en creación de contenido, analítica predictiva, decisión basada en datos, automatización, innovación, visibilidad de marca, segmentación— que alimentan eficiencia de marketing y desempeño económico.
Desde la práctica emergente surgen tres pilares de medición: (1) time-to-value del caso de uso (semanas, no trimestres), (2) coste marginal por unidad de salida (contenido, decisión, transacción) frente al proceso previo, y (3) ratio de casos en producción sobre pilotos iniciados. Un ratio bajo indica «teatro de innovación».
Riesgos regulatorios y de propiedad intelectual que erosionan valor
En el plano legal, el marco está en movimiento. La UE exige evaluaciones de conformidad para sistemas de alto riesgo; EE. UU. avanza en órdenes ejecutivas y litigios por derechos de autor sobre datos de entrenamiento. La soberanía de datos obliga a mantener la inferencia cerca del dato —argumento central de la nube híbrida de IBM—. Cada jurisdicción añade coste de cumplimiento y reduce la portabilidad de modelos. Las empresas que no integran privacy by design y compliance by design en el ciclo de vida del modelo verán cómo el ROI se evapora en provisiones legales.
Hoja de ruta: de pilotos aislados a escalado rentable
Así, la convergencia de las fuentes dibuja una secuencia pragmática:
1. Auditoría de madurez de datos: linaje, calidad, accesibilidad. Sin datos confiables, la IA generativa alucina a escala. 2. Selección de casos de uso con P&L claro: marketing de contenidos, detección de fraude, mantenimiento predictivo, generación de código asistido. Evitar "casos de uso de aprendizaje". 3. Arquitectura de nube híbrida: entrenar donde están los datos, inferir donde está la latencia crítica. 4. Gobernanza integrada: registro de modelos, monitorizado de deriva, controles de acceso, auditoría de sesgos.
5. Modernización de aplicaciones receptoras: APIs, colas, bases de datos que absorban la carga generada por agentes de IA. 6. Cultura y talento: formación en prompt engineering, evaluación de salidas, gestión del cambio. El miedo a la sustitución frena la adopción más que la tecnología. 7. Medición continua: cuadros de mando que vinculen métricas técnicas (precisión, latencia, coste por inferencia) con KPIs de negocio (CAC, churn, margen bruto, tiempo de ciclo).
En definitiva, el retorno de la IA generativa no es una variable macroeconómica que caiga del cielo; es el resultado de decisiones de arquitectura, gobernanza y gestión del cambio. Los 4,2 billones que faltan no aparecerán por comprar más GPUs, sino por integrar la tecnología en el sistema nervioso de la empresa. Quienes lo logren dejarán de medir ROI por proyecto y empezarán a competir sobre una base de costes estructuralmente distinta. Los demás seguirán pagando la factura de la red sin encender la luz.
