La narrativa vendió la inteligencia artificial generativa como la nueva electricidad: una utilidad omnipresente que transformaría cada proceso. Los balances 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 análisis 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: la euforia pagó la construcción de la red, pero la luz aún no llega a todos los enchufes.
La madurez de datos es el divisor de aguas
IBM cuantifica la prima de quien resuelve la arquitectura: las organizaciones con alta madurez de datos que adoptan un modelo "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.
La adopción de IA en España alcanza el 44% de las empresas según ESADE/ONTSI 2023, y las compañías que la incorporan sobre estructuras de datos inmaduras toman conciencia de las carencias en gobierno, arquitectura y cultura del dato.
Sectores que ganan y por qué
No es azar la concentración del valor. Servicios financieros (53% de adopción), manufactura (50%) y energía (48%) lideran porque comparten tres condiciones: historial de datos estructurados, regulación que exige trazabilidad —lo que obliga a gobernanza— y procesos repetibles donde el error tiene coste directo. BBVA y Santander integran IA en análisis de riesgo y fraude; Siemens y Tesla en gemelos digitales; Iberdrola y Repsol en redes inteligentes y mantenimiento predictivo.
En el extremo opuesto, las actividades profesionales, científicas y técnicas apenas rozan el 16%. 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 documenta que el 43% de las pymes mundiales ya usa al menos una aplicación de IA generativa en marketing. 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 ahorra más de 10 millones de dólares anuales en flujo de caja de marketing.
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 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 y gobernanza no opcional
El "coste total de propiedad" de un caso de uso en producción 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.
No es opcional la gobernanza. La expansión de los "shadow agents" —agentes autónomos que operan fuera del control de TI— genera 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.
Un marco práctico de gobernanza de datos, según Rajendra Gangavarapu en Springer, incorpora cinco componentes: custodia de datos (data stewardship) con dueños claros por conjunto crítico, gestión de metadatos y linaje para trazabilidad, monitorización continua de calidad automatizada, control de acceso y seguridad con principio de menor privilegio, y gestión de ciclo de vida y políticas de retención. Invertir en estas capacidades convierte el gobierno del dato en catalizador, no freno, de la madurez de IA.
Productividad vs. sustitución: la trampa del teatro de innovación
Todavía la productividad agregada no refleja el boom. La adopción en España alcanza el 44% de las empresas, 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 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.
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 frente al proceso previo, y (3) ratio de casos en producción sobre pilotos iniciados. Un ratio bajo indica "teatro de innovación".
Hoja de ruta para el ejecutivo latinoamericano
Las fuentes convergen en 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).
Zenital, consultora boutique de datos e IA, lo resume tras formar a más de 200 profesionales en 15 empresas: "Aplicar inteligencia artificial sobre datos de mala calidad no soluciona el problema, sino que amplifica el caos". La demanda de auditorías de datos como paso previo a la incorporación de IA está creciendo porque las organizaciones intentan resolver algo con IA, no funciona porque los datos no están bien, y entonces ponen el foco en los datos.
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.
