La inversión mundial en inteligencia artificial alcanzaría los 2,5 billones de dólares en 2026, un 44 % más que el año anterior. La cifra impresiona, pero deja una pregunta menos glamurosa: ¿cuántas empresas están consiguiendo que esa inversión mejore de verdad su forma de trabajar?
El problema que describe un nuevo informe sobre IA empresarial no es la falta de modelos potentes ni de datos acumulados durante años, sino la fragmentación. Un equipo comercial puede ignorar que un cliente tiene una incidencia de soporte abierta; una plataforma de marketing puede personalizar una oferta sin conocer lo que el área financiera sabe sobre esa misma cuenta. Cada sistema hace lo suyo, mientras la empresa tropieza con información que ya tenía.
Mucho gasto, pero la inteligencia sigue en compartimentos
La IA ya se usa en operaciones empresariales, las capacidades de los modelos avanzan y el coste de ejecutarlos baja. Sin embargo, el progreso técnico no convierte automáticamente a una organización en más eficaz. Se pueden incorporar herramientas y seguir trabajando con procesos viejos, datos aislados y equipos que apenas comparten contexto.
El informe pone el foco en esa desconexión. Si ventas, atención al cliente, marketing y finanzas usan sistemas que no intercambian información útil, sus herramientas de IA pueden dar respuestas correctas en términos locales y conducir a decisiones equivocadas para la empresa. El agente de ventas quizá recomiende insistir con un cliente que lleva días esperando una solución; una campaña puede sugerir una promoción sin conocer el estado de la cuenta. Automatizar una mala coordinación no la resuelve.
El atasco también está en la estructura de la compañía. Añadir otro asistente a cada departamento puede aumentar la productividad en tareas concretas, pero también multiplicar las islas de información. Si cada área utiliza modelos, reglas y fuentes distintas, averiguar por qué se tomó una decisión puede exigir recorrer un laberinto de proveedores.
Probar IA no equivale a transformar las operaciones. Una demostración puede impresionar en una reunión; el trabajo diario exige que la información pertinente llegue a quien —o a lo que— debe actuar, con límites claros y capacidad de corregir errores. Según el informe, la mayoría de las empresas todavía no está obteniendo crecimiento de ingresos mediante IA ni replanteando a fondo su manera de operar. El aumento de la inversión, por sí solo, no demuestra que el negocio haya cambiado.
Primero hay que cambiar el trabajo; luego elegir el modelo
El informe llama «transición agéntica» al paso de usar la IA como herramienta puntual a integrarla en el modelo operativo. Los sistemas empiezan a ejecutar pasos de procesos, en lugar de limitarse a responder preguntas o redactar borradores. Para hacerlo, hay que definir qué tareas se automatizan, qué decisiones requieren aprobación y cómo se actúa cuando los datos son insuficientes.
Las empresas que, según el análisis, están obteniendo resultados sostenidos rediseñan los procesos antes de desplegar la tecnología. Revisan quién hace cada tarea, qué información necesita y dónde se atasca la operación. Después deciden si aporta algo un agente, un modelo generativo o una automatización convencional. A veces la respuesta es la IA; otras, basta con ordenar el proceso.
Ese orden importa porque los modelos y las herramientas seguirán cambiando. Diseñar todo alrededor de una sola plataforma puede funcionar durante un tiempo, pero deja a la organización expuesta a cambios de precio, capacidades o condiciones de acceso. También puede dificultar la sustitución de un componente sin reconstruir el flujo entero. El informe propone preparar las operaciones para esa evolución, en lugar de adaptar a la fuerza los puestos y procedimientos después de la implementación.
La pregunta útil no es dónde poner un agente, sino qué trabajo tiene sentido delegar y bajo qué condiciones. Un proceso bien diseñado especifica cuándo el sistema actúa de forma autónoma, cuándo pide confirmación y cómo deja constancia de lo ocurrido. Sin esas reglas, la autonomía es más una etiqueta que una capacidad empresarial fiable.
Tener toneladas de datos no significa estar preparado
La segunda advertencia del informe es que disponer de datos y tener datos listos para la IA son cosas distintas. Una empresa puede guardar años de transacciones, registros de soporte y perfiles de clientes, pero tenerlos repartidos entre bases incompatibles, con permisos confusos, formatos desiguales o información desactualizada. El almacén puede estar lleno y, aun así, no contener una respuesta utilizable por el agente.
Para producir resultados consistentes, los sistemas de IA necesitan acceso a información pertinente, actual y utilizable en el momento de actuar. Si cada respuesta depende de exportar archivos, replicarlos en otra plataforma y limpiarlos a mano, la promesa de inteligencia en tiempo real queda supeditada a una cadena de preparativos. Además, copiar información sensible a un repositorio central puede abrir nuevas dudas sobre seguridad, cumplimiento y control.
El informe plantea una base «soberana y componible» que pueda consultar y preparar los datos donde ya residen, sin obligar a migrarlo o centralizarlo todo. La propuesta busca conectar las fuentes para que los sistemas encuentren lo que necesitan sin reunir cada dato en un único repositorio. Puede resultar atractiva para organizaciones que operan en varias nubes, manejan sistemas heredados o deben respetar normas distintas según el país. No elimina, sin embargo, el trabajo sobre calidad, permisos y trazabilidad.
La preparación de los datos importa más que el volumen bruto. Si un agente no distingue un registro vigente de otro obsoleto, darle acceso a más información amplía el campo de posibles errores. Y si los datos no tienen una procedencia clara, resulta difícil rastrear una recomendación o corregirla sin afectar otros procesos.
Por eso, la infraestructura útil no se mide solo por cuánto almacena, sino por si permite encontrar, gobernar y servir la información adecuada para cada tarea. Sin ese trabajo, la IA puede parecer inteligente en una demostración y fallar cuando la operación depende de ella.
Arquitecturas flexibles y control sobre dónde corre la IA
Reunir información y herramientas en una plataforma común tuvo durante años una lógica sencilla. Hoy muchas organizaciones trabajan en varias nubes, conservan aplicaciones antiguas y deben cumplir reglas de residencia de datos que varían entre jurisdicciones. Llevarlo todo a un solo lugar no siempre es posible ni sensato. El informe sostiene que la complejidad estructural y las leyes sobre localización de datos vuelven cada vez menos práctica esa estrategia.
La alternativa propuesta es una arquitectura componible: servicios y componentes que puedan conectarse, sustituirse y evolucionar sin reconstruir toda la infraestructura cada vez que aparece un modelo nuevo. Así, una empresa puede cambiar una herramienta que deja de servir o modifica sus condiciones con menos dependencia de un proveedor. La flexibilidad, no obstante, requiere estándares, integración y responsables capaces de mantener las piezas coordinadas.
La soberanía de la IA añade otra cuestión: decidir dónde se ejecutan los modelos, quién controla el acceso y bajo qué reglas opera el sistema, incluso cuando participan distintas divisiones o países. Esto afecta qué datos se pueden enviar a un modelo, qué información debe permanecer dentro de una región y quién puede auditar una decisión automatizada.
Antes de permitir que los agentes coordinen tareas, conviene saber a qué sistemas pueden acceder, qué acciones pueden completar y qué límites deben respetar. También hacen falta registros verificables para reconstruir el recorrido de una decisión si causa un problema.
Una base flexible y soberana puede mantener opciones abiertas, pero no elimina las tensiones entre eficiencia, privacidad y cumplimiento. Cada empresa tendrá que decidir cuánto centraliza, qué conserva localmente y qué proveedores considera aceptables. No hay una arquitectura universal que resuelva esas diferencias.
Una advertencia que también necesita contexto
El informe concluye que la ventaja no parece estar en tener la herramienta más llamativa, sino en ordenar procesos, preparar los datos y gobernar las decisiones. Es un mensaje razonable, aunque menos vistoso que una demostración en la que un agente hace diez tareas seguidas sin intervención humana.
También importa el origen del material. El contenido fue producido por MIT Technology Review Insights, el brazo de contenido personalizado de MIT Technology Review, y no por su equipo editorial. La investigación y la redacción se atribuyen a personas; cualquier herramienta de IA que se hubiera empleado habría quedado limitada a procesos de producción bajo supervisión humana. La procedencia no invalida las cifras ni las ideas, pero sí permite distinguir este contenido personalizado de una investigación editorial independiente de MIT Technology Review.
Los 2,5 billones de dólares previstos para 2026 señalan la escala de la apuesta, pero no demuestran que el gasto vaya a traducirse en mayores ingresos o mejores operaciones. El propio informe apunta a que muchas empresas todavía no han logrado de forma sustancial ninguno de esos resultados. La distancia está entre comprar capacidad y construir una organización capaz de usarla.
La transformación descrita exige revisar procesos, resolver permisos, conectar fuentes de información y decidir quién responde cuando un agente se equivoca. Las pruebas con modelos vienen después; desplegarlos primero y establecer las reglas sobre la marcha puede dejar a la empresa con pilotos vistosos y sistemas todavía desconectados.
