Durante los últimos dos años, muchas compañías han pasado de “probar” la Inteligencia Artificial (IA) a declararla pieza central de su estrategia. El relato es conocido: copilotos para empleados, automatización de tareas, asistentes para atención al cliente, análisis más rápido, y una promesa casi inevitable de eficiencia. Sin embargo, cuando se pregunta por resultados tangibles, la fotografía es bastante más fría que el entusiasmo del marketing.
Un nuevo trabajo del National Bureau of Economic Research (NBER) pone números a esa sensación de “mucho ruido y pocas nueces”. Los autores presentan datos internacionales a nivel de empresa a partir de una encuesta a casi 6.000 CFOs, CEOs y directivos en Estados Unidos, Reino Unido, Alemania y Australia. El dato que más llama la atención es el contraste: alrededor del 70 % de las empresas afirma usar IA activamente, pero más del 80 % dice no haber observado impacto ni en productividad ni en empleo durante los últimos tres años.
Un uso sorprendentemente bajo entre quienes deciden
La clave puede estar en un detalle que desmonta muchas suposiciones. Aunque “más de dos tercios” de los altos ejecutivos dicen usar IA de forma regular, el uso medio declarado es de solo 1,5 horas a la semana, y un 25 % asegura no utilizarla en absoluto.
Dicho de otro modo: la adopción existe, pero la intensidad es reducida. Y si quienes tienen capacidad de rediseñar procesos y empujar cambios la usan poco, es fácil que la IA se quede en una capa superficial (consultas puntuales, borradores, resúmenes) sin transformar realmente cómo se produce, vende, atiende o se opera.
El “paradigma del microordenador” vuelve a asomar
La economía ya ha visto antes este tipo de paradoja: tecnologías con potencial enorme que tardan años en reflejarse en métricas agregadas. La historia de la productividad muestra periodos en los que la inversión en tecnología convive con mejoras discretas, en parte porque los beneficios dependen menos del hardware y más de reorganizar procesos, formar a la gente y rehacer la forma de trabajar. En datos históricos citados por el BLS, la productividad (output por hora) creció un 2,9 % anual entre 1948 y 1973, y después se desaceleró de forma notable en la década siguiente, antes de recuperar algo de tracción en los años 80.
La analogía no es perfecta —la IA no es un PC—, pero sí útil: cuando la tecnología se usa como “capa extra” sobre lo de siempre, su impacto tiende a diluirse. Cuando obliga a rediseñar el sistema (flujo de trabajo, herramientas, incentivos, medición), entonces aparecen los saltos.
Por qué la IA no está “moviendo el contador” (todavía)
En entornos empresariales, la productividad rara vez mejora porque alguien instale una herramienta. Suele mejorar cuando se cumplen, a la vez, varias condiciones:
- Casos de uso con propiedad clara: alguien responde por el resultado (tiempo, coste, calidad), no solo por “implantar IA”.
- Integración con el trabajo real: la IA dentro de CRM, ERP, ticketing, CI/CD, bases de conocimiento… no como una pestaña aparte.
- Datos y permisos listos: si la información está fragmentada o inaccesible, la IA se queda en generalidades.
- Formación operativa y hábitos: pasar de “preguntar cosas” a “delegar tareas” con control.
- Medición con métricas correctas: no basta con “usuarios activos”; hay que medir ciclo de resolución, tiempo por ticket, conversión, retrabajo, incidencias, etc.
Si falla uno de esos puntos, el resultado típico es lo que muchos equipos describen: ahorro de minutos aquí y allá, pero sin un cambio sistémico que se refleje en productividad.
La parte interesante: la expectativa sigue siendo alta
El propio estudio refleja que el optimismo no ha desaparecido: las empresas pronostican que, en los próximos tres años, la IA aumentará la productividad un 1,4 %, elevará el output un 0,8 % y reducirá el empleo un 0,7 %. Además, aparece una brecha de percepción: los empleados encuestados prevén un aumento del empleo del 0,5 % por efecto de la IA, mientras que los ejecutivos esperan recortes netos.
Ese choque de expectativas es relevante para cualquier organización que quiera evitar fricciones internas: si la dirección vende la IA como herramienta de sustitución y los equipos la viven como una forma de “hacer más con menos” (o de evitar tareas pesadas), la conversación se enrarece. Y la adopción real —la que cambia métricas— se frena.
Qué deberían hacer los equipos tech para que esto no se quede en “IA teatro”
Para un medio tecnológico, la lectura práctica es clara: si una empresa quiere productividad, no debe preguntar “¿qué modelo usamos?”, sino “¿qué proceso rediseñamos?”. Algunas prioridades que suelen funcionar:
- Elegir 3–5 flujos medibles (soporte, ventas, ingeniería, finanzas) y poner un “dueño” por flujo.
- Atacar cuellos de botella donde se acumula trabajo humano: triage, búsqueda de información, redacción repetitiva, clasificación, validaciones.
- Instrumentar métricas antes y después: tiempos de ciclo, tasas de escalado, retrabajo, calidad percibida, coste unitario.
- Diseñar controles (seguridad, permisos, trazabilidad, revisión humana) para que la IA pueda actuar sin abrir un agujero.
- Invertir en cambio organizativo: formación práctica, plantillas, “playbooks” y recompensas alineadas con la adopción real.
La conclusión, hoy, no es que la IA “no funcione”. Es que, en muchas empresas, aún no está siendo utilizada con la intensidad, integración y rediseño necesarios como para que la productividad lo refleje. La tecnología ha llegado; el salto operativo todavía está en obras.
vía: IA en la Oficina
