Inteligencia artificial para empresas: qué funciona y qué no

La respuesta corta

Casi todo lo que se publica sobre inteligencia artificial para empresas lo escribe alguien que vende una plataforma, y por eso casi nunca trae una cifra con su fuente ni un caso que haya salido mal. Este artículo va al revés: primero los datos, después los fracasos, y solo entonces por dónde empezar.

Si tienes dos minutos, esto es lo que dicen los datos:

Usarla es fácil; que se note en la cuenta de resultados, no. En la encuesta global de McKinsey de 2025, el 88 % de las organizaciones usa IA en al menos una función, pero solo el 39 % ve algún efecto en su beneficio operativo, y la mayoría de esas lo sitúa por debajo del 5 %.
Donde hay ganancia medida, es en tareas acotadas y repetidas, y beneficia más a quien tiene menos experiencia.
Los fracasos conocidos comparten causa: se le dio a la IA una decisión que nadie verificaba.

Cuántas empresas la usan de verdad

Las cifras dependen mucho de a quién se le pregunta. Una encuesta a directivos de grandes empresas y una estadística oficial sobre todo el tejido empresarial no miden lo mismo.

Dato	Cifra	Quién lo mide
Empresas españolas de 10 o más empleados que usan IA	21,1 %	INE, primer trimestre de 2025
Microempresas españolas (menos de 10 empleados)	13,4 %	INE, primer trimestre de 2025
Servicios, industria y construcción en España	25,7 %, 17,5 % y 11,4 %	INE, primer trimestre de 2025
Mipymes colombianas que no planean adoptarla a corto o medio plazo	40 %	Cintel, publicado en mayo de 2026
Empresarios colombianos con intención de innovar con IA, frente a los que ya lo hicieron	45 % frente a 32 %	Cintel, publicado en mayo de 2026
Organizaciones que la usan en al menos una función	88 %	McKinsey, encuesta global 2025
Organizaciones que ven efecto en su beneficio operativo	39 %	McKinsey, encuesta global 2025

La distancia entre el 21 % del INE y el 88 % de McKinsey no es una contradicción. McKinsey pregunta a directivos de empresas que ya están en la conversación; el INE cuenta a todas, incluida la constructora de doce empleados. Si diriges una pyme y sientes que "todo el mundo ya usa IA", el dato oficial dice que cuatro de cada cinco empresas de tu tamaño todavía no.

El dato que más importa de la tabla es el último. En esa misma encuesta de McKinsey, casi dos tercios de las organizaciones reconocen que no han empezado a escalar la IA más allá de pruebas. Un informe del MIT de agosto de 2025 fue más duro: el 95 % de los pilotos de IA generativa que analizó no llegó a producir un retorno medible. Conviene leerlo con cuidado, porque se apoya en 150 entrevistas, una encuesta a 350 empleados y 300 despliegues públicos, y su definición de éxito es exigente. Pero la dirección coincide con todo lo demás: probar es barato y convertir la prueba en resultado es lo difícil.

Dónde sí funciona: lo que se ha medido

Hay pocos estudios que midan productividad con datos reales en lugar de encuestas de opinión. Dos de los más citados apuntan en direcciones distintas, y juntos explican mucho.

Atención al cliente. Erik Brynjolfsson, Danielle Li y Lindsey Raymond siguieron a 5.179 agentes de soporte de una empresa de software mientras se les daba un asistente de IA que sugería respuestas. La productividad subió un 14 % de media. El detalle que importa: entre los agentes nuevos y los menos hábiles subió un 34 %, y entre los más expertos casi no cambió. El asistente repartía a los novatos lo que los mejores ya sabían hacer.

Programación. La organización METR hizo en 2025 un ensayo controlado con 16 desarrolladores expertos que resolvieron 246 tareas en proyectos de código abierto que conocían desde hacía años. Con herramientas de IA tardaron un 19 % más. Y al terminar creían haber ido un 20 % más rápido.

Los dos estudios no se contradicen. En el primero, la tarea es repetida, la respuesta correcta se parece a otras que ya se dieron, y quien más gana es quien menos sabe. En el segundo, la tarea es nueva cada vez, el experto ya conoce el terreno mejor que el modelo, y revisar lo que el modelo propone cuesta más que hacerlo. La IA rinde cuando hay un patrón que repartir y un criterio claro de "esto está bien". Rinde poco cuando el valor está en conocer un contexto que no está escrito en ninguna parte.

El segundo estudio deja además una advertencia práctica: la sensación de ir más rápido no es una medida. Si vas a decidir una inversión, mide el tiempo o el resultado antes y después. No preguntes a la gente si le parece que ayuda.

Dónde falla: tres casos con nombre

Air Canada, 2024. El chatbot de su web le dijo a un cliente, Jake Moffatt, que podía pedir la tarifa por duelo después de volar. La política de la aerolínea decía lo contrario. Air Canada argumentó que el chatbot era responsable de sus propias palabras. El 14 de febrero de 2024 un tribunal de Columbia Británica falló que la empresa responde de todo lo que dice su web, lo escriba una persona o un chatbot, y la condenó a pagar.

Klarna, 2024 y 2025. La fintech sueca anunció a principios de 2024 que su asistente había atendido 2,3 millones de conversaciones en un mes, el trabajo de unos 700 agentes. En 2025 su director ejecutivo, Sebastian Siemiatkowski, reconoció a Bloomberg que el coste había pesado demasiado en la decisión y que el resultado fue una calidad más baja. La empresa volvió a contratar personas para atención al cliente.

Los proyectos de agentes, ahora. Gartner estimó en junio de 2025 que más del 40 % de los proyectos de IA agéntica se cancelarán antes de que acabe 2027 por costes que crecen, valor de negocio poco claro o controles de riesgo insuficientes. La misma nota calcula que, de los miles de proveedores que dicen vender agentes, solo unos 130 lo hacen de verdad. Al resto lo llama agent washing: rebautizar como agente un chatbot o una automatización que ya existía.

En los tres casos el modelo hizo lo que hacen los modelos. Lo que falló fue el diseño: se le dio autoridad sobre algo, una política de reembolsos o la relación con el cliente, sin un punto donde alguien o algo comprobara el resultado.

Cuatro formas de usar IA, de menor a mayor riesgo

"Implementar IA" no es una sola decisión. Son cuatro distintas, y casi todas las empresas deberían recorrerlas en este orden.

Nivel	Qué es	Qué necesitas	Qué puede salir mal
1. Asistente de uso general	Cada persona usa un chat para redactar, resumir o analizar	Licencias y una política de qué datos se pueden pegar	Que se peguen datos de clientes; que nadie revise lo que sale
2. IA dentro del software que ya tienes	Las funciones de IA de tu CRM, tu suite ofimática o tu ERP	Activarlas y formar a la gente	Pagar un suplemento por funciones que nadie usa
3. Automatización con pasos fijos	Tu código llama a un modelo para clasificar, extraer o redactar dentro de un proceso	Un proceso bien descrito, alguien que programe y una forma de medir aciertos	Errores silenciosos si no mides la calidad
4. Agentes	El modelo decide los pasos y usa herramientas por su cuenta	Todo lo anterior, más límites, aprobaciones y registro de cada acción	Acciones equivocadas que se encadenan sin que nadie las vea

El nivel 3 es donde está la mayor parte del valor para una empresa mediana, y es el menos vistoso. El nivel 4 es el que más se vende. Qué son exactamente los agentes de inteligencia artificial, y cuándo no hacen falta, lo explico aparte; la regla breve es que si puedes dibujar el diagrama de flujo de tu proceso, no necesitas un agente.

Por dónde empezar: un proceso, no una estrategia

Elige un proceso, no un área. "Mejorar la atención al cliente" no se puede medir. "Clasificar los correos entrantes y enviarlos al equipo correcto" sí.
Comprueba que cumple tres condiciones. Se repite muchas veces, hoy lo hace una persona siguiendo un criterio que se puede explicar, y puedes decir si el resultado está bien sin discutirlo media hora.
Mide la situación actual. Cuántos casos al mes, cuántos minutos cada uno, cuántos errores. Sin esa cifra no sabrás si mejoraste.
Haz la prueba con cien casos reales. Pásalos por el modelo y compara con lo que hizo la persona. Los casos donde falla te dirán más que cualquier demostración.
Decide quién revisa y cuándo. Al principio, todo. Después, una muestra y todo lo que el modelo marque como dudoso. Lo irreversible, siempre.
Solo entonces automatiza. Y deja escrito qué métrica te haría volver atrás.

La cuenta del paso 3 cabe en una línea: casos al mes por minutos por caso por coste del minuto. Si un proceso de 2.000 casos mensuales a 4 minutos cada uno pasa a 1 minuto de revisión, liberas 100 horas al mes. Si el resultado es de 20 horas, probablemente no compensa el trabajo de integrarlo y mantenerlo.

Cuánto cuesta de verdad

El precio de la licencia o del uso del modelo es la línea más pequeña del presupuesto y la única que aparece en las páginas de los proveedores.

Licencias por usuario. Coste fijo al mes por persona. Fácil de presupuestar y fácil de pagar sin usar.
Uso por consumo. Las APIs cobran por token, en dólares. El gasto sube con cada área que lo adopta y, fuera de la zona dólar, con el tipo de cambio.
Integración. Conectar el modelo a tus sistemas, con sus permisos y sus datos sucios. Suele ser el grueso del proyecto.
Evaluación. Construir el conjunto de casos con el que compruebas que el sistema sigue acertando. Casi nadie lo presupuesta, y es lo que separa un piloto de algo que se puede dejar funcionando.
Mantenimiento. Los proveedores retiran modelos y cambian su comportamiento. Lo que funcionaba con una versión hay que volver a probarlo con la siguiente.

El informe del MIT trae un dato útil para esta decisión: comprar a un proveedor especializado salió bien aproximadamente dos de cada tres veces, y construir desde cero dentro de la empresa, la tercera parte de eso. No es un argumento para comprar siempre. Es un argumento para no empezar construyendo.

Si lo que pesa es que los datos salgan de la empresa o una factura en dólares que no para de crecer, existe la alternativa de correr el modelo en una máquina propia. Qué opciones hay y desde qué volumen compensa lo desarrollo en IA local en Colombia.

Lo que exige la ley

No es asesoría jurídica, y cambia rápido. Es el mapa mínimo para saber qué preguntar.

En la Unión Europea rige el Reglamento de IA, que se aplica por fases. Las prácticas prohibidas lo están desde el 2 de febrero de 2025. Desde el 2 de agosto de 2026 son exigibles las obligaciones de transparencia del artículo 50: avisar a una persona de que habla con una IA y marcar el contenido sintético. Las obligaciones para sistemas de alto riesgo, como los que se usan en selección de personal o en puntuación crediticia, estaban previstas para esa misma fecha y un reglamento de julio de 2026, el llamado ómnibus digital, las aplazó al 2 de diciembre de 2027.

En Colombia no hay todavía una ley de IA; hay proyectos en trámite en el Congreso. Lo que sí rige es la protección de datos: la Ley 1581 de 2012 y la Circular Externa 002 de la Superintendencia de Industria y Comercio, del 21 de agosto de 2024, que pide que el tratamiento de datos personales en sistemas de IA sea idóneo, necesario, razonable y proporcional. La política pública está en el CONPES 4144, de febrero de 2025, con unos 479.000 millones de pesos previstos hasta 2030.

En los dos casos, la pregunta práctica es la misma que dejó el caso de Air Canada: lo que tu sistema le dice a un cliente lo dices tú.

Pruébalo

Describe un proceso de tu empresa y pide que te digan en qué nivel de la tabla encaja. Cambia el ejemplo por el tuyo.

Para llevarte

Usar IA es común; notarlo en los resultados, no. El 88 % de las organizaciones la usa y el 39 % ve efecto en su beneficio, según McKinsey.
La evidencia medida favorece las tareas repetidas con un criterio claro de acierto, y beneficia más a quien tiene menos experiencia.
La sensación de ir más rápido no cuenta como medida. Mide antes y después.
Los fracasos conocidos no son fallos del modelo, sino de haberle dado una decisión sin verificación.
Empieza por un proceso concreto y por el nivel más bajo que lo resuelva. Un agente es la última opción, no la primera.

Fuentes

INE, Encuesta sobre el uso de TIC y del comercio electrónico en las empresas, año 2024 y primer trimestre de 2025, 22 de octubre de 2025.
Portafolio, Cuatro de cada 10 mipymes en Colombia no planean adoptar inteligencia artificial, con datos de Cintel, 14 de mayo de 2026.
McKinsey, The state of AI in 2025: Agents, innovation, and transformation.
MIT NANDA, The GenAI Divide: State of AI in Business 2025, resumido por Fortune, 18 de agosto de 2025.
Brynjolfsson, Li y Raymond, Generative AI at Work, publicado en The Quarterly Journal of Economics en 2025.
METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, julio de 2025.
Tribunal de Resolución Civil de Columbia Británica, Moffatt v. Air Canada, 2024 BCCRT 149, comentado por McCarthy Tétrault.
Klarna, Klarna AI assistant handles two-thirds of customer service chats in its first month, 27 de febrero de 2024.
Entrepreneur, Klarna Is Hiring Customer Service Agents After AI Couldn't Cut It on Calls, mayo de 2025.
Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, 25 de junio de 2025.
Adequa, El Reglamento Ómnibus Digital sobre IA ya está en vigor, sobre el Reglamento (UE) 2026/1744.
Superintendencia de Industria y Comercio, Circular Externa 002 del 21 de agosto de 2024.