La inteligencia artificial en empresas lleva años en el centro de la conversación directiva. Sin embargo, un estudio reciente del National Bureau of Economic Research (NBER) con casi 6.000 directivos —CEOs y CFOs de EE.UU., Reino Unido, Alemania y Australia— revela algo que muchos ya intuyen: el 89% de los encuestados no detectó ninguna mejora de productividad en sus organizaciones durante los últimos tres años, pese a haber adoptado herramientas de IA.
El número llama la atención. Y el dato que lo explica también: los propios directivos dedican, de media, apenas noventa minutos semanales a usar IA en su trabajo.
Por qué la inteligencia artificial en empresas no está produciendo resultados
El 69% de las empresas del estudio declara usar alguna forma de IA. Sin embargo, solo un tercio de los propios directivos la incorpora en su día a día. Hay una distancia enorme entre «tenemos licencias» y «hemos cambiado cómo trabajamos».
Noventa minutos a la semana no integra ninguna tecnología en ningún proceso real. Es tiempo suficiente para hacer una prueba, ver una demo o responder un mensaje con ayuda del asistente. No es suficiente para transformar nada.
El 90% de los encuestados también dice que la IA no afectó al empleo de sus organizaciones, ni positiva ni negativamente. Mientras tanto, la inversión global en IA superó los 250.000 millones de dólares en 2024, según recoge el propio estudio.
Y sin embargo, los directivos del estudio siguen creyendo en el potencial: el 87% considera que la IA tendrá un impacto positivo en su sector en los próximos tres años. La desconexión no está en las expectativas. Está entre lo que se espera y lo que realmente se está haciendo con la herramienta hoy.
Inversión masiva. Adopción declarada. Resultados nulos.
El patrón que ya hemos visto con otras tecnologías
El economista Robert Solow describió algo similar en 1987 observando el impacto de los ordenadores en las empresas: «Ves la era del ordenador en todas partes menos en las estadísticas de productividad». La paradoja que lleva su nombre se está repitiendo ahora con la inteligencia artificial.
Con los ordenadores, el salto de productividad llegó. Pero llegó una década después, cuando las empresas aprendieron a rediseñar sus procesos alrededor de la tecnología, no solo a instalarla. Añadir una herramienta a un flujo de trabajo que no cambia no produce mejoras. Es como cambiar el motor de un coche con la transmisión rota.
La IA parece seguir el mismo patrón. Los propios CEOs del estudio esperan que en los próximos tres años la productividad mejore un 1,4% gracias a la inteligencia artificial en sus empresas. Hay confianza en el potencial. El problema está en la implementación actual, no en la tecnología.
Cómo aplican la inteligencia artificial las empresas que sí ven resultados
El 10% que sí reporta mejoras no tiene acceso a tecnología diferente. Tiene una forma diferente de implementarla.
Tres patrones comunes en las organizaciones que sí ven resultados:
No adoptaron IA de forma horizontal. No decidieron «usar IA en toda la empresa». Identificaron dos o tres procesos concretos con un cuello de botella conocido y aplicaron la herramienta específicamente ahí. No «usamos IA», sino «automatizamos la generación de informes comerciales» o «clasificamos solicitudes de soporte antes de que lleguen al equipo».
Midieron antes de empezar. Definieron qué significa una mejora, registraron el estado inicial y establecieron métricas de seguimiento. Sin un punto de partida claro, es imposible saber si algo cambió.
Formaron de verdad. Integraron el uso de IA en el flujo de trabajo real, con práctica supervisada hasta que el hábito cambió. No un taller de dos horas. Un cambio de proceso con seguimiento durante semanas.
Lo que debes saber antes de seguir invirtiendo en inteligencia artificial para tu empresa
Si tienes licencias de IA y los resultados son cero, el problema probablemente no es la tecnología.
Tres preguntas que vale la pena hacerse antes de renovar o ampliar la inversión:
¿Tus equipos usan IA más de noventa minutos al día, dentro de tareas reales? ¿Algún proceso se ha rediseñado desde que adoptaste IA, o simplemente se añadió una herramienta a lo que ya existía? ¿Tienes métricas del antes y el después en algún área concreta?
Si la respuesta a las tres es no, estás en el 89% del estudio. No es un problema de tu empresa en particular. Es el patrón de adopción tecnológica más común.
Corregirlo no requiere más presupuesto. Requiere un diagnóstico claro de dónde está el cuello de botella real y un plan de implementación que cambie cómo trabaja el equipo, no solo qué herramientas tiene disponibles.
Si quieres saber por dónde empezar, puedes ver cómo trabajamos la consultoría IA para empresas.
Invertir en inteligencia artificial no es suficiente: lo que hay que cambiar
El estudio del NBER no es un argumento contra la IA. Es un argumento contra la implementación superficial. Las empresas que sí ven resultados con la inteligencia artificial lo consiguieron porque trataron la adopción como un cambio de proceso, no como una compra de software.
La inteligencia artificial para empresas no es difícil de implementar bien. Es difícil de implementar con intención. Requiere un diagnóstico previo, un caso de uso específico y alguien que se responsabilice del seguimiento hasta que los resultados sean medibles.
Si llevas meses con licencias activas y los números de productividad no se movieron, ahora ya sabes que no estás solo. Y también sabes qué hay que cambiar.
Fuentes y reflexión editorial
Este artículo se basa en el Working Paper W34984 del National Bureau of Economic Research, publicado en febrero de 2026, con una muestra de casi 6.000 ejecutivos de EE.UU., Reino Unido, Alemania y Australia. El análisis fue cubierto en inglés por Fortune y en español por Xataka.
Lo que me parece más relevante de este estudio no es el 89%. Es el dato de los noventa minutos. Una herramienta que se usa hora y media a la semana no puede transformar ningún proceso. El problema no es que la IA no funcione. Es que la mayoría de directivos aún no la están usando como una herramienta de trabajo real. Eso cambia cuando alguien define qué proceso específico va a mejorar, cómo va a medirlo y quién es responsable de que ocurra.
