Tu equipo ahorra tiempo con IA. Tu empresa puede no estar ahorrando nada

Es perfectamente posible que varias personas de tu empresa estén ahorrando tiempo gracias a la inteligencia artificial y que, al terminar el año, resulte difícil encontrar ese ahorro en los costes, en el margen o en la capacidad real de la organización.

No porque el ahorro sea falso.

En determinadas tareas está ya suficientemente demostrado que puede ser muy real. Redactar, investigar, programar, analizar información, preparar documentación o responder determinadas consultas puede requerir bastante menos tiempo cuando se utilizan correctamente modelos de inteligencia artificial.

El problema aparece en el siguiente salto lógico: una persona tarda menos y la empresa interpreta automáticamente que ha ganado productividad. Son dos cosas diferentes.

Si una tarea que antes necesitaba una hora puede resolverse correctamente en treinta minutos, hemos mejorado la productividad de esa tarea y hemos liberado treinta minutos de capacidad. Pero la empresa continúa pagando el salario, manteniendo la estructura y soportando la mayor parte de sus costes exactamente igual que antes.

Para que esos treinta minutos se conviertan en resultado empresarial tiene que ocurrir algo más: producir más, absorber crecimiento sin aumentar estructura, evitar una contratación futura, reducir externalización, disminuir errores, acortar un ciclo, atender más clientes, dedicar el tiempo liberado a actividades de mayor valor o conseguir alguna otra mejora económicamente relevante.

Esta diferencia empieza a aparecer también en los datos. En la edición 2026 de The State of AI, de McKinsey, alrededor del 80% de los encuestados declaró que la inteligencia artificial había mejorado su productividad individual. Sin embargo, solo un 37% afirmó que estaba contribuyendo positivamente al EBIT de su organización y el grupo que McKinsey clasifica como AI high performers representaba aproximadamente un 6% de la muestra.

No son tres cifras directamente comparables ni prueban una relación causal: proceden de una encuesta empresarial y miden conceptos distintos. Pero muestran una brecha que merece atención. Es mucho más frecuente observar o percibir productividad en el trabajo individual que demostrar después un impacto económico material a nivel de empresa.

Cuatro conceptos que conviene no mezclar

Buena parte de la confusión procede de utilizar como sinónimos conceptos que describen fenómenos diferentes. Una empresa puede experimentar uno de ellos sin haber alcanzado todavía el siguiente.

Esta separación no es semántica. Cambia por completo cómo debería medirse una implantación tecnológica. Si el objetivo es saber cuántas personas utilizan una herramienta, mediremos adopción. Si queremos conocer cuánto tarda ahora una tarea, mediremos eficiencia local. Si queremos saber si la empresa está ganando productividad, tendremos que observar qué sucede después con la capacidad liberada y qué variable empresarial cambia como consecuencia.

El recorrido que seguiremos en el artículo es deliberadamente más exigente: primero comprobaremos que la mejora de tarea existe; después separaremos tiempo liberado de ahorro económico; a continuación veremos cómo una empresa captura esa capacidad, qué diferencia existe entre utilizar un modelo y construir una capacidad alrededor de él y, finalmente, cuándo esa productividad puede llegar a modificar la competitividad.

1. Sí, la IA puede hacer que tu equipo trabaje mucho más rápido

Antes de discutir si las empresas están capturando productividad conviene eliminar una posible confusión: la mejora de productividad en determinadas tareas no es una promesa teórica. Existen ya experimentos controlados y estudios de campo donde personas asistidas por inteligencia artificial realizan determinados trabajos en bastante menos tiempo, producen más o consiguen resultados de mayor calidad.

Esto importa porque el argumento de este artículo no necesita negar esos avances. Al contrario. El problema empresarial aparece precisamente porque el ahorro puede ser real a nivel individual y, aun así, no convertirse automáticamente en una mejora equivalente para la organización.

Si una tecnología no consiguiera reducir tiempo ni mejorar resultados en ninguna tarea, la discusión sería sencilla. No habría capacidad nueva que capturar. La situación actual es más interesante: en determinados contextos la capacidad aparece con claridad, pero después hay que decidir qué hace la empresa con ella.

1.1. En determinadas tareas de conocimiento, las diferencias son demasiado grandes para ignorarlas

Uno de los experimentos más conocidos es el realizado por Shakked Noy y Whitney Zhang con 453 profesionales en tareas de escritura propias del trabajo del conocimiento. Los participantes que utilizaron ChatGPT completaron las tareas aproximadamente un 40% más rápido y obtuvieron, además, una mejora media del 18% en calidad según evaluadores independientes.

El estudio, publicado en Science, no demuestra que cualquier empleado pueda reducir un 40% su jornada utilizando inteligencia artificial. Midió tareas concretas, durante un experimento concreto y bajo unas condiciones determinadas.

Lo que sí demuestra es algo bastante menos ambicioso y, al mismo tiempo, muy relevante: una tecnología generativa puede reducir de forma material el tiempo necesario para producir una salida profesional válida.

En programación encontramos otro ejemplo. En un experimento sobre GitHub Copilot, los desarrolladores que utilizaron el asistente completaron una tarea específica de programación aproximadamente un 55,8% más rápido que el grupo de control. De nuevo, no significa que la productividad completa de un departamento de desarrollo aumente automáticamente un 55,8%. La evidencia corresponde a una tarea delimitada. Pero el efecto sobre esa tarea fue considerable.

1.2. El efecto también aparece dentro de procesos empresariales reales

La evidencia no procede únicamente de ejercicios experimentales. Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron el despliegue de un asistente generativo entre 5.172 agentes de atención al cliente. El sistema utilizaba conocimiento procedente de interacciones anteriores para sugerir respuestas durante conversaciones reales con clientes.

En la versión definitiva publicada en The Quarterly Journal of Economics, el acceso al asistente aumentó aproximadamente un 15% la productividad media, medida como incidencias resueltas por hora. Además, los beneficios fueron considerablemente mayores entre trabajadores con menor experiencia o rendimiento inicial, mientras que los profesionales más experimentados obtuvieron mejoras bastante menores.

El estudio, Generative AI at Work, resulta especialmente interesante porque la inteligencia artificial no estaba simplemente redactando un documento aislado. Intervenía dentro de un proceso productivo real y ayudaba a parte del equipo a acercarse más rápidamente a patrones de actuación que los mejores agentes habían desarrollado con experiencia.

Aquí aparece una primera consecuencia empresarial importante: la IA no solo puede reducir tiempo. En determinados contextos también puede redistribuir capacidad dentro del equipo, elevando especialmente el rendimiento de personas que todavía no han acumulado el conocimiento o la experiencia de los mejores profesionales.

1.3. Pero la misma tecnología que acelera una tarea también puede empeorar otra

Esta evidencia positiva necesita una segunda cautela. La inteligencia artificial no produce el mismo resultado simplemente porque se añada al trabajo. La adecuación entre la tarea y las capacidades reales del modelo importa.

Un experimento realizado con 758 consultores de Boston Consulting Group ayuda a entenderlo. En tareas situadas dentro de lo que los investigadores denominaron la jagged technological frontier —la frontera irregular de capacidades de la tecnología—, los participantes que utilizaron GPT-4 completaron más tareas, trabajaron aproximadamente un 25% más rápido y obtuvieron mejoras importantes de calidad.

Sin embargo, en una tarea deliberadamente situada fuera de esa frontera, los participantes asistidos por IA tuvieron menor probabilidad de llegar a la respuesta correcta.

El estudio de Fabrizio Dell’Acqua y otros investigadores puede consultarse en la versión publicada por Organization Science.

La conclusión para una empresa no es que la IA sea imprevisible y, por tanto, no deba utilizarse. Es más concreta: medir únicamente velocidad puede ocultar parte del resultado. Una tarea realizada más rápido pierde valor si después necesita más corrección, introduce errores o produce una decisión peor.

1.4. Por eso conviene medir el tiempo hasta una salida válida, no hasta el primer borrador

La comparación relevante no es cuánto tarda la IA en producir el primer borrador, sino cuánto esfuerzo necesita el proceso completo hasta una salida utilizable. Si antes un análisis necesitaba tres horas y ahora aparece un borrador en cuarenta minutos pero exige otros cincuenta para verificar y corregir, la comparación real es tres horas frente a una hora y media.

En Dónde la IA sí ahorra tiempo (y dónde no) desarrollamos esta medición con más detalle. Aquí nos interesa el paso siguiente: asumir que existe un ahorro válido y preguntar qué significa para la empresa.

El debate interesante ya no es si la IA puede ahorrar tiempo. Es qué ocurre con la empresa después de haberlo ahorrado.

2. El problema empieza cuando llamamos ahorro al tiempo liberado

Imaginemos una empresa con diez personas que utilizan inteligencia artificial en distintas tareas y que cada una consigue liberar, de media, tres horas semanales. Sobre el papel aparecen treinta horas cada semana: más de ciento veinte al mes.

Es una cifra suficientemente grande como para llamar la atención de cualquier dirección. Pero todavía no sabemos cuánto ha ahorrado la empresa.

Si esas diez personas continúan trabajando la misma jornada, la estructura salarial permanece intacta y la organización no produce más, no atiende más clientes, no reduce externalización ni consigue ninguna otra mejora observable, las treinta horas existen como capacidad liberada, pero no necesariamente como reducción de coste.

2.1. El salario no desaparece cuando una tarea termina antes

Parte de la confusión procede de valorar automáticamente las horas liberadas multiplicándolas por un coste horario. El cálculo resulta útil para estimar capacidad potencial, pero puede ser engañoso si después se presenta como ahorro realizado.

Supongamos que una persona tiene un coste empresarial equivalente de 40 euros por hora y que la IA le permite liberar cinco horas semanales. Multiplicar cinco por cuarenta produce 200 euros y parece indicar un ahorro semanal de esa cantidad.

Sin embargo, si la empresa continúa pagando exactamente el mismo salario y no modifica ninguna otra variable, esos 200 euros no han desaparecido de la cuenta de resultados. Lo que ha ocurrido es que existe una persona con cinco horas adicionales de capacidad potencial. Esa capacidad puede terminar teniendo un valor muy superior a 200 euros o prácticamente ninguno. Dependerá de qué haga la organización con ella.

2.2. Un experimento con más de 7.000 trabajadores muestra bien la diferencia

Un ensayo aleatorizado reciente proporciona una observación especialmente útil. Los investigadores estudiaron a 7.137 trabajadores de 66 empresas que recibieron o no acceso a un copiloto generativo integrado en herramientas como Outlook, Teams y Word.

Entre los trabajadores inducidos a utilizar activamente la herramienta, el tiempo dedicado al correo electrónico se redujo aproximadamente dos horas por semana, alrededor de un 17%. También apareció una pequeña reducción de actividad fuera del horario habitual. Sin embargo, los investigadores no observaron cambios estadísticamente significativos en el número de reuniones, documentos producidos o hilos de correo gestionados.

El estudio, Shifting Work Patterns with Generative AI, no permite concluir que las horas se desperdiciaran ni que las empresas no obtuvieran ningún beneficio. No midió todas las posibles dimensiones de calidad, bienestar, creatividad, decisiones o resultado económico.

Pero sí muestra de forma especialmente clara que comprimir una actividad no obliga al resto del sistema de trabajo a reorganizarse automáticamente. Las personas pueden dedicar menos tiempo a algo sin que cambie inmediatamente cuánto produce la organización o cómo está estructurada.

2.3. La capacidad liberada puede ser absorbida sin que nadie la vea

Existe además un comportamiento empresarial muy normal: cuando una tarea necesita menos tiempo, el espacio disponible se llena con otras actividades. Aparecen más análisis, más mensajes, más preparación, más reuniones, más revisiones o simplemente tareas que antes quedaban pendientes.

Esto no tiene por qué ser negativo. Una persona puede utilizar el tiempo recuperado para trabajar con menos presión, atender mejor a un cliente, pensar una decisión con más profundidad o completar actividades que anteriormente no llegaba a realizar. Todas esas mejoras pueden tener valor.

El problema aparece cuando dirección contabiliza primero las horas como ahorro económico y después no identifica qué resultado adicional se ha obtenido gracias a ellas. En ese momento está utilizando una métrica de eficiencia individual como si fuera una métrica de resultado empresarial.

2.4. No reducir costes no significa que la mejora haya fracasado

También conviene evitar la conclusión opuesta. Si una implantación de IA no termina en reducción de plantilla o gasto salarial, no significa que no haya generado productividad.

Una empresa que crece puede capturar gran parte del valor evitando que la estructura crezca al mismo ritmo. Si un equipo que atendía a cien clientes puede atender a ciento treinta sin nuevas incorporaciones, existe una mejora económica aunque no haya desaparecido ningún puesto. Lo mismo ocurre si evita contratar un recurso adicional, reduce horas de un proveedor externo, acorta un proyecto, disminuye retrabajos o empieza a realizar internamente un análisis que antes era demasiado caro.

En todos esos casos la tecnología puede haber creado valor sin que aparezca una línea contable denominada “ahorro IA”. Esta distinción será central en el siguiente bloque, donde veremos las distintas formas en que una organización puede capturar la capacidad que ha liberado.

2.5. El error de medición aparece cuando confundimos tres cifras distintas

Una empresa que quiera evaluar correctamente estos cambios necesita separar al menos tres magnitudes. La primera es el tiempo que deja de ser necesario para una actividad. La segunda es el valor económico equivalente de ese esfuerzo. La tercera es el impacto que la empresa consigue capturar realmente. Pueden estar relacionadas, pero no son intercambiables.

Esta distinción también ayuda a interpretar correctamente el ROI. Una empresa puede tener una mejora evidente de productividad de tarea y todavía encontrarse en una fase temprana de captura económica. También puede capturar un valor considerable sin reducir costes directos porque utiliza la nueva capacidad para crecer.

Por eso, en Tres errores que frenan el ROI en proyectos de IA insistimos en separar actividad, implantación y resultado. Aquí añadimos una capa anterior: incluso un ahorro de tiempo demostrado necesita un mecanismo de conversión para transformarse en resultado empresarial.

2.6. La pregunta que falta después de cada “hemos ahorrado X horas”

Cuando un equipo afirma que una herramienta le está ahorrando veinte, cincuenta o cien horas al mes, esa información puede ser muy valiosa. No hay que descartarla. Hay que hacer una segunda pregunta.

Si existe una respuesta concreta, empieza a aparecer un mecanismo de captura. Si la respuesta es simplemente que las personas “van menos saturadas” o “pueden hacer otras cosas”, puede existir valor, pero todavía tendremos que identificarlo y decidir si queremos gestionarlo. Y si nadie sabe qué está ocurriendo con el tiempo liberado, la empresa dispone de una mejora tecnológica que todavía no ha convertido en una decisión operativa.

La productividad empresarial no empieza cuando alguien termina antes. Empieza cuando la organización sabe qué hacer con el tiempo que acaba de liberar.

3. De ahorrar tiempo a ganar productividad: la cadena que falta

Una vez aceptamos que la inteligencia artificial puede reducir de forma real el esfuerzo necesario para determinadas tareas, la conversación empresarial cambia. Ya no necesitamos discutir únicamente si la tecnología funciona. Necesitamos entender cómo una mejora local termina —o no— modificando el resultado de la empresa.

Entre ambos extremos existen varios pasos y ninguno debería darse por supuesto. Una persona puede escribir un informe más rápido sin que su departamento produzca más. Un departamento puede aumentar su capacidad sin que la empresa reduzca ningún coste. La empresa puede mejorar su productividad sin que esa mejora cambie de forma relevante su posición competitiva.

Para separar esos niveles utilizamos en R&R la Cadena de conversión de capacidad R&R: un marco de gestión que distingue cinco etapas consecutivas pero no automáticas.

3.1. Mejora de tarea: la parte más visible y más fácil de medir

Este es el nivel donde la evidencia es más abundante. Una actividad necesita menos tiempo, produce una salida de mayor calidad o permite completar más trabajo con el mismo esfuerzo humano. Aquí podemos comparar una baseline razonablemente clara: cuánto necesitábamos antes y cuánto necesitamos ahora para obtener una salida válida comparable.

Si la diferencia es consistente, existe productividad de tarea. Pero todavía no sabemos qué efecto tendrá sobre el conjunto de la organización. Ese salto no forma parte de la medición de la tarea.

3.2. Capacidad liberada: existe una posibilidad, no todavía un resultado

Cuando una tarea necesita menos esfuerzo, aparece capacidad potencialmente disponible. Si un equipo necesitaba cien horas semanales para realizar un conjunto de actividades y ahora puede completarlas correctamente en ochenta, ha liberado veinte horas. La diferencia es real. Pero todavía no explica qué hará la empresa con ellas.

Hablar de capacidad en lugar de ahorro mantiene abierta la pregunta directiva. Las veinte horas pueden utilizarse para producir más, mejorar calidad, absorber crecimiento, realizar nuevas actividades, reducir presión operativa o simplemente redistribuir carga de trabajo. El esfuerzo reducido ya existe; el valor empresarial está todavía por determinar.

3.3. Capacidad capturada: el paso deja de ser tecnológico

La empresa captura capacidad cuando deja de tratar el tiempo liberado como una consecuencia espontánea y decide qué resultado quiere obtener de él. Puede aumentar volumen, absorber crecimiento, reducir dependencia externa, acortar tiempos de respuesta, elevar calidad, liberar capacidad directiva o introducir una actividad que antes no era económicamente viable.

Aquí cambia la naturaleza del problema. La herramienta ya ha demostrado que puede comprimir parte del trabajo. La captura depende ahora de prioridades, diseño organizativo, asignación de recursos y gestión.

3.4. Impacto económico: cuando cambia una variable observable

La capacidad capturada se convierte en impacto económico cuando podemos observar que alguna variable relevante del negocio ha cambiado: más output, menor necesidad de estructura, reducción de gasto externo, menor coste por unidad, más margen, menos errores, tiempos de ciclo más cortos, más capacidad comercial o una combinación de varios efectos.

No todo impacto tiene que expresarse como recorte de costes. Una empresa que aumenta el volumen gestionado con el mismo equipo puede haber capturado productividad aunque su gasto salarial no disminuya. Otra puede mantener el volumen y utilizar la capacidad liberada para eliminar una externalización. Son mecanismos económicos distintos y deberían medirse de forma distinta.

3.5. Competitividad: el último salto tampoco es automático

Incluso después de generar impacto económico queda un paso más. Una empresa puede ser internamente más eficiente y no haber construido todavía una ventaja competitiva relevante. Si todos los competidores acceden a la misma herramienta y la utilizan de forma parecida, una parte de la mejora puede convertirse rápidamente en una nueva condición mínima del mercado.

La productividad empieza a afectar a la competitividad cuando modifica algo que el mercado valora: precio, rapidez, calidad, personalización, disponibilidad, escala o la posibilidad de resolver un problema que antes resultaba demasiado caro o complejo. Y cuanto más dependa esa mejora de activos complementarios difíciles de copiar, más posibilidades existen de que la diferencia dure.

3.6. La evidencia no tiene la misma fuerza en todos los pasos

Esta cadena resulta útil como marco de dirección, pero no existe un único estudio que haya demostrado causalmente todas sus etapas. La evidencia es especialmente fuerte en el primer salto: experimentos controlados y estudios de campo muestran mejoras de tiempo, volumen o calidad en tareas determinadas. La capacidad liberada también puede observarse cuando una actividad necesita menos esfuerzo.

A partir de ahí, el resultado depende cada vez más de la organización. Procesos, habilidades, capital organizativo, infraestructura, estrategia y otros activos complementarios influyen en la productividad que finalmente se captura. La relación entre productividad y ventaja competitiva es todavía menos automática porque depende además del mercado y de la facilidad con la que otros puedan imitar la mejora.

Entre “esta tarea ahora tarda menos” y “nuestra empresa es más competitiva” hay varias decisiones empresariales que ninguna herramienta toma automáticamente por nosotros.

4. La empresa tiene que capturar la capacidad que ha liberado

Una vez aparece capacidad nueva, la pregunta deja de ser tecnológica y pasa a ser organizativa. La herramienta ya ha hecho su parte: una determinada actividad necesita menos esfuerzo. Ahora dirección tiene que decidir qué debería cambiar como consecuencia.

Este paso resulta especialmente importante porque la misma mejora de productividad puede producir efectos empresariales completamente diferentes según el contexto.

Tres compañías pueden liberar exactamente cien horas mensuales y obtener resultados muy distintos. Una puede utilizarlas para absorber crecimiento. Otra para reducir proveedores externos. La tercera puede no modificar conscientemente nada y dejar que ese tiempo se disperse entre nuevas tareas.

La tecnología es la misma. La captura de valor no.

4.1. Primera opción: producir más con la misma estructura

Es probablemente la forma más directa de capturar capacidad. Si las actividades que limitaban el volumen se ejecutan más deprisa, el mismo equipo puede procesar más trabajo.

Un departamento financiero puede analizar más casos. Un equipo comercial puede preparar más cuentas. Un servicio técnico puede resolver más solicitudes. Un equipo de consultoría puede aumentar el número de proyectos que gestiona sin incrementar proporcionalmente el número de personas.

En estos casos el ahorro no aparece como reducción de plantilla. Aparece como mayor output por unidad de recurso.

4.2. Segunda opción: crecer sin aumentar estructura al mismo ritmo

En empresas en crecimiento, una de las formas más valiosas de productividad puede ser evitar que los costes aumenten de forma lineal con el volumen.

Imaginemos que un equipo de cinco personas podía atender a cien clientes y que, después de rediseñar parte de su trabajo con IA y automatización, consigue atender razonablemente a ciento treinta. Nadie ha sido despedido y el coste salarial puede incluso haber aumentado por revisiones o nuevas herramientas.

Sin embargo, la empresa dispone ahora de una estructura capaz de absorber un 30% más de volumen antes de necesitar una nueva incorporación. La productividad se captura mediante apalancamiento operativo.

Este mecanismo resulta especialmente relevante en pymes, donde evitar una contratación prematura puede tener más impacto económico que intentar reducir pequeños costes distribuidos.

4.3. Tercera opción: evitar o reducir costes externos

Otra posibilidad es utilizar la nueva capacidad para internalizar trabajo que anteriormente se compraba fuera. Research, preparación documental, determinadas tareas de análisis, producción de contenidos, soporte operativo o elaboración de primeros borradores pueden ser ejemplos dependiendo de la empresa.

Aquí la captura resulta más fácil de observar porque existe una referencia económica previa: una factura, un servicio externo o un volumen contratado que disminuye.

Sin embargo, internalizar no siempre significa ahorrar. El trabajo sigue consumiendo tiempo interno, herramientas, revisión y responsabilidad. Para saber si existe una mejora real hay que comparar el coste total de ambas alternativas, no únicamente eliminar una factura externa de la ecuación.

4.4. Cuarta opción: reducir errores, retrabajo y trabajo que no crea valor

Parte de la productividad empresarial no procede de producir más rápido, sino de necesitar menos trabajo para corregir lo que salió mal.

Si una herramienta ayuda a detectar inconsistencias, recuperar contexto, aplicar criterios homogéneos o reducir tareas manuales repetitivas, puede disminuir el volumen de correcciones posteriores. El beneficio aparece entonces en horas que ya no se dedican a rehacer, reclamar, buscar información o resolver incidencias.

Este tipo de impacto es más difícil de medir porque una parte del trabajo evitado nunca llega a producirse y, por tanto, puede volverse invisible. Una baseline de errores, retrabajos o incidencias ayuda a hacerlo observable.

4.5. Quinta opción: acortar el ciclo de una actividad que importa al negocio

El tiempo tiene valor incluso cuando no reduce directamente el número de horas trabajadas. Preparar una propuesta en un día en lugar de tres, analizar antes una desviación financiera o responder con mayor rapidez a un cliente puede modificar el resultado económico aunque el esfuerzo liberado no se traduzca inmediatamente en menor coste.

En determinados procesos, la velocidad afecta a conversión, experiencia de cliente, utilización de activos, inventario, capacidad para corregir un problema o tiempo hasta generar ingresos.

Por eso conviene distinguir entre horas necesarias para producir algo y tiempo total que tarda el proceso en completarse. La IA puede reducir uno, el otro o ambos.

4.6. Sexta opción: mover tiempo hacia trabajo de mayor valor

Una organización también puede capturar capacidad cuando utiliza menos tiempo en tareas de bajo valor y más en actividades donde el juicio, la relación, la creatividad o la decisión humana producen una diferencia mayor.

Un comercial que dedica menos tiempo a preparar información puede utilizarlo para hablar con clientes. Un responsable financiero que necesita menos tiempo para consolidar datos puede analizar escenarios. Un directivo que recupera contexto más deprisa puede dedicar más atención a decidir.

El problema es que “hacer trabajo de mayor valor” resulta muy fácil de afirmar y bastante más difícil de demostrar.

Si esta es la tesis de captura, conviene especificar cuál es esa nueva actividad y qué resultado esperamos que produzca. De otro modo, el tiempo simplemente cambia de nombre sin que podamos saber si realmente ha aumentado su valor.

4.7. Séptima opción: hacer económicamente viable algo que antes no lo era

Existe una última forma de captura especialmente interesante porque no consiste simplemente en realizar más rápido una actividad existente. Consiste en ampliar lo que la empresa puede permitirse hacer.

Algunos análisis, niveles de personalización, investigaciones, controles o trabajos de preparación pueden aportar valor pero resultar demasiado costosos si requieren muchas horas profesionales. Si IA, software y automatización reducen de forma suficiente ese esfuerzo, la empresa puede empezar a realizar actividades que antes descartaba por coste.

En ese caso la productividad no solo reduce recursos. Cambia la frontera económica de lo que resulta viable.

Este punto será importante más adelante porque conecta directamente con la diferencia entre utilizar una herramienta para ejecutar una tarea y construir una capacidad alrededor de un problema.

4.8. Capturar capacidad es una decisión de dirección

Todo lo anterior conduce a una conclusión sencilla: una empresa no captura productividad únicamente comprando herramientas ni esperando que cada persona descubra qué hacer con el tiempo que ahorra.

Algunas mejoras aparecerán espontáneamente y merecerá la pena conservarlas así. Pero cuando la expectativa es obtener un resultado económico material, dirección necesita establecer una hipótesis explícita: qué capacidad debería liberarse, dónde se utilizará y qué indicador tendría que cambiar si realmente se está capturando.

Esa disciplina evita dos errores opuestos. El primero es prometer ahorros que solo existen sobre una hoja de cálculo. El segundo es descartar una mejora porque no ha reducido costes cuando en realidad ha permitido crecer, mejorar calidad o evitar estructura futura.

La IA puede crear capacidad. La captura de esa capacidad sigue siendo una decisión de empresa.

5. Dar acceso a una IA no significa haber construido una capacidad empresarial

Existe una segunda confusión que empieza a ser especialmente relevante a medida que las herramientas de inteligencia artificial se generalizan: identificar adopción con capacidad.

Una empresa puede proporcionar acceso a ChatGPT, Microsoft Copilot, Gemini, Claude u otro modelo a gran parte de su plantilla y conseguir mejoras perfectamente reales. Las personas pueden investigar más rápido, redactar mejor, resumir documentos, preparar reuniones, analizar información o automatizar pequeñas tareas.

Todo eso puede ser valioso.

Pero todavía describe principalmente acceso a una capacidad general. No demuestra que la empresa haya construido una capacidad propia que continúe funcionando de forma sistemática, repetible y gobernada alrededor de un problema empresarial concreto.

5.1. Acceder a una tecnología y convertirla en capacidad son problemas diferentes

Esta distinción no es específica de la inteligencia artificial. Las empresas llevan décadas comprando software sin conseguir necesariamente la misma productividad.

Dos organizaciones pueden utilizar herramientas similares y obtener resultados radicalmente distintos porque una dispone de mejores datos, procesos más claros, personas con mayor capacidad, sistemas integrados o una forma más disciplinada de convertir información en decisiones.

La investigación de la OCDE sobre empresas adoptantes de inteligencia artificial apunta en esta misma dirección. En un análisis sobre compañías de once países, las empresas que utilizaban IA mostraban en conjunto mayores niveles de productividad, pero una parte importante de esa diferencia estaba asociada también a otros activos: habilidades digitales, infraestructura, intensidad tecnológica y capacidades complementarias.

Cuando los investigadores controlaban varios de esos factores, la relación entre uso de IA y productividad se reducía considerablemente y en algunos países dejaba de ser estadísticamente significativa.

Esto no demuestra que la IA no genere productividad. Demuestra que la tecnología llega a empresas que ya son diferentes y que el resultado depende también de lo que existe alrededor de ella.

5.2. Un chat puede mejorar mucho a una persona sin modificar el sistema

Imaginemos un comercial que utiliza un modelo para investigar empresas, preparar preguntas, redactar correos y resumir reuniones. Puede ahorrar varias horas cada semana y mejorar de forma significativa su productividad individual.

Pero si toda esa forma de trabajar depende de sus conversaciones privadas, de los prompts que ha aprendido a utilizar y del contexto que introduce manualmente, una parte considerable de la nueva capacidad sigue perteneciendo a esa persona.

Si mañana cambia de puesto, deja la empresa o simplemente trabaja de otra manera, la organización puede perder buena parte de ese aprendizaje.

Eso no hace inútil el uso del chat. Simplemente describe una etapa diferente de madurez.

En este artículo nos interesa esta diferencia por su efecto sobre la productividad y la captura de valor. El diseño más amplio de una capacidad empresarial con IA —incluyendo control, dependencia, costes, gobierno y ejecución— lo desarrollamos en Cómo ganar capacidad empresarial sin aumentar estructura, coste ni dependencia .

5.3. El modelo puede ser el mismo; la capacidad que construyes alrededor, no

Esta diferencia resulta especialmente importante porque los modelos fundacionales tienden a estar disponibles para muchas empresas al mismo tiempo. Si todos pueden acceder a capacidades similares, el simple acceso ofrece cada vez menos diferenciación.

Lo que una organización construye alrededor del modelo puede ser mucho más específico: sus datos, su conocimiento acumulado, sus criterios de decisión, sus procesos, la forma en que conecta herramientas, la evidencia que considera válida, sus reglas de autorización o la manera en que incorpora feedback de resultados.

Por eso dos empresas que utilizan exactamente el mismo modelo pueden terminar desarrollando capacidades radicalmente distintas.

Esta lógica conecta con el marco que desarrollamos en Capacidades empresariales para pymes: datos, procesos, talento e IA: la tecnología genera más valor cuando se combina con capacidades organizativas que permiten utilizarla de forma consistente.

5.4. El salto importante es pasar de una tarea asistida a un problema resuelto de forma sistemática

Una forma sencilla de observar la diferencia consiste en cambiar la unidad de análisis.

Si preguntamos “¿cómo puede IA ayudar a redactar este correo?”, estamos optimizando una tarea.

Si preguntamos “¿cómo puede nuestra empresa identificar mejor qué cuentas merecen atención, con qué evidencia y bajo qué criterios?”, estamos diseñando una capacidad.

En el segundo caso pueden aparecer muchas tareas: investigar cuentas, recuperar información, analizar señales, aplicar reglas, generar hipótesis, presentar evidencia y registrar decisiones. El valor no depende de que cada paso utilice IA. Depende de que el conjunto resuelva mejor un problema que importa al negocio.

5.5. No significa que toda empresa tenga que construir agentes o software propio

También aquí conviene evitar una conclusión demasiado tecnológica. Construir una capacidad alrededor de IA no significa necesariamente desarrollar agentes complejos, programar software a medida o entrenar modelos propios.

Una pequeña empresa puede construir una capacidad bastante sólida utilizando herramientas existentes si dispone de un proceso claro, buenas fuentes de información, criterios compartidos, plantillas, automatizaciones sencillas y mecanismos de validación.

Del mismo modo, una organización puede invertir en sistemas técnicamente sofisticados y seguir sin disponer de una verdadera capacidad si no ha definido suficientemente qué problema resuelve, qué decisiones debe mejorar o cómo sabrá si está funcionando.

5.6. Podemos ordenar esta evolución en cinco niveles

No todas las empresas tienen que recorrer exactamente la misma secuencia ni avanzar hasta el último nivel. Pero distinguirlos ayuda a saber qué estamos midiendo cuando hablamos de “adopción de IA”.

Tener más usuarios de IA puede aumentar productividad individual. Construir capacidad empresarial exige conseguir que parte de ese aprendizaje deje de depender exclusivamente de quien sabe hablar mejor con el modelo.

6. La diferencia está en lo que construyes alrededor del modelo

Si el modelo fundacional puede ser el mismo para muchas empresas, la diferenciación tiene que aparecer en otra parte.

Puede estar en los datos que utiliza la organización, en el conocimiento que ha acumulado, en los criterios con los que toma decisiones, en las herramientas a las que conecta el modelo, en los controles que aplica, en la forma de validar resultados o en la capacidad para integrar todo ello dentro de un proceso real.

En otras palabras, el modelo puede aportar potencia general. La empresa tiene que decidir cómo convertirla en una capacidad específica.

6.1. El problema tiene que estar suficientemente definido

Cuanto más general sea la pregunta, más general tenderá a ser también la respuesta. “Ayúdame a vender más”, “analiza mis finanzas” o “dime qué debería priorizar” pueden producir ideas útiles, pero no describen todavía una capacidad empresarial.

Para construir algo más sistemático hay que concretar qué decisión o proceso queremos mejorar, qué información necesita, qué resultado debe producir y qué límites no puede cruzar.

No es lo mismo pedir a un modelo una opinión sobre una cuenta comercial que construir un sistema capaz de evaluar cuentas utilizando un ICP definido, señales contrastadas, evidencia, criterios de scoring y revisión humana.

Tampoco es lo mismo preguntar por la situación financiera de una empresa que diseñar una capacidad que trabaje con datos, reglas contables, permisos, criterios de aceptación y controles de ejecución.

6.2. Los datos y el contexto tienen que dejar de depender únicamente del usuario

En un uso puramente conversacional, buena parte del rendimiento depende de lo que la persona recuerde introducir en cada interacción: contexto del cliente, restricciones, datos históricos, políticas internas, decisiones anteriores o documentación relevante.

Cuanto más complejo sea el problema, más frágil resulta ese mecanismo.

Construir capacidad implica conseguir que una parte suficiente del contexto necesario pueda recuperarse de forma fiable sin depender exclusivamente de la memoria o habilidad de quien formula la pregunta.

Eso puede significar conectar fuentes, estructurar información, mantener documentos vigentes, diferenciar evidencia de inferencias o asegurar que el sistema sabe qué datos son autoritativos para cada decisión.

6.3. El conocimiento tiene que convertirse en criterios utilizables

Las empresas acumulan una gran cantidad de conocimiento tácito. Un responsable comercial sabe reconocer una cuenta poco atractiva; un director financiero identifica una desviación que merece atención; un responsable de operaciones sabe qué excepción puede poner en riesgo una entrega.

Un modelo puede ayudar a recuperar, ordenar y analizar ese conocimiento, pero la empresa necesita decidir qué parte quiere convertir en criterio operativo.

Esto puede expresarse como políticas, umbrales, reglas de evaluación, matrices de decisión, preguntas obligatorias, criterios de escalado o requisitos mínimos de evidencia.

No todo debe transformarse en una regla rígida. Las situaciones complejas siguen necesitando juicio. Pero si todo permanece como intuición privada, la IA puede ampliar la capacidad de una persona sin construir necesariamente capacidad organizativa.

6.4. Las herramientas permiten que el modelo haga algo más que responder

Otro salto aparece cuando el modelo deja de limitarse a generar texto y puede trabajar con herramientas que forman parte del proceso real.

Puede consultar datos, contrastar fuentes, realizar cálculos, actualizar un registro, preparar una acción o generar documentación estructurada. En determinados sistemas puede incluso ejecutar acciones, siempre dentro de los permisos y controles definidos.

Esa conexión con herramientas amplía enormemente la capacidad, pero también aumenta el riesgo. Cuanto más puede hacer un sistema, más importante resulta decidir qué acciones puede ejecutar directamente, cuáles necesitan confirmación y cuáles deben permanecer siempre bajo responsabilidad humana.

6.5. Los controles determinan hasta dónde puede llegar la automatización

Esta es una de las diferencias más importantes entre utilizar un asistente y construir un sistema que pueda intervenir de forma más profunda en la operación.

Una recomendación equivocada puede ser molesta. Una decisión financiera, comercial o contractual ejecutada sin suficiente control puede tener consecuencias mucho mayores.

Por eso una capacidad empresarial madura necesita definir quién puede hacer qué, qué necesita aprobación, qué información debe quedar registrada y qué ocurre cuando el sistema no dispone de evidencia suficiente.

En determinadas funciones también puede ser necesario separar a quien prepara una acción de quien la valida, exigir confirmación humana o bloquear por defecto cualquier ejecución si falta una condición crítica.

6.6. La evaluación tiene que comprobar algo más que si la respuesta “suena bien”

Uno de los riesgos de los modelos generativos es que una respuesta incorrecta puede estar redactada de forma convincente. Por eso evaluar una capacidad empresarial no debería limitarse a preguntar si el texto parece útil.

Dependiendo del problema, puede ser necesario comprobar exactitud, trazabilidad, consistencia, cumplimiento de reglas, uso correcto de fuentes, estabilidad ante casos límite, capacidad de reconocer incertidumbre o comportamiento ante información incompleta.

En funciones sensibles, una respuesta técnicamente brillante puede ser inaceptable si utiliza un dato no autorizado, no respeta una política o propone una acción fuera de las competencias del sistema.

6.7. En R&R esta diferencia ya cambia cómo diseñamos capacidades

En R&R utilizamos interfaces conversacionales de forma intensiva. Son útiles para investigar, diseñar, programar, contrastar, documentar y trabajar sobre problemas complejos.

Pero cuando queremos convertir IA en una capacidad que pueda formar parte de la operación, el problema cambia.

En el desarrollo de nuestro Agente CFO y Contable, por ejemplo, la IA puede detectar, explicar, recomendar y preparar determinadas acciones, pero la capacidad de ejecución está gobernada por permisos, confirmaciones humanas y controles específicos. El objetivo no es conseguir que un modelo “haga de CFO”, sino construir una capacidad financiera asistida que opere dentro de unos límites conocidos.

En nuestro Radar de Cuentas Objetivo, la cuestión tampoco consiste en preguntar a un modelo qué empresas deberíamos prospectar. El sistema combina contexto comercial, definición de ICP, cuentas, señales, evidencias, scoring, hipótesis y revisión humana para ayudar a priorizar y activar trabajo comercial de forma más estructurada.

Son ejemplos distintos, pero comparten el mismo principio: el valor no aparece simplemente porque exista un modelo generativo. Aparece cuando ese modelo forma parte de una arquitectura construida alrededor de un problema.

6.8. El objetivo no es automatizar todo, sino decidir qué combinación funciona mejor

Existe una tentación comprensible de medir la madurez por el porcentaje de trabajo que consigue automatizarse. Pero una mayor automatización no siempre significa una mejor capacidad.

En algunos procesos tendrá sentido automatizar casi todo. En otros, la mayor parte del valor puede consistir en preparar mejor una decisión humana. Y en determinadas actividades reguladas, reputacionales o de alto impacto, conservar gates humanos puede ser una condición de diseño y no una limitación temporal.

La pregunta correcta es qué combinación de personas, modelos, herramientas y controles consigue el mejor resultado para el problema concreto.

Esta lógica es coherente con algo que ya observamos al hablar de transformación: comprar tecnología no sustituye el trabajo de dirección, procesos y capacidades. Lo desarrollamos también en Errores que frenan la digitalización.

El chat puede hacer más rápida a una persona. La capacidad empresarial aparece cuando cambia de forma repetible lo que la organización es capaz de hacer.

7. Ser más productivo tampoco significa automáticamente ser más competitivo

Llegados a este punto podría parecer que el problema termina cuando la empresa consigue capturar productividad. Pero todavía falta una distinción más.

Una organización puede reducir costes, aumentar output o acelerar procesos y no haber construido por ello una ventaja competitiva relevante.

La productividad describe principalmente la relación entre recursos y resultados. La competitividad introduce otra pregunta: qué cambia frente a las alternativas que tiene el cliente y frente a lo que pueden hacer los competidores.

7.1. Una mejora interna puede quedarse dentro de la empresa

Imaginemos que una empresa reduce significativamente el tiempo necesario para preparar determinadas tareas administrativas. Puede obtener una mejora de productividad perfectamente real y, sin embargo, el cliente no percibir ninguna diferencia.

Eso no convierte la inversión en irrelevante. Puede mejorar margen, reducir presión operativa o liberar recursos. Pero la ventaja competitiva aparece solo cuando parte de esa mejora afecta a una dimensión que influye en la capacidad de ganar, retener o servir mejor al mercado.

Puede ser precio, rapidez, calidad, personalización, disponibilidad, capacidad de respuesta, innovación o una combinación difícil de replicar.

7.2. Cuando todos acceden a la misma herramienta, parte de la ventaja desaparece

Esta cuestión es especialmente importante con modelos de inteligencia artificial ampliamente disponibles.

Una empresa puede obtener durante meses una ventaja clara simplemente porque adopta antes una herramienta que sus competidores. Pero si el acceso se democratiza y todos empiezan a utilizar capacidades similares, una parte de esa diferencia puede desaparecer.

Lo que inicialmente era ventaja termina convirtiéndose en expectativa mínima.

Esto ya ha ocurrido muchas veces con otras tecnologías. Digitalizar una actividad puede diferenciar durante una etapa. Más adelante, no estar digitalizado se convierte simplemente en una desventaja.

Con IA probablemente ocurrirá algo parecido en muchas tareas de uso general.

7.3. La ventaja puede estar en los activos complementarios

La situación cambia cuando la tecnología se combina con activos que otros no pueden copiar con la misma facilidad.

Pueden ser datos propios, conocimiento acumulado, relaciones con clientes, procesos, integración con sistemas existentes, reputación, experiencia sectorial, metodologías o rutinas organizativas desarrolladas durante años.

La inteligencia artificial puede aumentar el valor de esos activos porque permite utilizarlos con mayor velocidad o a una escala que antes era difícil.

En ese escenario el modelo puede seguir siendo estándar, pero la capacidad resultante ya no es idéntica.

7.4. La ventaja también puede consistir en hacer viable algo que otros todavía no pueden ofrecer

Una de las formas más interesantes de competitividad aparece cuando la mejora de productividad cambia la economía de una oferta.

Un análisis que antes requería demasiado tiempo puede incorporarse ahora al servicio. Un nivel de personalización antes reservado a grandes clientes puede extenderse a cuentas más pequeñas. Una pyme puede ofrecer un nivel de preparación o control que anteriormente necesitaba una estructura mucho mayor.

En estos casos la tecnología no solo reduce costes internos. Puede modificar la propuesta de valor.

Esa posibilidad conecta con el caso que hemos visto anteriormente: cuando el coste de acceso a una capacidad compleja disminuye de forma sustancial, pueden empezar a ser económicamente viables trabajos que antes no compensaban.

7.5. No toda ventaja tiene que ser permanente para ser valiosa

También sería poco realista exigir que cualquier mejora sea imposible de copiar para considerarla estratégicamente relevante.

Una ventaja temporal puede permitir ganar clientes, crecer más rápido, aprender antes o acumular datos y experiencia que después sí resulten más difíciles de replicar.

La cuestión está en no confundir una ventaja transitoria con una posición defendible a largo plazo.

Si una empresa sabe que su ventaja procede principalmente de adoptar antes una herramienta, debería aprovechar ese periodo para construir activos complementarios que mantengan parte de la diferencia cuando el acceso tecnológico se generalice.

7.6. La competitividad no se mide por cuánto utiliza la empresa la IA

Esto nos devuelve al problema inicial del artículo.

Contar usuarios, licencias, prompts, asistentes o agentes puede ayudar a conocer el grado de adopción tecnológica. No indica necesariamente si la empresa ha aumentado su capacidad competitiva.

Una organización puede tener un uso intensísimo de IA y no haber modificado ningún aspecto relevante de su economía o propuesta de valor. Otra puede utilizarla en pocos procesos, pero hacerlo precisamente donde se encuentra un cuello de botella crítico.

La segunda puede obtener un impacto mucho mayor con aparentemente menos adopción.

7.7. La pregunta final es qué puede hacer ahora la empresa que antes no podía

Esta es probablemente una forma más útil de evaluar el impacto estratégico que preguntar cuánta inteligencia artificial está utilizando una organización.

¿Puede atender más clientes con la misma estructura? ¿Responder mucho antes? ¿Realizar análisis que anteriormente resultaban demasiado caros? ¿Personalizar una oferta a una escala mayor? ¿Tomar decisiones con información que antes no podía procesar? ¿Reducir un cuello de botella que limitaba su crecimiento?

Cuanto más concreta sea la respuesta, más cerca estaremos de identificar una capacidad empresarial y no únicamente una mejora tecnológica.

La productividad reduce la distancia entre recursos y resultados. La competitividad empieza cuando esa mejora cambia lo que el mercado puede esperar de tu empresa.

8. Cómo saber si tu empresa está capturando realmente el valor

Si queremos evitar que la productividad con IA termine reducida a una colección de estimaciones sobre horas ahorradas, necesitamos una forma de medir que siga el recorrido completo.

No hace falta construir un sistema financiero extraordinariamente sofisticado para empezar. En muchos casos basta con responder de forma disciplinada a unas pocas preguntas y mantener separadas magnitudes que tienden a mezclarse.

El principio es sencillo: partir de una baseline, comprobar qué ha cambiado en la tarea, identificar qué capacidad aparece, observar qué hace la empresa con ella y terminar midiendo si alguna variable empresarial relevante se ha modificado.

8.1. Primero: compara resultados válidos, no primeros borradores

Cualquier comparación necesita una referencia anterior suficientemente clara. Cuando sea posible conviene reconstruir cuánto esfuerzo humano, revisión, coordinación y corrección necesitaba realmente una tarea antes de introducir la nueva forma de trabajo.

La comparación posterior debe utilizar el mismo criterio. Si una herramienta reduce enormemente el tiempo de generación pero introduce más revisión, ese trabajo adicional debe aparecer. Si automatiza una parte del proceso pero obliga a preparar mejor los datos de entrada, también.

8.2. Después: calcula qué capacidad aparece

Cuando la comparación anterior muestra una mejora, podemos calcular capacidad liberada. Puede expresarse en horas, dedicación profesional, número de personas equivalentes, volumen adicional que podría absorberse o cualquier otra unidad que represente razonablemente el esfuerzo reducido.

En este punto conviene resistirse a convertir inmediatamente esa capacidad en euros. Primero necesitamos saber si la empresa dispone realmente de ella y si existe una decisión sobre cómo utilizarla.

8.3. El punto decisivo: identifica el destino de la capacidad

Esta pregunta separa una mejora tecnológica de una decisión empresarial. Si una persona libera cinco horas semanales, ¿qué cambia después? ¿Gestiona más volumen? ¿Atiende más clientes? ¿Evita que otra persona tenga que incorporarse? ¿Reduce dependencia de un proveedor? ¿Dedica más tiempo a análisis? ¿Acorta el ciclo de una actividad?

Si la organización no sabe responder, todavía no significa que el tiempo se haya perdido. Significa que la captura no está suficientemente gobernada para poder medirla.

8.4. Finalmente: busca la variable empresarial que debería cambiar

Este es el punto en el que la productividad empieza a abandonar el terreno de las estimaciones. Si el objetivo era aumentar capacidad, deberíamos poder observar más output. Si queríamos evitar estructura, debería aparecer una contratación retrasada o innecesaria. Si esperábamos menos errores, debería disminuir el retrabajo. Si buscábamos velocidad, el ciclo tendría que acortarse.

No todas las métricas aparecerán inmediatamente y no todas las mejoras pueden aislarse con precisión causal. Pero debe existir una hipótesis suficientemente concreta para saber dónde buscar el efecto.

8.5. Usa un cuadro de mando mínimo para seguir toda la cadena

Las preguntas anteriores pueden resumirse en una secuencia que cualquier empresa puede adaptar a sus propios procesos. Su función no es burocratizar el uso de IA, sino impedir que adopción, ahorro de tiempo e impacto empresarial se mezclen en una única cifra.

El último nivel merece una observación adicional. Si la mejora permanece completamente dentro de la empresa, seguirá siendo valiosa como eficiencia. Si cambia la propuesta, el coste, la velocidad o la capacidad que percibe el mercado, puede empezar a convertirse en ventaja competitiva. Por eso la tabla termina fuera de la empresa: en cómo cambia nuestra posición frente a otras alternativas.

8.6. La precisión debe ser proporcional a la decisión

No todas las mejoras necesitan un estudio económico de gran profundidad. Si una persona utiliza IA para ahorrar unos minutos en una tarea pequeña, probablemente baste con observar si funciona y seguir adelante. La medición rigurosa cobra más importancia cuando la empresa quiere justificar una inversión relevante, rediseñar procesos, modificar plantilla, externalizar o internalizar trabajo, o afirmar que una nueva capacidad está cambiando su competitividad.

Cuanto mayor sea la decisión que queremos tomar a partir del dato, mayor debería ser también la calidad de la evidencia.

Si no puedes explicar qué indicador debería cambiar gracias a las horas que dices haber ahorrado, todavía no estás midiendo productividad empresarial. Estás midiendo eficiencia de tarea.

9. La pregunta no es cuánto utiliza tu empresa la IA

Durante los próximos años será cada vez menos útil utilizar el acceso a inteligencia artificial como señal de madurez. Las herramientas se generalizarán, aparecerán nuevas interfaces y muchas capacidades que hoy todavía parecen extraordinarias terminarán incorporadas de forma estándar al software de trabajo.

En ese escenario, preguntar cuántas personas utilizan IA se parecerá progresivamente a preguntar cuántas utilizan un buscador, una hoja de cálculo o videoconferencia. Puede describir adopción, pero explicará cada vez menos sobre la capacidad real de la organización.

9.1. El objetivo no debería ser maximizar el uso de IA

Una empresa no gana por conseguir que todas sus personas utilicen el mayor número posible de herramientas. Gana cuando resuelve mejor los problemas que condicionan su capacidad para competir.

En algunos procesos la IA será central. En otros aportará una mejora pequeña. Y habrá tareas donde no compense introducirla en absoluto. La dirección no necesita perseguir la adopción máxima; necesita identificar dónde existe una oportunidad real de ampliar capacidad y qué diseño permite capturarla.

9.2. Una empresa puede utilizar menos IA y obtener más valor

Una empresa puede tener cientos de empleados utilizando asistentes para pequeñas tareas y conseguir miles de horas de capacidad distribuida que después apenas modifica su resultado económico. Otra puede aplicar IA únicamente en dos o tres procesos, pero hacerlo precisamente donde existen cuellos de botella que limitan ventas, operaciones, decisión o crecimiento.

La segunda podría capturar mucho más valor con aparentemente menos adopción. La diferencia no está en cuánta IA circula por la organización, sino en qué restricciones relevantes consigue eliminar o qué capacidades nuevas consigue construir.

9.3. La dirección tiene que decidir qué hacer con una empresa que ahora puede hacer más

En el fondo, la inteligencia artificial plantea un problema de gestión bastante clásico: qué hacemos cuando una tecnología modifica la productividad de los recursos de los que ya disponemos.

Podemos seguir haciendo lo mismo con algo menos de esfuerzo. Podemos utilizar esa diferencia para crecer. Podemos rediseñar estructura. Podemos elevar calidad. Podemos modificar una oferta. O podemos no tomar ninguna decisión y dejar que la nueva capacidad se distribuya de forma espontánea.

Ninguna de estas respuestas es automáticamente correcta. Depende de la estrategia y del contexto. Lo que resulta difícil de defender es contabilizar primero la productividad y decidir después qué significa.

9.4. El potencial más interesante no está en hacer exactamente lo mismo un poco más rápido

Reducir veinte minutos una tarea repetitiva puede generar mucho valor cuando ocurre miles de veces. Ese tipo de eficiencia seguirá siendo importante. Pero existe una oportunidad más profunda.

La combinación de modelos, datos, software, automatización y conocimiento puede reducir el coste de actividades que antes requerían demasiadas horas profesionales, demasiado análisis o demasiada estructura. Cuando eso ocurre, no solo mejora una tarea: se amplía el conjunto de cosas que la empresa puede permitirse hacer.

Puede analizar con mayor profundidad, personalizar más, responder antes, trabajar con más evidencia, gestionar más volumen o construir capacidades que antes solo estaban al alcance de organizaciones con estructuras mucho mayores.

9.5. La pregunta con la que debería terminar cualquier iniciativa

Después de hablar de horas, productividad, costes, sistemas y competitividad, podemos reducir todo el artículo a una pregunta.

Si la respuesta es concreta, probablemente estamos ante algo más interesante que una colección de horas ahorradas. Si además podemos demostrar qué resultado cambia y por qué esa capacidad importa para nuestros clientes o para nuestra economía, empezamos a hablar de productividad empresarial.

Y si esa capacidad permite competir de una forma que otros no pueden replicar inmediatamente, entonces la inteligencia artificial deja de ser simplemente una herramienta de eficiencia y empieza a formar parte de la estrategia.

Ahorrar tiempo es una mejora. Saber qué hacer con ese tiempo es gestión. Convertirlo en una capacidad que cambia cómo compites es estrategia.