Resumen ejecutivo — cinco hallazgos
- La brecha ya no es de adopción, es de escala. McKinsey encuestó a más de 10.000 ejecutivos en 15 países y 16 industrias: 88% de las organizaciones despliega IA, pero solo alrededor de un tercio la escala a nivel empresa y el 81% no reporta impacto significativo en resultados. Apenas el 1% describe su despliegue como maduro.
- El cuello de botella es organizacional, y los propios líderes lo admiten. En esa misma investigación, alrededor de tres cuartas partes de los ejecutivos describen a su organización como no preparada para ejecutar la transformación que ellos impulsan. No es un problema de proveedores.
- El giro agéntico ya tiene fecha. Gartner proyecta que el 40% de las aplicaciones empresariales incorporará agentes específicos por tarea hacia el cierre de 2026, frente a menos del 5% en 2025. La consecuencia práctica es que la mayoría de las empresas recibirá agentes por la vía de sus proveedores de software, decida o no una estrategia propia.
- El valor está en el rediseño, no en la automatización. Deloitte es categórico: aplicar IA sobre el flujo de trabajo existente sin cambiarlo industrializa la ineficiencia. Las organizaciones que más avanzan rediseñan un proceso de extremo a extremo, con un dueño claro, antes de escalar.
- La inversión que casi nadie hace es en personas. La recomendación de McKinsey es tratar la IA como una transformación de toda la organización e invertir en personas a una tasa muy superior a la de la tecnología. Es exactamente al revés de como se arman hoy la mayoría de los presupuestos.
1. Adoptar no es escalar, y la diferencia cuesta caro
Durante tres años el debate empresarial sobre inteligencia artificial fue de acceso: qué herramienta contratar, qué modelo elegir, cómo convencer al directorio. Ese debate terminó. El 88% de las organizaciones ya despliega IA en alguna parte del negocio y la tecnología se contrata en minutos con tarjeta de crédito.
Lo que reemplazó a ese debate es un problema mucho más incómodo, porque no se resuelve comprando: de todas esas organizaciones, solo cerca de un tercio la está escalando a nivel empresa, y el 81% no reporta ningún impacto significativo en el resultado. Apenas el 1% describe su despliegue como maduro.
El embudo donde se pierde la transformación
Fuente: McKinsey & Company, The State of Organizations 2026. Elaboración GrowMkTech.
Vale la pena detenerse en la forma del embudo, porque indica dónde está la fuga. La caída de 88% a un tercio no ocurre por falta de tecnología: las mismas herramientas que funcionaron en el piloto están disponibles para toda la empresa. Lo que no está disponible es el proceso rediseñado, el dueño responsable, el dato gobernado y el equipo capaz de operarlo. Esa es una agenda de dirección general, no de un área.
Y los líderes lo saben. En la misma investigación, alrededor de tres cuartas partes describen a su organización como no preparada para ejecutar los resultados que ellos mismos proyectan. Es un diagnóstico inusualmente honesto — y señala que el problema no es de convencimiento sino de capacidad instalada.
2. El giro agéntico: de producir entregables a ejecutar procesos
Sobre ese terreno mal preparado está llegando un cambio de naturaleza. La IA generativa produce un entregable y devuelve el control a una persona. La IA agéntica ejecuta una secuencia de pasos sobre sistemas reales, decidiendo el siguiente según el resultado del anterior.
La diferencia técnica importa menos que la diferencia de gestión. Un sistema generativo se supervisa revisando su salida antes de usarla. Un sistema agéntico ya actuó cuando uno se entera: escribió en el CRM, contactó a un proveedor, emitió una nota de crédito. Eso convierte a la gobernanza en un requisito previo y no en una capa que se agrega después.
Qué cambia cuando el software pasa de responder a actuar
Fuente: Gartner, comunicado del 26 de agosto de 2025 sobre agentes específicos por tarea en aplicaciones empresariales. Elaboración GrowMkTech.
Esa última línea del gráfico es la que debería ordenar la agenda del comité ejecutivo. La pregunta ya no es si la empresa adoptará agentes, sino si los adoptará deliberadamente o por defecto, a medida que el CRM, el ERP y la suite ofimática los vayan incorporando. La diferencia entre ambas rutas es quién definió los límites de autoridad: la empresa o el proveedor.
3. El error de secuencia: automatizar en vez de rediseñar
El hallazgo más consistente entre las tres consultoras revisadas es también el más ignorado en la práctica: el valor viene del rediseño del proceso, no de su automatización. Deloitte lo dice sin rodeos — si uno toma el flujo de trabajo existente y le aplica IA avanzada encima, lo que consigue es industrializar la ineficiencia.
Es un error caro porque se siente como progreso. El proceso corre más rápido, hay un tablero con métricas verdes y aparece un ahorro de horas. Pero los traspasos innecesarios, las aprobaciones heredadas y los pasos que existían solo porque un sistema antiguo los requería siguen ahí, ahora ejecutándose a velocidad de máquina.
El mito que hay que desmontar primero
"El obstáculo es la resistencia cultural de la gente." Es la explicación favorita cuando un proyecto de IA no despega, y casi siempre es falsa — o al menos, secundaria. La evidencia apunta a causas mucho más concretas: procesos que nunca se rediseñaron, datos sin dueño, ausencia de responsabilidad de extremo a extremo y ninguna definición de qué significa "listo para producción".
La distinción importa porque las soluciones son opuestas. Si el diagnóstico es cultural, se responde con comunicación interna y capacitación genérica — y no pasa nada. Si el diagnóstico es de diseño operativo, se responde nombrando un dueño de proceso, ordenando los datos que ese proceso consume y definiendo criterios de aceptación. La gente adopta rápido lo que funciona en su trabajo real; se resiste a lo que le agrega un paso.
La recomendación operativa que se desprende es específica y va contra el instinto de escalar rápido: tomar un solo flujo de trabajo de extremo a extremo, rediseñarlo con un dueño explícito y recién entonces replicar. La propiedad de extremo a extremo genera responsabilidad y, sobre todo, expone las brechas de gobernanza temprano, cuando corregirlas todavía es barato.
4. Los cinco imperativos del líder de negocio
Con ese diagnóstico, la agenda de la dirección general se puede acotar a cinco decisiones que nadie más en la organización puede tomar.
| Imperativo | Qué significa en concreto | Señal de que no se está haciendo |
|---|---|---|
| Orquestación sobre automatización | Definir cómo se reparte el trabajo entre personas y agentes en cada proceso, en vez de acumular herramientas aisladas por área | Cada gerencia contrató su propia herramienta y ninguna conversa con otra |
| Un dueño por proceso, no por herramienta | Nombrar un responsable del flujo completo, con autoridad para cambiar los pasos y no solo para operarlos | Cuando algo falla, la respuesta es "eso lo ve TI" o "eso lo ve el proveedor" |
| Invertir en personas más que en tecnología | Presupuesto real de formación, tiempo protegido para aprender y redefinición de perfiles, no una charla anual | El 100% del presupuesto de IA está en licencias e integración |
| Confianza por diseño | Definir límites de autoridad, trazabilidad y puntos de aprobación humana antes del despliegue | La gobernanza está agendada "para después del piloto" |
| Medir valor, no actividad | Establecer la línea base del proceso antes de intervenirlo y medir el resultado de negocio, no el uso de la herramienta | El único indicador disponible es cuántas consultas atendió el sistema |
5. Los cinco imperativos del líder tecnológico
Del lado de tecnología, el giro agéntico cambia el trabajo de fondo: se pasa de construir aplicaciones a gobernar una plataforma donde el negocio construye.
| Imperativo | Qué significa en concreto | Riesgo que evita |
|---|---|---|
| De construir a gobernar la plataforma | Ofrecer entornos seguros y estandarizados donde las áreas armen sus propios agentes, con barandas puestas | TI como cuello de botella, y áreas contratando por fuera sin control |
| Estandarizar la capa de integración | Un protocolo y un punto de acceso común a los sistemas, en vez de una integración a medida por cada agente | Proliferación de agentes inconexos que nadie sabe inventariar ni apagar |
| Observabilidad y control de costo | Atribuir consumo por agente, por proceso y por área desde el primer día | Descubrir el costo real cuando ya está en el presupuesto del año siguiente |
| Frenos determinísticos | Encapsular el componente probabilístico en reglas duras: topes de monto, listas blancas, aprobación humana obligatoria por umbral | Que un error del modelo se convierta en una acción irreversible sobre un sistema productivo |
| Datos gobernados antes que agentes | Dueño, definición única y trazabilidad de las fuentes que el agente va a consumir | Agentes que responden con seguridad sobre información equivocada |
El freno que más rápido paga
De toda la lista anterior, el control con mejor relación entre esfuerzo y riesgo evitado es el umbral de aprobación humana: definir por escrito qué monto, qué tipo de dato y qué tipo de acción exigen que una persona apruebe antes de ejecutar. Se implementa en días, no exige plataforma nueva y es lo primero que va a preguntar auditoría. Si su empresa todavía no tiene ordenado quién es dueño de cada dato, ese es el proyecto anterior — lo desarrollamos en el informe sobre el gobierno de datos en el comité de TI.
6. El enigma del ROI: por qué las horas ahorradas no sirven
La métrica dominante para justificar proyectos de IA sigue siendo "horas-hombre ahorradas", y es una mala métrica por dos razones. La primera es que mide actividad y no valor. La segunda es más incómoda: si nadie define en qué se reinvierten esas horas, el ahorro simplemente se disuelve en trabajo interno adicional y jamás aparece en un estado de resultados.
Con sistemas agénticos el problema se agrava, porque además aparece un costo de cómputo que corre de forma continua y no se detiene cuando termina la jornada. Un marco de cuatro niveles resulta más útil:
Marco de valor en cuatro niveles
- Protección de ingresos. Pérdidas que dejaron de ocurrir: clientes que no se fueron, errores que no llegaron a facturación, incumplimientos que no se pagaron. Es el nivel más fácil de medir y el que casi nadie reporta.
- Habilitación de crecimiento. Ingresos que antes no eran posibles: atender un segmento que no era rentable, responder en un horario que no se cubría, ofrecer un servicio que requería demasiada mano de obra.
- Eficiencia operativa. Costo unitario del proceso — por caso resuelto, por factura procesada, por cotización emitida. Nótese que no es tiempo del equipo: es costo por unidad de trabajo terminado.
- Capitalización de datos. El valor del conocimiento que queda estructurado dentro de la empresa. Es el único nivel que sigue valiendo si mañana cambia de proveedor o de modelo, y por eso es el que conviene proteger.
Una advertencia sobre el método: ninguno de los cuatro niveles se puede medir sin una línea base tomada antes de intervenir el proceso. Es el paso que más se omite y el que después vuelve imposible defender el proyecto ante el directorio.
7. Las capacidades que conviene desarrollar
La pregunta sobre qué habilidades resisten el avance de la IA suele responderse con listas de oficios. Es más útil mirarlo por tipo de tarea: lo que se automatiza bien es la ejecución de un procedimiento conocido; lo que no, es decidir cuál procedimiento corresponde y hacerse cargo del resultado.
De ahí se desprenden cinco capacidades que conviene desarrollar deliberadamente, y que en su mayoría no requieren perfil técnico:
- Especificar bien un problema. Traducir una necesidad difusa de negocio en instrucciones, criterios de aceptación y casos límite verificables. Es la habilidad con mayor efecto inmediato sobre la calidad de cualquier sistema de IA.
- Auditar una salida. Saber cuándo desconfiar de una respuesta bien redactada y cómo verificarla contra la fuente. Un equipo que no sabe auditar termina firmando lo que el sistema propone.
- Diseñar el flujo completo. Ver el proceso de extremo a extremo, identificar dónde entra un agente y dónde debe entrar una persona.
- Juicio de gobernanza. Distinguir qué decisiones se pueden delegar a un sistema y cuáles no, con criterio de riesgo y no de conveniencia.
- Pensamiento sistémico. Anticipar el efecto de segundo orden: qué se rompe aguas abajo cuando este proceso se acelera diez veces.
8. Ruta según el tamaño de la empresa
La mayoría de los marcos de transformación asume un tamaño de organización que no corresponde al de la región. La secuencia realista es esta:
| Tamaño | Primeros 6 meses | Meses 7 a 18 | Qué NO corresponde todavía |
|---|---|---|---|
| Hasta ~50 personas | Un proceso rediseñado de punta a punta, con línea base medida antes de empezar | Replicar el mismo patrón a dos procesos más, sobre la misma base de conocimiento | Comité de IA, plataforma propia, responsable ejecutivo dedicado |
| ~50 a 250 | Dueño explícito del primer proceso y umbrales de aprobación humana por escrito | Uno o dos agentes en producción integrados al CRM, con costo atribuido por proceso | Diez pilotos en paralelo — consumen toda la atención y ninguno escala |
| ~250 a 1.000 | Gobierno de datos con dueños nombrados y estándar único de integración | Capa de orquestación entre agentes, con métricas de valor por nivel | Entrenar modelos propios antes de tener los datos ordenados |
| Más de 1.000 | Plataforma interna con barandas y responsable ejecutivo con presupuesto | Autoservicio gobernado para que las áreas construyan sus propios agentes | Comprar la plataforma antes de haber rediseñado un solo proceso completo |
9. Conclusión
El dato que ordena todo el análisis no es el 88% de adopción sino el 1% de madurez. Entre ambos extremos hay una distancia que ninguna compra cubre, porque no está hecha de tecnología: está hecha de procesos rediseñados, datos con dueño, límites de autoridad escritos y personas capaces de operar el conjunto.
Eso convierte a la transformación con IA en un problema de liderazgo antes que de arquitectura. Las decisiones que la destraban —nombrar un dueño de proceso, aprobar presupuesto de formación por encima del de licencias, escribir qué puede y qué no puede hacer un agente sin permiso— no las puede tomar un área técnica. Y son, casi siempre, las que están pendientes.
Conviene además ser realista con el calendario. Si la proyección de Gartner se cumple aunque sea a medias, los agentes van a llegar a la empresa igual, empaquetados dentro del software que ya se usa. La única variable que la dirección todavía controla es si llegan a una organización que definió sus reglas o a una que las va a improvisar cuando ocurra el primer incidente.
La pregunta que conviene llevar al próximo comité no es cuánta IA estamos usando, sino cuál fue el último proceso que rediseñamos completo y quién es su dueño. Si la respuesta es "ninguno" o "TI", el problema no es de presupuesto ni de proveedor: la organización está automatizando su forma antigua de trabajar, y lo está haciendo cada vez más rápido.
Metodología y fuentes
Datos verificados en fuente primaria: McKinsey & Company — The State of Organizations 2026 (encuesta a más de 10.000 ejecutivos en 15 países y 16 industrias; 88% de las organizaciones despliega IA en al menos parte del negocio; alrededor de un tercio la escala a nivel empresa; el 81% no reporta ganancias significativas en el resultado y solo el 1% describe su despliegue como maduro; cerca de tres cuartas partes de los líderes describen a su organización como no preparada para ejecutar; recomendación de tratar la IA como transformación de toda la organización, con inversión en personas muy por encima de la inversión en tecnología) · Gartner — El 40% de las aplicaciones empresariales incorporará agentes específicos por tarea hacia 2026 (frente a menos del 5% en 2025) · Deloitte — Enterprise AI trends 2026 (el valor proviene del rediseño de procesos y no de su automatización; aplicar IA sobre el flujo existente "industrializa la ineficiencia"; las organizaciones que más avanzan rediseñan un flujo de extremo a extremo antes de escalar; la propiedad de extremo a extremo genera responsabilidad y expone brechas de gobernanza más temprano; construir gobernanza antes de escalar).
Nota de precisión. (1) Circula la afirmación de que "el capital de IA representa el 2% del PIB global, unos USD 650 mil millones anuales". Ambas mitades son inexactas: la cifra de ~2% corresponde al PIB de Estados Unidos, no al global, y los USD 650 mil millones son la inversión de capital proyectada para 2026 de cuatro empresas —Alphabet, Amazon, Meta y Microsoft—, no el total del capital de IA de la economía. El gasto global estimado para el año es del orden de USD 800 mil millones, con Estados Unidos aportando la mayor parte. Por eso el dato no se usa en este informe. (2) Varias cifras que circulan asociadas a este tema —porcentajes de fragmentación arquitectónica, adopción de arquitectura híbrida, IA soberana, cómputo en el borde, o reducciones de costo por uso de modelos pequeños— no pudimos rastrearlas hasta una fuente primaria identificable y por lo tanto se omiten, aunque las tendencias que describen sean reales. (3) Las cifras de McKinsey provienen de una encuesta a ejecutivos: reflejan lo que los líderes reportan sobre sus organizaciones, que no siempre coincide con una medición independiente del despliegue. (4) Las proyecciones de Gartner son escenarios de consultora, no mediciones; se citan como señal de dirección y velocidad, no como certeza. (5) El embudo de despliegue a madurez, los dos conjuntos de imperativos, el marco de valor en cuatro niveles, las cinco capacidades y la ruta por tamaño de empresa son elaboración propia de GrowMkTech a partir de la evidencia citada y de nuestra experiencia implementando agentes y asistentes en Chile y Latinoamérica.