La inversión mundial en inteligencia artificial superó los 250.000 millones de dólares en 2025, pero el efecto sobre las empresas continúa lejos de corresponderse con esa movilización de capital. Solo el 25% declara que la IA empresarial ha generado un impacto transformador, mientras que el 84% todavía no ha rediseñado los puestos de trabajo alrededor de sus nuevas capacidades. La adopción avanza, la estructura organizativa bastante menos.
Kearney y el Foro Económico Mundial sitúan esa diferencia en el centro de The AI-First Operating System: A Blueprint for Operating and Business Model Innovation , publicado en junio de 2026. La investigación analiza patrones identificados entre más de 50 organizaciones avanzadas y recoge aportaciones de más de 150 directivos y expertos a través de entrevistas, talleres y consultas. Su marco abarca tecnología, operaciones, talento y modelo de negocio, áreas que con frecuencia evolucionan a velocidades distintas dentro de una misma compañía.
Los datos generales de adopción proceden de estudios externos citados por el documento. En octubre de 2025, el 82% de los responsables de decisión utilizaba IA semanalmente, frente al 37% registrado en 2023. La cifra del 25% sobre impacto transformador tampoco surge exclusivamente de las empresas estudiadas, sino de una encuesta global incorporada al análisis. Esta precisión metodológica importa: la muestra de organizaciones avanzadas permite observar prácticas situadas en la frontera, aunque sus resultados no constituyen un retorno medio aplicable a cualquier sector o empresa.
La IA empresarial se divide en tres niveles de madurez
El documento distingue entre organizaciones AI-enabled, AI-first y AI-native. La clasificación resulta más útil cuando se traslada a la forma en que funcionan las operaciones.
Una empresa «AI-enabled» utiliza la inteligencia artificial para automatizar o reforzar tareas concretas dentro de procesos existentes. Puede resumir documentos, generar contenidos, clasificar solicitudes o asistir a un programador. El flujo de trabajo apenas cambia y la estructura jerárquica permanece intacta. Si se retiraran las herramientas, la organización seguiría funcionando, aunque con menor velocidad o productividad.
En una empresa «AI-first», los flujos, los puestos y los derechos de decisión están diseñados para que la inteligencia artificial participe en la ejecución ordinaria. Los sistemas intervienen en el análisis, el enrutamiento, las verificaciones y determinadas decisiones, dentro de límites definidos. La retirada de la IA impediría operar con normalidad porque una parte sustancial del modelo productivo depende de ella.
La categoría «AI-native» corresponde a compañías nacidas alrededor de la inteligencia artificial como capacidad de producción. Sus productos, servicios y ventajas competitivas desaparecen si se eliminan los modelos. El valor se acumula mediante un circuito en el que los datos mejoran el sistema, el sistema genera mejores resultados y esos resultados producen nuevas señales para seguir entrenándolo.
Esta taxonomía expone una discrepancia habitual en los programas corporativos. Una organización puede disponer de miles de licencias, registrar un uso elevado de asistentes y mantener, al mismo tiempo, un modelo operativo esencialmente anterior a la IA. La adopción mide acceso y frecuencia. La transformación requiere observar quién decide, cómo circula el trabajo, qué información se utiliza y qué parte del proceso aprende después de cada ejecución.
José Cantera, socio y responsable de IA en Kearney, resume esa distancia al señalar que los asistentes generalistas pueden elevar la productividad individual, pero su efecto sobre la cuenta de resultados es reducido cuando permanecen aislados. El siguiente escalón consiste en codificar el conocimiento propio, entrenar agentes con ese contexto y permitirles intervenir en procesos completos, con supervisión y métricas de negocio.
Un motor de inteligencia que acumula aprendizaje
El primer bloque del sistema operativo propuesto es el «motor de inteligencia», un mecanismo que conecta datos de clientes, conocimiento interno, objetivos, actividad operativa y resultados reales. Cada interacción aceptada, corregida o rechazada se convierte en una señal. Con suficiente disciplina de datos, el sistema aprende qué funciona, bajo qué condiciones y con qué coste.
El informe divide ese motor en tres circuitos. El primero, denominado ciclo de velocidad, reduce el tiempo y el coste de experimentar. La IA genera hipótesis, simula alternativas y valida ideas antes de comprometer recursos físicos o capital. En desarrollo farmacéutico, este enfoque permite avanzar desde una hipótesis hasta una simulación validada en días. En software, puede producir prototipos funcionales a partir de instrucciones en lenguaje natural. En robótica, facilita probar comportamientos en entornos virtuales antes de llevarlos a una instalación real.
Los fallos también tienen valor dentro de este circuito. Una hipótesis descartada estrecha el espacio de búsqueda, mientras que los resultados positivos quedan disponibles para el siguiente ciclo. La velocidad adquiere relevancia cuando el conocimiento generado se conserva y reutiliza; una sucesión de pruebas desconectadas apenas produce ventaja acumulativa.
El ciclo de escala convierte la inteligencia en una plataforma reutilizable. Un sistema desarrollado para vigilar un almacén puede extenderse hacia la detección de cuellos de botella, la intervención sobre incidencias y la optimización del rendimiento. Una plataforma antifraude puede incorporar los resultados de las investigaciones humanas para reducir falsos positivos y mejorar decisiones posteriores.
Claryo, uno de los casos incluidos, procesa unos 50 terabytes de datos visuales mensuales por almacén y vincula la actividad física con métricas económicas diarias. Durante un pico de demanda de Black Friday, uno de sus clientes amplió plantilla y supervisión sin alterar sus costes unitarios. La compañía atribuye a su plataforma una mejora anualizada de 2,56 dólares por pie cuadrado. Más allá de la cifra, el caso muestra cómo la IA gana utilidad cuando conecta una señal operativa, como un palé detenido, con su consecuencia financiera.
El tercer circuito amplía el alcance. Las capacidades desarrolladas para una función se adaptan a otros dominios sin reconstruir desde cero la arquitectura. Harvey comenzó aplicando modelos especializados a contratos, jurisprudencia y litigios. Después extendió la misma base hacia el cumplimiento fiscal y las operaciones corporativas. Osmo utiliza una plataforma entrenada con más de 3.000 millones de moléculas y cinco millones de clasificaciones olfativas para formular fragancias, prever resultados y personalizar productos. Procesos que anteriormente requerían seis meses pueden reducirse, según el informe, a 60 segundos.
En ciencias de la vida, Isomorphic Labs llevó esa lógica hacia problemas que permanecían fuera del alcance de los métodos tradicionales. Su sistema de diseño de medicamentos integra predicción de estructuras, identificación de puntos de unión y selección de candidatos. El documento recoge la detección de un punto de unión conocido y otro oculto en una proteína vinculada a tratamientos contra el cáncer, utilizando como entrada únicamente su secuencia de aminoácidos.
Los resultados son todavía tempranos y proceden de entornos muy distintos. Su valor analítico reside en el mecanismo común: los datos de uso alimentan una capacidad reutilizable, y esa capacidad reduce el coste marginal de abordar la siguiente tarea.
Una arquitectura modular para controlar costes y proveedores
El motor necesita una arquitectura capaz de incorporar nuevos modelos sin rehacer cada aplicación. El informe organiza esa base tecnológica en varias capas: infraestructura, datos, modelos, contexto, orquestación e interfaces utilizadas por empleados, clientes o agentes.
Los sistemas corporativos existentes, como el ERP o el CRM, pueden seguir actuando como fuentes de verdad. La modernización comienza al crear una capa de inteligencia capaz de consultar esos registros, interpretar el contexto y coordinar acciones. La sustitución completa de los sistemas heredados no aparece como requisito inicial.
El control se concentra en tres elementos. La capa de orquestación decide qué modelo ejecuta cada tarea, qué políticas se aplican y qué agente dispone de autoridad. Las pasarelas conectan los modelos con sistemas internos. Las interfaces de programación mantienen los datos propietarios detrás de permisos, registros de auditoría y reglas de acceso.
Esta distribución permite cambiar de proveedor sin alterar el flujo completo. Un servicio de atención al cliente puede sustituir el modelo utilizado en miles de conversaciones y conservar la lógica de enrutamiento, las políticas y el acceso a los datos. La dependencia se desplaza desde un modelo concreto hacia una arquitectura controlada por la empresa.
El documento recomienda gestionar los modelos como una cartera. Los pequeños y económicos sirven para clasificación, programación o tareas repetitivas de gran volumen. Los modelos de frontera quedan reservados para síntesis, razonamiento complejo o actividades con mayor ambigüedad. Los sistemas ajustados con información interna cobran sentido cuando el conocimiento institucional, la privacidad o la propiedad intelectual producen una diferencia verificable.
Gamma ilustra la dimensión financiera de esta asignación. La compañía revisó de forma continua qué tareas debían recaer en modelos avanzados, sistemas especializados, técnicas de orquestación o criterio humano. Seis meses después del lanzamiento, su margen bruto relacionado con la inferencia había pasado aproximadamente del 31% al 77%. El rendimiento económico surgió de ajustar coste y calidad para cada tarea, no de aplicar el modelo más potente a toda la producción.
El contexto también debe recuperarse de manera dinámica. Un técnico de campo necesita el historial actualizado del equipo, el último boletín de servicio y las condiciones específicas de la instalación. Cargar manuales antiguos en una instrucción estática aumenta el riesgo de trabajar con información obsoleta. El sistema ha de consultar la fuente autorizada, resolver qué documento prevalece cuando existen discrepancias y extraer únicamente los datos necesarios.
Indeed construyó una plataforma centralizada basada en Model Context Protocol para conectar modelos, aplicaciones y servicios internos. Esa arquitectura sostiene una experiencia conversacional que permite buscar empleo mediante lenguaje natural en más de 50 países y 27 idiomas. La plataforma incorpora autenticación, evaluaciones automáticas, límites de riesgo y capacidad para intercambiar modelos según coste, rendimiento y latencia.
Rediseñar procesos exige asignar la inteligencia
Los programas corporativos suelen acumular pruebas de concepto porque cada departamento explora herramientas sin compartir datos, evaluaciones o componentes. El informe propone tratar la inteligencia como capital: concentrarla inicialmente en los flujos con mayor capacidad de generar retorno acumulativo.
Tres características orientan esa selección. La primera es la escala y repetición, presente en procesos continuos donde una pequeña mejora se multiplica miles de veces. La segunda es la fricción, visible en esperas, duplicidades, revisiones manuales y traspasos entre áreas. La tercera es la complejidad cognitiva, propia de tareas que exigen analizar mucha información o aplicar criterios con rapidez.
Atención al cliente, compras, suscripción de riesgos, reclamaciones y resolución de incidencias reúnen con frecuencia estas condiciones. Las organizaciones más avanzadas comienzan con entre tres y cinco flujos prioritarios y definen resultados económicos concretos. Genesys inventarió más de 200 casos de uso antes de evolucionar hacia un manual común para priorizar procesos, decidir entre desarrollar o comprar, rediseñar el trabajo y medir el valor.
Una vez elegido el flujo, cada tarea recibe un nivel de intervención. La IA puede actuar, asistir o mantenerse al margen. En un proceso de contratación de proveedores, la dirección fija el objetivo; un agente busca candidatos según criterios financieros; otro sistema analiza documentación legal y tecnológica; una persona conserva la aprobación; la supervisión posterior funciona de manera continua.
Los límites dependen de la consecuencia del error. Una decisión financiera o sanitaria puede exigir precisión cercana al cien por cien y revisión humana. Un resultado destinado al cliente necesita superar umbrales elevados debido al riesgo reputacional. Para un copiloto interno de desarrollo, una tasa de acierto del 70% al 80% puede resultar válida porque el profesional revisa el código antes de desplegarlo.
Coste y latencia modifican también la asignación. La detección de amenazas debe operar sin interrupción. Un agente de atención pierde utilidad cuando tarda más de dos segundos en responder. Una síntesis interna puede consumir varios minutos. Una inferencia científica compleja admite horas o días si la profundidad del resultado lo justifica.
El rediseño completo requiere cambiar el orden de las tareas, reducir traspasos e introducir verificaciones dentro del flujo. Mantener la secuencia anterior y automatizar algunos pasos puede acelerar actividades locales, pero deja intactas las esperas que dominan el tiempo total.
Hacer que la empresa sea legible para los agentes
La parte más estructural del modelo aparece en el concepto de ontología operativa. La organización codifica qué elementos existen, cómo se relacionan, qué reglas se aplican y qué acciones están autorizadas. Los modelos dejan de depender únicamente de instrucciones redactadas para cada caso y trabajan sobre una representación verificable del negocio.
El informe divide esa ontología en datos, lógica y acciones. Los datos describen clientes, activos, contratos, documentos o políticas. La lógica incorpora relaciones, restricciones, umbrales y criterios de decisión. Las acciones establecen rutas, autorizaciones, alertas, escalados y desencadenantes.
En compras, la representación puede contener contratos financieros, certificaciones de seguridad, políticas internas, umbrales de aprobación y registros de auditoría. Un agente consulta esa estructura, solicita documentos ausentes y remite una excepción a la persona responsable. Cada decisión queda vinculada a la información y a la regla que la produjo.
Esta capa favorece la interpretabilidad, el gobierno y la reutilización. Una misma ontología puede sostener varios flujos, reducir duplicidades y formar una representación viva de la actividad. El informe la aproxima a un gemelo digital operativo de la compañía: una imagen actualizada de cómo circula el trabajo y dónde se producen desviaciones.
La visibilidad adquiere mayor peso cuando los agentes modifican su ruta durante la ejecución. Los responsables necesitan conocer qué sistema está actuando, qué datos utiliza, qué decisión ha tomado y cómo intervenir. Los cuadros de mando deben permitir pausar, anular o redirigir procesos, además de registrar la evolución del sistema.
Cognizant exploró este enfoque con más de 53.000 empleados de 40 países en entornos controlados. El acceso inicial a capacidad informática fue amplio y limitado; los proyectos más sólidos recibieron recursos adicionales. Su plataforma 1C conecta cientos de aplicaciones y agentes para 350.000 empleados. Según los resultados recogidos, redujo un 50% los tickets de soporte e incrementó un 50% la eficiencia operativa.
Esas ganancias conviven con nuevos costes variables: computación, llamadas a modelos, licencias, observabilidad, evaluación y perfiles especializados. La productividad adicional puede quedar absorbida por una arquitectura sobredimensionada o por el uso indiscriminado de modelos caros. El control económico debe descender hasta la tarea, con métricas sobre coste por resultado, calidad, latencia y porcentaje de intervención humana.
Talento humano, equipos pequeños y gobierno federado
La incorporación de agentes cambia las capacidades exigidas a los profesionales. El informe describe un perfil en forma de «T»: amplitud para formular problemas, colaborar y comprender sistemas; profundidad en un dominio; y fluidez suficiente para descomponer tareas, aportar contexto y evaluar resultados de IA.
La experiencia sectorial gana relevancia porque permite reconocer errores plausibles, excepciones y límites que un modelo generalista puede pasar por alto. También aumenta el valor del juicio, la priorización y la capacidad para traducir un objetivo empresarial en criterios verificables.
Existe, sin embargo, un riesgo de deterioro de habilidades. Cuando la IA asume la ejecución cotidiana, determinadas capacidades dejan de practicarse. El fallo puede permanecer oculto hasta que el sistema se interrumpe y la organización descubre que el conocimiento tácito ya no está disponible. El informe recomienda mantener activas la formulación de problemas, el tratamiento de excepciones, el pensamiento sistémico y la evaluación, incluso cuando gran parte del trabajo visible esté automatizada.
Los equipos más eficaces tienden a reunir menos de diez personas alrededor de un producto, un proceso o un problema de cliente. Combinan especialistas técnicos, responsables operativos, expertos del dominio, producto y evaluación. El paso desde un prototipo atractivo hasta un servicio fiable depende de esta colaboración continua, con seguridad y cumplimiento incorporados desde el diseño.
A escala corporativa, el modelo propuesto es federado. Un equipo central dirigido desde la alta dirección proporciona infraestructura, modelos aprobados, herramientas de evaluación y límites de seguridad. Las unidades de negocio seleccionan los casos, financian sus proyectos y asumen el retorno en su cuenta de resultados. La centralización completa puede crear colas de solicitudes y alejar las decisiones del cliente; la descentralización sin estándares produce duplicidad y falta de control.
Rakuten aplica esta estructura en más de 70 unidades. Su división de IA y datos, que reporta al consejero delegado, desarrolla plataformas, modelos personalizados, sistemas de recomendación, búsqueda y agentes multilingües. Cada unidad cuenta con responsables que conectan la estrategia común con las necesidades comerciales y mantienen una doble línea de reporte.
La creación de valor continúa después de automatizar
El último bloque lleva la inteligencia al producto y al mercado. Una empresa puede ofrecer IA como función dentro de un servicio, venderla como producto, utilizarla para reorganizar una plataforma, convertirla en infraestructura o mantenerla invisible bajo una experiencia nueva. La elección determina qué percibe el cliente, qué está dispuesto a pagar y dónde se acumulan los datos que mejoran el sistema.
La interfaz conversacional representa solo una posibilidad. En una fábrica, la voz puede resultar más útil que un chat. Contextere sustituyó un proceso de recopilación de información de 47 minutos por una interfaz de voz capaz de reunir contexto casi de inmediato, con reducciones de hasta el 80% en el tiempo de resolución de averías.
El diseño debe ofrecer puntos de partida, plantillas y recomendaciones adaptadas a la tarea. Una pantalla vacía obliga al usuario a saber cómo instruir al sistema. Las aplicaciones más maduras revelan complejidad de forma gradual, recuperan trabajos anteriores y facilitan la revisión entre equipos. También evitan el denominado «AI slop», contenido genérico y de baja calidad que añade volumen sin mejorar el resultado.
La confianza forma parte del producto. Los permisos deben limitarse a cada interacción; la precisión ha de corresponderse con el riesgo; la incertidumbre debe resultar visible; y las decisiones relevantes tienen que ser verificables. En una recomendación comercial, el usuario debería conocer la procedencia de los datos, el nivel de confianza y las acciones que el agente puede ejecutar antes de pedir confirmación.
La novedad, además, retiene poco. El informe cita datos según los cuales menos de uno de cada 16 usuarios mensuales de aplicaciones de IA termina pagando, una conversión un 33% inferior a la de aplicaciones sin IA. Los costes de cambio reducidos facilitan probar varias alternativas. La permanencia depende de resolver un problema recurrente, conservar el contexto y producir resultados consistentes.
El comercio mediante agentes amplía esa competencia. El marco contempla cinco grados: completar trámites después de una decisión, traducir una necesidad en opciones, recordar preferencias, seleccionar dentro de límites y anticipar una necesidad antes de una solicitud explícita. La mayor parte del mercado permanece en el segundo nivel. Las transacciones entre empresas ofrecen un terreno inicial más estructurado porque existen reglas, presupuestos, proveedores autorizados y criterios de compra.
El siguiente movimiento de las empresas españolas
Para las compañías españolas, el marco desplaza la prioridad desde el número de licencias hacia la economía de los procesos. El comité de dirección necesita identificar dónde se acumulan esperas, revisiones y decisiones repetitivas; seleccionar unos pocos flujos; definir métricas de ingresos, coste, riesgo, calidad y tiempo; y asignar responsabilidades entre personas y sistemas.
La transición puede realizarse mediante modelos operativos paralelos. Un flujo rediseñado con IA funciona junto al convencional durante un periodo suficiente para comparar resultados. Esta fórmula reduce el riesgo de sustituir procesos estables antes de comprobar calidad, coste y capacidad de control.
La arquitectura elegida durante esa fase condicionará el margen posterior. Controlar la orquestación, las interfaces con datos propios, las evaluaciones y los permisos permite aprovechar la evolución de los modelos sin rehacer cada integración. También protege el conocimiento interno, un activo que gana peso a medida que la tecnología básica se vuelve accesible para más competidores.
El informe mantiene cautela sobre los efectos duraderos en productividad, empleo y competencia. Todavía se desconoce qué configuraciones serán más resistentes en cada industria. Los casos analizados muestran posibilidades y mecanismos, no una garantía de retorno.
Aun así, el coste de permanecer en la experimentación empieza a crecer. Las empresas que conectan ejecución, datos y aprendizaje acumulan mejoras en cada ciclo. Las que conservan pilotos aislados repiten integraciones, evaluaciones y errores sin generar una base común. La diferencia operativa puede aparecer antes en el margen, el tiempo de respuesta y la capacidad de lanzar productos que en el gasto tecnológico visible.
