IA a gran escala: de la experimentación al valor real para el negocio
Esto marca un cambio claro. Las organizaciones ya no pueden confiar en la inversión especulativa ni en enfoques de implementación dispersos. Hubo un tiempo en que el impulso por sí solo, impulsado por esta tendencia creciente y una persuasiva presentación de transformación, era suficiente para asegurar presupuesto y buena voluntad. Ahora, inversores y accionistas están preparados —y dispuestos— a hacer una distinción mucho más clara entre el bombo de la IA y el valor de la IA.
95% de líderes de alto nivel confirmaron a principios de año que la IA está teniendo un impacto en su organización* | 80% de líderes han reestructurado equipos en los últimos 2 años para implementar IA* | 72% de los acontecimientos geopolíticos confirmados en los últimos 6 meses han acelerado sus planes de IA** |
* Barómetro de alto nivel: perspectivas 2026
**Barómetro de alto nivel: análisis de mitad de año 2026
La brecha de retorno de inversión de la IA
Cada año, realizamos investigaciones para entender las prioridades y los problemas que están en el corazón de los negocios de nuestros clientes. Nuestro barómetro de alto nivel recopila las opiniones de miles de ejecutivos de todo el mundo, ofreciéndonos una visión valiosa sobre las tendencias y transformaciones que afectan a las empresas.
Seis meses después de nuestras perspectivas iniciales para 2026, nuevos hallazgos de nuestras perspectivas de mitad de año refuerzan la confianza que los líderes tienen en el potencial de la IA y ahora revelan los primeros rendimientos de las inversiones en IA. Sin embargo, no se pueden valorar realmente los rendimientos globales sin considerar la magnitud de la inversión. Ahora bien, la proporción del presupuesto invertido en IA aumenta drásticamente con los ingresos, como era de esperar, pero lo que hemos encontrado es que el 15% de las organizaciones han invertido más de una quinta parte de su presupuesto en IA, y el 35% han invertido menos del 10%.
86% de líderes de alta dirección confirmaron que la IA ha hecho que sus equipos sean más productivos* | 63% de los líderes de alta dirección reportan rendimientos de hasta un 10% en sus inversiones en IA, con un quinto equipo registrando mayores ganancias** | 33% afirma que su negocio está completamente equipado y listo para adaptar su estrategia en respuesta al ritmo de los futuros desarrollos en IA |
Para la mayoría de las organizaciones, la falta de retorno de inversión en IA suele deberse a cuatro componentes críticos:
Falta de estrategia - Demasiadas veces, la motivación ha sido simplemente usar IA, a menudo basada en presiones de inversores o competencia, en lugar de resolver un problema empresarial definido. La implementación ha seguido la tecnología más que la necesidad.
Definición inadecuada de los casos de uso - Las organizaciones han priorizado casos de uso horizontales por sobre aquellos específicos para cada industria, han escogido herramientas que no son adecuadas para el objetivo o han establecido métricas y expectativas incorrectas. Con frecuencia, estos tres problemas ocurren al mismo tiempo
Gobernanza débil - La baja calidad de los datos, junto con límites o clasificaciones poco claros, ha dificultado incluso las iniciativas que cuentan con mayores recursos. Hasta grandes empresas tecnológicas como Google continúan enfrentando estos desafíos, lo que demuestra la importancia de diseñar una gobernanza adecuada a la escala y necesidades de cada organización.
Gestión del cambio inadecuada: La falta de compromiso de los equipos, liderazgo y apoyo ha dificultado la adopción de la IA.
Esto no significa frenar su implementación. La innovación avanza rápidamente y quienes no adopten su potencial podrían quedar atrás. Sin embargo, para generar valor, la IA debe implementarse con una estrategia clara, casos de uso bien definidos y bases sólidas de datos y gobernanza.
Cómo usar la IA para generar valor real en el negocio
La IA transforma profundamente los modelos operativos y las prioridades del negocio, por lo que no debe implementarse como una tecnología aislada. Requiere una base sólida de datos y gobernanza, además de una definición clara del problema que busca resolver.
“Las organizaciones más exitosas son aquellas que ya contaban con bases sólidas en datos y gobernanza, o que utilizaron la IA como impulso para una transformación digital más amplia antes de implementarla a gran escala”.
— Michael Fried, Principal, Forvis Mazars US
La IA debe entenderse como una herramienta para resolver desafíos estratégicos, no como un fin en sí misma. Su valor depende de saber cuándo utilizarla y cuándo otra solución puede ser más adecuada.
Una implementación efectiva requiere objetivos claros, una respuesta proporcional y foco en resultados concretos.
Parte 1 – Claridad en los casos de uso
La primera pregunta que debe hacerse una organización es si existen distintos problemas de negocio con ineficiencias, datos o necesidades similares que puedan resolverse mediante una misma solución.
Analizar los casos de uso por separado suele generar esfuerzos duplicados y resultados fragmentados. En cambio, identificar desafíos relacionados permite implementar soluciones más coherentes y de mayor valor.
Casos de uso horizontales y verticales
Aquí cobra importancia la diferencia entre implementaciones horizontales y verticales. Estos conceptos provienen del mundo de TI: “escalar horizontalmente” equivale a agregar más pistas a una carretera congestionada, mientras que “escalar verticalmente” implica reemplazar los vehículos por otros más rápidos y eficientes.
En IA, los casos de uso horizontales suelen adoptar la forma de asistentes generales orientados a aumentar la productividad de los equipos. Sin embargo, su impacto es difícil de medir. Una hora ahorrada que no se destina a un resultado concreto y cuantificable no representa necesariamente un ahorro real.
Por su naturaleza amplia, los casos de uso horizontales suelen ser difíciles de evaluar y, por sí solos, rara vez justifican la inversión.
Los casos de uso verticales, en cambio, automatizan tareas manuales, procesan grandes volúmenes de datos o coordinan procesos completos. Al estar vinculados con funciones y resultados específicos, son más fáciles de medir y justificar, incluso cuando requieren una mayor inversión inicial.
Los casos de uso de mayor valor son aquellos que resuelven problemas reales del negocio y cuentan con métricas de éxito cuantificables.
Una vez identificado el problema y su caso de uso vertical, estas preguntas ayudan a determinar si la IA puede generar valor:
1. ¿Es la IA la herramienta adecuada?
La IA es una solución avanzada y su uso debe ser proporcional al valor del problema. Si una automatización basada en reglas, un rediseño de procesos o un mejor panel de control pueden resolverlo, probablemente sean opciones más adecuadas.
También deben evaluarse desde el inicio la calidad y disponibilidad de los datos, además del impacto ambiental. En muchos casos, soluciones sin IA pueden alcanzar resultados similares con menores costos económicos y ambientales.
2. ¿Qué tipo de IA es el más adecuado?
Si la IA es la solución correcta, el siguiente paso es definir qué tipo utilizar. Las ventajas y desafíos varían entre interfaces conversacionales, generación aumentada por recuperación de información, sistemas autónomos y arquitecturas multiagente.
Pensar la IA tarea por tarea suele limitar su potencial. Es preferible diseñar ecosistemas de capacidades que permitan abordar varios problemas relacionados mediante una implementación coordinada.
“Las organizaciones que están generando valor real con la IA no piensan tarea por tarea, sino en ecosistemas de capacidades. Una implementación bien diseñada puede resolver varios problemas a la vez, siempre que se analice el modelo operativo en su conjunto”.
— Laurent Inard, Partner, Head of Research & Development, Forvis Mazars en Francia
Los modelos de lenguaje existentes suelen ser más robustos, eficientes y mantenerse actualizados. Sin embargo, también requieren una gestión rigurosa de riesgos, terceros, gobernanza y supervisión.
3. ¿Cuáles son las métricas de éxito adecuadas?
Uno de los principales desafíos es definir indicadores incorrectos. Los KPI deben estar vinculados con el problema estratégico y demostrar valor real para el negocio.
Métricas como la reducción de los tiempos de respuesta, la disminución de errores o la aceleración de la generación de valor son más útiles que conceptos vagos como productividad o eficiencia.
4. ¿El caso de uso funciona correctamente sin IA?
En la mayoría de los casos, el proceso debería funcionar adecuadamente antes de incorporar IA. Si está mal definido o presenta fallas, la IA probablemente amplificará esos problemas en lugar de resolverlos.
Impuesto corporativo: un caso de uso preparado para el valor de la IA
Las organizaciones están experimentando claros ahorros fiscales a corto plazo gracias a procesos y análisis mejorados por IA, lo que ofrece un ROI claro en las implementaciones relevantes de IA. Esto se debe a que el impuesto corporativo suele ser ideal para la implementación de la IA gracias a sus sólidas bases operativas y de gobernanza:
● Los equipos fiscales cuentan con procesos operativos bien establecidos y estandarizados ● Los datos suelen estar bien estructurados y gobernados gracias a los requisitos de cumplimiento ● Las funciones fiscales suelen implicar procesos manuales y análisis de datos exhaustivo
La clave para una implementación exitosa de la IA es, como siempre, la calidad y estandarización de los datos y procesos. El impuesto corporativo descentralizado también puede obtener valor de la IA, pero las operaciones y datos centralizados significan un camino más claro hacia el valor de la IA.
Las implementaciones de IA han tenido un éxito particular en casos de uso repetitivos y con muchos datos, como:
● Cumplimiento y reporte ● Facturación electrónica y presentación ● Análisis de datos de compras y adquisiciones (e integración post-fusión) |
Parte 2 – Preparación en gobernanza y datos
La gobernanza suele verse como un freno para la implementación de IA, cuando en realidad puede acelerarla. Definir desde el inicio los criterios de gobernanza, cumplimiento y riesgo ayuda a evitar que los proyectos queden estancados antes de su lanzamiento por problemas detectados demasiado tarde.
El principio clave es aplicar una gobernanza proporcional. Los controles y responsabilidades deben ajustarse a la naturaleza, escala, nivel de riesgo e impacto de cada caso de uso. Por ejemplo, un sistema que toma decisiones frente a clientes requiere controles muy distintos a una herramienta interna de resumen.
“Las organizaciones se complican porque aplican la misma gobernanza a todos los casos de uso, sin considerar su nivel de riesgo ni su potencial de valor. Es ahí cuando la gobernanza se convierte en una barrera”.
— Sofia Ihsan, AI Consulting Leader, Forvis Mazars en Reino Unido
También es importante alinear las ambiciones con el nivel real de madurez de la organización en datos, arquitectura y capacidades de los equipos. Cuando no existe esa alineación, puede ser necesaria una transformación más profunda antes de implementar IA.
Establecer un acuerdo de flujo de trabajo
Para pasar de la intención a la acción, cada caso de uso debe contar con un acuerdo que defina cinco elementos:
Límite del proceso: dónde comienza y termina.
Métrica de resultado: qué cambio concreto y medible se espera.
Límite de decisión: qué puede hacer la IA de forma autónoma y qué requiere revisión humana.
Límite de datos: qué información puede utilizar y cuál está restringida.
Responsable del proyecto: quién lidera la adopción y responde por los resultados.
La preparación de los datos sustenta todo este proceso. Las organizaciones deben ajustar sus expectativas a su nivel real de madurez, ya que una implementación prematura puede generar poco valor, incluso si se ejecuta correctamente.
Seguridad y cumplimiento desde el diseño
La seguridad y el cumplimiento deben gestionarse con el mismo criterio de proporcionalidad. Los controles deben responder al nivel de riesgo de los datos, procesos, personas y sistemas involucrados.
Ambos aspectos deben integrarse desde la etapa de diseño, no dejarse para una revisión final. Para ello, las organizaciones deben contar con criterios estandarizados de clasificación de datos, registro, trazabilidad y conservación de información.
También es fundamental definir un mecanismo para detener o desactivar la IA cuando disminuya su calidad o se comporte de manera inadecuada. Antes del despliegue, debe quedar claro cómo se detectarán estos problemas, cómo se mantendrá la continuidad del proceso y quién tendrá la autoridad para tomar decisiones.
“Más que otras tecnologías, la transformación con IA exige aceptar los errores y aprender, recuperarse e iterar con rapidez. Una base sólida de datos y gobernanza permite construir esa resiliencia”.
— Florence Sardas, Partner, Chief Transformation Officer, Forvis Mazars Group
Parte 3 – Gestión del cambio
Pasar con éxito de un piloto de IA a una implementación a escala requiere definir con claridad el alcance, los plazos y las métricas de éxito de cada etapa. Un piloto no debe evaluarse con los mismos criterios que una implementación masiva.
Más allá de lo técnico, el principal desafío suele ser preparar, involucrar y motivar a los equipos para adoptar la solución.
Impacto en los equipos y temor al reemplazo
Las organizaciones que obtienen mayor valor de la IA la utilizan para potenciar a sus equipos, no simplemente para reemplazarlos. Sin embargo, los colaboradores difícilmente adoptarán estas herramientas si creen que ponen en riesgo sus puestos de trabajo.
Por eso, es fundamental comunicar con claridad que la IA busca mejorar la eficiencia y apoyar el crecimiento. Las personas deben comprender cómo estas herramientas transformarán su trabajo y qué nuevas capacidades necesitarán desarrollar.
“Parte de la gestión del cambio consiste en mostrar cómo los colaboradores pueden perfeccionarse, adquirir nuevas habilidades o asumir funciones distintas dentro de sus áreas. Sin esa visión, la adopción será pasiva o enfrentará resistencia”.
— Ali-Sultan Kirgizbaev, Head of Data & AI Centre of Excellence, Forvis Mazars Group
Generar compromiso desde la etapa piloto
Para avanzar del piloto a escala, los resultados deben ser concretos, visibles y fáciles de demostrar. Mostrar impactos en indicadores financieros u operativos ayuda a generar confianza y respaldo para una adopción más amplia.
La capacitación también es clave. Los equipos deben comprender los beneficios, límites y expectativas asociados al uso de IA, especialmente en materia de ciberseguridad, privacidad de datos y herramientas externas.
También deben conocer el impacto ambiental de estas soluciones y priorizar alternativas de menor impacto cuando sean suficientes.
Finalmente, el proceso para evaluar y aprobar nuevos casos de uso debe ser claro y visible. Una gobernanza repetible permite analizar nuevas iniciativas con foco en resultados reales, evitando adoptar tecnología solo por novedad.
El liderazgo marca la pauta
La adopción comienza desde la alta dirección. Los líderes deben usar estas herramientas, hablar abiertamente sobre sus beneficios y limitaciones, y fomentar la experimentación responsable.
Una organización cuyo liderazgo incorpora la IA en su trabajo diario tendrá una adopción muy distinta a otra que delega su uso sin involucrarse.
“Las organizaciones exitosas no necesariamente implementarán más rápido, sino de forma más coherente, con prioridades claras y una ejecución más disciplinada. Así generarán valor real y podrán escalar como nunca antes”.
— Florence Sardas, Partner, Chief Transformation Officer, Forvis Mazars Group
El CEOEnfoque: definir dónde debe generarse valor.
El principal riesgo no es hacer demasiado poco, sino hacer demasiado sin generar impacto.
● Ancla la IA en los resultados empresariales: exige que cada iniciativa de IA esté vinculada a un apalancamiento de ingresos, un factor de coste o un proceso de decisión clave. ● Reduce el enfoque para generar un impacto real: Prioriza un número limitado de casos de uso multifacéticos y de alto valor, y evita repartir la inversión entre demasiadas iniciativas ● Asuéltate de la narrativa de la transformación: posicionar claramente la IA como una palanca para mejorar la productividad y la toma de decisiones, no como un programa de reducción de plantilla; Comunica de forma coherente en toda la organización ● Alinear al equipo directivo en cuanto a valor y horizonte temporal: asegurarse de que el CFO, el CIO y los líderes empresariales coincidan en cómo es el éxito, cómo se mide el valor y cuándo se esperan los retornos ● Institucionalizar la adaptabilidad en la ejecución: alejarse de las hojas de ruta de transformación estáticas, implementar la repriorización trimestral de iniciativas y los ciclos de decisión rápida a nivel ejecutivo ● Defender el cumplimiento desde el diseño: exigir una gobernanza y cumplimiento rigurosos de tamaño adecuado, incluso cuando la regulación siga siendo un objetivo en movimiento. Abogar por medidas proporcionadas y basadas en el riesgo cuando no existan marcos claros. | El CFOEnfoque: asegurarse de que el valor se mide y se realice.
Tratar la IA como una inversión tradicional en TI es un error. El valor es progresivo, está vinculado a la adopción y es desigual entre casos de uso.
● Traslada la conversación de la capacidad al rendimiento: busca y sigue métricas operativas, no solo los resultados técnicos (tiempos de ciclo, aumentos de productividad, reducción de errores, creación de capacidad, etc.) ● Construir un marco robusto de ROI y seguimiento de valor: seguir los costes reales de inversión (incluyendo datos, integración, cambio) y los beneficios realizados (no solo los proyectados); Distinguir entre ganancias de eficiencia a corto plazo e impacto empresarial a largo plazo ● Financia capacidades, no iniciativas fragmentadas: asigna presupuestos a fundaciones de datos, plataformas de IA y componentes compartidos ● Escalonar las inversiones y aplicar la disciplina: vincular la financiación a hitos y a resultados/tasas de adopción medibles ● Reasignar recursos a medida que se materializa el valor: ajustar proactivamente la asignación de personal y las estructuras de costes ● Incluir preocupaciones de cumplimiento en el "discurso sobre el rendimiento": impulsar la visibilidad del cumplimiento y la gobernanza como parte de las conversaciones sobre el rendimiento de casos de uso. Establecer controles de auditoría continuos para garantizar la alineación continua. | El CIO & CTOEnfoque: hacer que el valor sea escalable y sostenible.
Perseguir la última tendencia en IA sin bases sólidas aumentará la fragilidad en lugar de el valor.
● Prioriza los datos y la gobernanza como bases: invierte en la calidad, accesibilidad y propiedad de los datos, e integra la gobernanza en todas las iniciativas de transformación, no solo en la IA ● Diseña para la transformación a nivel empresarial: ir más allá de los casos de uso tácticos, identificar capacidades multipropósito, garantizar la reutilización entre funciones y alinear las iniciativas de IA con una transformación digital más amplia ● Establecer patrones repetibles para escalar: estandarizar enfoques de clasificación de datos, entornos de procesamiento aprobados por IA ("zonas") y mecanismos de validación con personas en el bucle ● Centrarse en la integración en los flujos de trabajo principales: integrar la IA en los procesos empresariales existentes y en los flujos de toma de decisiones, y garantizar la interoperabilidad entre sistemas ● Centrarse en la integración en los flujos de trabajo principales: integrar la IA en los procesos empresariales existentes y en los flujos de toma de decisiones, y garantizar la interoperabilidad entre sistemas ● Operacionalizar el cumplimiento: puente entre las estrategias de cumplimiento y la ejecución técnica. Asegura la transparencia en cada etapa. |
Del entusiasmo por la IA a la generación de valor
Para las organizaciones que han retrasado la implementación de IA o no han obtenido los resultados esperados, aún es posible ajustar el rumbo sin perder terreno.
Aunque una transformación real requiere tiempo, estas acciones pueden ayudar:
Revisar el estado actual: crear un inventario de los casos de uso existentes y priorizarlos según su capacidad para resolver problemas reales del negocio.
Definir nuevas métricas de éxito: vincular cada caso de uso con indicadores concretos, pasando del foco en las capacidades al foco en el desempeño.
Crear planes de salida: establecer criterios para detener o retirar las iniciativas que ya no generen valor.
Fortalecer las bases: utilizar los aprendizajes de las implementaciones actuales para mejorar la gobernanza, los datos y la estrategia.
Construir una cartera de iniciativas: ordenar los casos de uso nuevos y existentes según su impacto, esfuerzo, riesgo, disponibilidad de datos, infraestructura y capacidades necesarias.
“No se deje llevar por los titulares. Observe su organización y construya una estrategia central enfocada en generar valor real. Esto permitirá justificar nuevos casos de uso, fortalecer las bases y avanzar con mayor resiliencia y confianza”.
— Michael Fried, Principal, Forvis Mazars US
