TL;DR: El informe The State of AI 2026 de McKinsey confirma lo que muchos gerentes ya intuyen: la IA mejora el día a día de las personas, pero no mueve el margen. El 80% de los empleados dice ser más productivo, pero solo el 37% de las empresas ve impacto positivo en su EBIT. La causa no es la tecnología: es que la mayoría adopta IA en tareas sueltas, sin rediseñar procesos ni medir resultados de negocio. Para una pyme española, el riesgo real es pagar licencias, ver a tu equipo contento y seguir con el mismo margen que hace dos años.
Qué ha pasado
QuantumBlack, la división de IA de McKinsey, publicó su informe anual The State of AI 2026: On the road to ROI. Computing recogió el dato más llamativo: el 80% de los empleados encuestados afirma haber aumentado su productividad gracias a la IA. Suena bien.
El problema está en la otra cifra: solo el 37% de las empresas declara un impacto positivo en su EBIT. El EBIT es el beneficio antes de intereses e impuestos, la medida más directa de si una empresa gana dinero con lo que hace.
Y lo más revelador: ese 37% es prácticamente el mismo porcentaje que el año anterior. La adopción de IA ha llegado ya al 89% de las organizaciones del informe, pero el retorno financiero se ha quedado estancado.
Otros datos del mismo informe: el 52% de los profesionales dice que la IA le ayuda a desarrollar nuevas habilidades y el 50% afirma que facilita la toma de decisiones. Todo positivo a nivel individual. Todo plano a nivel de empresa.
Una nota metodológica antes de seguir: estas cifras vienen de una encuesta global de McKinsey. No son la realidad universal. De hecho, un estudio específico sobre España recoge que el 61% de las empresas españolas obtiene mejoras significativas de productividad gracias a la IA. Los contextos importan. Pero la brecha entre percepción individual y resultado financiero aparece en todos los estudios, y eso sí es una señal consistente.
Por qué te afecta
Esta brecha tiene un nombre: paradoja de la productividad. Ocurre cuando una tecnología mejora el rendimiento de las personas pero no se traduce en mejores resultados para la organización. Ya ocurrió con los ordenadores personales en los años ochenta y con el correo electrónico en los noventa. Tardamos décadas en aprender a capturar ese valor.
Con la IA estamos en el mismo punto, pero con menos paciencia y más presión para justificar la inversión.
¿Por qué ocurre esto? Hay tres razones principales.
Primera: se adopta IA en tareas, no en procesos. Un comercial usa ChatGPT para redactar propuestas más rápido. Perfecto. Pero si el cuello de botella real es que las propuestas esperan tres días a que dirección las apruebe, el tiempo ganado desaparece en la cola. La tarea mejoró. El proceso no.
Segunda: los costes ocultos se comen el ahorro. Una licencia de Copilot cuesta entre 25 y 30 euros por usuario al mes. Para una empresa de 40 personas, son entre 12.000 y 14.400 euros al año solo en licencias. A eso súmale el tiempo de formación, la supervisión de los outputs (alguien tiene que revisar lo que genera la IA antes de enviarlo al cliente), y el retrabajo cuando el modelo se equivoca. Si no mides esos costes, no sabes si estás ganando o perdiendo.
Tercera: nadie mide lo que importa. Las empresas miden adopción: cuántos empleados usan la herramienta, con qué frecuencia, qué valoran. Pero muy pocas miden impacto: ¿cuánto tiempo tardábamos en cerrar un presupuesto antes y cuánto tardamos ahora? ¿Ha bajado la tasa de errores en facturación? ¿Hemos reducido el coste por lead? Sin esas métricas, la IA es un gasto con buenas sensaciones, no una inversión con retorno.
Para una pyme española de 20 a 100 personas, el riesgo concreto es este: llevas un año pagando herramientas de IA, tu equipo está más contento, pero cuando miras el P&L de fin de año, el margen es el mismo. O peor: ha bajado porque los costes de las licencias no los compensó ningún ahorro real.
Eso no significa que la IA no funcione. Significa que la has implantado sin diseño.
Qué hacer con esto
No te pido que abandones la IA ni que esperes a que los estudios sean más favorables. Te pido que cambies el enfoque. Estas son las cinco cosas que puedes hacer esta semana.
1. Elige un proceso completo, no una tarea suelta
Antes de añadir una herramienta nueva, identifica un proceso de negocio con principio y fin: captación de un cliente, gestión de una incidencia, elaboración de un informe mensual. Pregunta dónde está el cuello de botella real. Ahí es donde la IA puede mover el margen. Si la IA acelera un paso que no es el cuello de botella, el proceso no mejora.
2. Define la métrica de negocio antes de empezar
Antes de implantar cualquier herramienta, escribe en un papel: ¿qué número debería cambiar si esto funciona? Puede ser el tiempo de respuesta a clientes, el coste de adquisición, el número de errores en un informe, las horas dedicadas a tareas administrativas. Si no puedes escribir ese número, el caso de uso no está bien definido.
3. Calcula el coste total, no solo la licencia
Haz este ejercicio rápido:
| Concepto | Estimación mensual |
|---|---|
| Licencias (por usuario x número de usuarios) | Variable |
| Tiempo de formación inicial (horas x coste hora) | Una vez |
| Supervisión y validación de outputs (horas/semana) | Recurrente |
| Retrabajo por errores del modelo | Recurrente |
| Integración técnica (si aplica) | Una vez |
Si la suma supera el ahorro estimado en los primeros seis meses, el caso de uso no compensa todavía. Busca otro.
4. Empieza por los casos con retorno claro y repetible
Los mejores candidatos son tareas que se repiten muchas veces, tienen un output verificable y hoy consumen tiempo de personas cualificadas. Ejemplos concretos: clasificación de correos de clientes, generación de primeros borradores de documentos estándar, extracción de datos de facturas o contratos, respuestas a preguntas frecuentes de soporte. Puedes leer más sobre cómo estructurar este tipo de automatizaciones en el post sobre cómo automatizar tu empresa con IA.
5. Asigna un responsable antes de escalar
La IA sin gobernanza es cara. Alguien de tu empresa tiene que ser responsable de revisar qué herramientas se usan, qué datos manejan, qué resultados generan y cuánto cuestan. No necesita ser un perfil técnico. Necesita tener autoridad para decir que sí, que no y que paramos. Si nadie tiene ese rol, cada departamento adopta lo que quiere y el coste se dispara sin control.
Sobre los riesgos de escalar sin control, el post sobre un agente IA que borró toda la base de datos en 9 segundos tiene lecciones que aplican directamente aquí.
Cuándo NO aplica
Hay situaciones en las que este análisis no es prioritario para ti.
Si tu empresa tiene menos de 10 personas, el impacto en EBIT de una o dos herramientas de IA es marginal en términos absolutos. Aquí el criterio es más simple: ¿te ahorra más de dos horas a la semana en algo que haces tú mismo? Si sí, úsala. Si no, no.
Si estás en un momento de reestructuración o crisis de caja, la prioridad no es optimizar procesos con IA. Es estabilizar. La IA no arregla un problema de modelo de negocio.
Si tu equipo no tiene procesos documentados, implantar IA encima del caos solo amplifica el caos. Antes de automatizar, hay que saber qué se está automatizando. Un proceso que nadie sabe describir no se puede mejorar con tecnología.
Si el caso de uso afecta a datos de clientes, necesitas revisar antes el RGPD y, si tu empresa entra en el ámbito del AI Act europeo, los requisitos de transparencia y supervisión humana. Ignorar esto no es una opción: las multas del RGPD pueden llegar al 4% de la facturación anual global. Puedes ver qué implica el AI Act para tu empresa en el post sobre cumplimiento del EU AI Act antes de agosto de 2026.
La pregunta que deberías hacerte esta semana
El informe de McKinsey no dice que la IA no funciona. Dice que la mayoría de las empresas todavía no sabe capturar el valor que genera.
La diferencia entre el 80% de empleados satisfechos y el 37% de empresas con mejor margen no es tecnológica. Es de diseño organizativo. Las empresas que están en ese 37% no tienen mejores herramientas. Tienen mejores preguntas: ¿qué proceso necesita cambiar? ¿Qué métrica vamos a mover? ¿Quién es responsable de que esto funcione?
Si llevas meses usando IA y no puedes responder a esas tres preguntas con datos concretos, tienes un problema de enfoque, no de tecnología.
La buena noticia es que el enfoque se puede corregir sin tirar lo que ya tienes. Muchas veces basta con redefinir el caso de uso, añadir una métrica de seguimiento y asignar un responsable. Eso no cuesta dinero. Cuesta una tarde de trabajo bien hecho.
Si quieres revisar cómo está estructurada la adopción de IA en tu empresa y dónde se está perdiendo el retorno, cuéntame tu caso en /contacto.
Preguntas frecuentes
¿Cuánto dinero necesito invertir para que la IA mejore mi margen?
No hay una cifra universal, pero el problema rara vez es de inversión insuficiente. La mayoría de las pymes que no ven retorno ya están pagando licencias. El problema es que esas licencias se usan en tareas que no mueven el margen. Antes de invertir más, revisa si lo que ya tienes está conectado a un proceso con impacto financiero medible.
¿Cuánto tiempo tarda en verse el retorno de una implantación de IA?
Depende del caso de uso. Para automatizaciones sencillas y repetitivas (clasificación de correos, generación de documentos estándar), el retorno puede verse en dos o tres meses. Para proyectos más complejos que implican rediseño de procesos, lo razonable es esperar entre seis y doce meses antes de evaluar. Si a los seis meses no tienes ninguna métrica que haya mejorado, algo está mal en el diseño, no en la tecnología.
¿Quién dentro de mi empresa debería ser responsable de la IA?
No necesita ser un perfil técnico. Puede ser el responsable de operaciones, el director general en empresas pequeñas, o un mando intermedio con visión de proceso. Lo importante es que tenga autoridad para decidir qué herramientas se usan, qué datos manejan y cuándo se para un proyecto que no está funcionando. Sin ese rol, la adopción se fragmenta y los costes se disparan sin control.
¿Qué pasa con los datos de mis clientes si mi equipo usa herramientas de IA?
Depende de qué herramienta usen y cómo. Si los empleados pegan datos de clientes en ChatGPT o herramientas similares sin configuración empresarial, esos datos pueden usarse para entrenar modelos, lo que puede incumplir el RGPD. La solución no es prohibir la IA: es establecer qué herramientas están aprobadas, con qué configuración y para qué tipos de datos. Eso requiere una política interna, no un proyecto tecnológico.
¿El 37% de empresas con mejora de EBIT es una cifra representativa de España?
No necesariamente. Es una cifra global del informe de McKinsey. Un estudio específico sobre España recoge que el 61% de las empresas españolas obtiene mejoras significativas de productividad. Los contextos, sectores y tamaños de empresa varían. Lo que sí es consistente en todos los estudios es la brecha entre percepción individual de productividad y resultado financiero medible. Esa brecha existe en España también, aunque los porcentajes exactos difieran.
Fuentes
- El 80% de los empleados gana productividad con la IA, pero solo el 37% de las empresas mejora sus resultados — Computing
- AI: more productivity, but little impact on EBIT — Democrata
- McKinsey & Company en X
- The AI Productivity Paradox Leaders Need To Solve — Forbes
- AI Helps 80% Of Workers, But Enterprise Profit Gains Stay Flat — Quasa
- El 61% de las empresas españolas obtiene mejoras significativas de productividad gracias a la IA — CIO
