Muchas empresas están utilizando inteligencia artificial por la inteligencia artificial: como una obligación, como una casilla que hay que marcar en el plan estratégico o como demostración de que no se están quedando atrás. A veces se convierte incluso en un divertimento corporativo: una prueba llamativa, una sesión de ideas, un asistente que sorprende durante unos minutos y una colección de pilotos que nadie sabe muy bien cómo conectar con el negocio.
Esto no significa que experimentar sea inútil. Experimentar es necesario, especialmente con una tecnología cuya capacidad cambia tan deprisa. El problema empieza cuando confundimos actividad con progreso y damos por hecho que usar más IA equivale a transformar mejor la empresa.
En la encuesta global de McKinsey sobre el estado de la IA en 2025, el 88% de los participantes afirmaba que su organización ya utilizaba IA de forma regular en al menos una función. Sin embargo, solo el 39% declaraba algún impacto en el resultado operativo a escala de empresa, y el grupo que atribuía a la IA un impacto significativo era mucho más pequeño. Las conclusiones preliminares del Project NANDA, una iniciativa vinculada al MIT, describen una brecha parecida: mucha experimentación, pero poca transformación cuando las herramientas no encajan en los flujos de trabajo y en la realidad cotidiana de la organización. La distancia entre uso e impacto sigue siendo enorme, y no se explica únicamente por la calidad de los modelos: muchas empresas empiezan la conversación por el lugar equivocado.
La pregunta equivocada
La pregunta habitual es «¿dónde podemos poner IA?», cuando la pregunta realmente útil sería «¿dónde deja de fluir el negocio?». La diferencia parece semántica, pero cambia por completo el tipo de proyecto que aparece al otro lado.
Si empiezas por la tecnología, encontrarás posibilidades casi irresistibles. Puedes convertir una idea en un prototipo funcional en pocos días, construir un configurador que antes habría exigido meses de desarrollo, crear un asistente capaz de leer miles de contratos, generar imágenes de producto en segundos, preparar una propuesta comercial completa a partir de una conversación, escribir cientos de artículos, simular escenarios, detectar defectos en una fotografía o dar a un equipo pequeño capacidades que hasta hace poco parecían reservadas a una gran empresa, a un equipo enorme o a una cantidad de recursos de los que tú no dispones. Algunas de estas aplicaciones rozan la magia cuando se ven por primera vez. Pero que algo sea técnicamente posible, rápido o espectacular no significa que vaya a mejorar el negocio.
Acelerar una tarea no es mejorar el sistema
Una empresa no es una colección de tareas independientes, sino un sistema de flujos conectados por los que circulan información, materiales, compromisos con clientes, documentos, validaciones, decisiones y excepciones. El resultado no depende de la velocidad de cada pieza por separado, sino de cómo funciona el conjunto y de qué punto está regulando su capacidad en cada momento.
Imaginemos una empresa donde preparar una oferta comercial lleva demasiado tiempo. La respuesta tecnológica parece evidente: utilizar IA para redactar ofertas más rápido. La herramienta funciona, el borrador aparece en minutos y la demo es impecable, pero las ofertas continúan llegando tarde al cliente porque antes de enviarlas hay que validar el margen. Si seguimos preguntando, descubrimos que esa validación se retrasa porque falta información técnica. La información falta porque los requisitos del cliente están repartidos entre correos, notas comerciales y conversaciones que no llegan de forma estructurada a operaciones. Y esto ocurre porque nadie ha diseñado el recorrido completo de la información desde la conversación comercial hasta la decisión final.
La empresa creía que tenía un problema de redacción, cuando en realidad tenía un problema de flujo y responsabilidad. La IA había acelerado una parte visible, pero no la parte que regulaba el resultado. Incluso podía empeorar la situación: más borradores preparados significaban más documentos esperando validación, más cambios, más interrupciones y una cola mayor delante del mismo punto crítico.
Que una mejora sea real no significa que mejore el resultado global.
Este patrón se repite de muchas formas. Se automatiza la entrada de pedidos, pero el límite está en su validación; se generan más oportunidades comerciales, pero el equipo no puede hacer un buen seguimiento; se producen más informes, pero nadie tiene autoridad para tomar la decisión que sugieren; se clasifican incidencias más rápido, pero la resolución depende de una persona saturada; o se crea contenido a gran velocidad cuando el límite real está en la distribución, la confianza o la demanda. En todos estos casos hay una mejora local, pero no necesariamente una mejora empresarial.
La diferencia puede observarse incluso dentro de una misma empresa. Doritos, una marca de PepsiCo, desarrolló con IA un programa para jugadores de PC que detectaba y eliminaba del chat de voz el ruido de masticar captado por el micrófono durante las partidas en línea. Para entrenarlo, la compañía analizó más de 5.000 sonidos de crujidos. Era una activación de marca ingeniosa y muy visible, pero la compañía no publicó una mejora de ventas, margen o capacidad asociada a ella. En cambio, cuando PepsiCo aplicó IA y gemelos digitales al diseño de plantas y almacenes, afirmó haber aumentado el throughput un 20% y reducido la inversión necesaria entre un 10% y un 15%.
BMW ofrece un contraste parecido: utilizó IA para proyectar sobre un Serie 8 obras creadas a partir de 50.000 imágenes, sin asociar la iniciativa a una métrica empresarial; en su planta de Regensburg, un sistema de mantenimiento predictivo evita más de 500 minutos de interrupción del montaje cada año. En todos los casos había IA. Solo en los segundos podía observarse el cambio en una variable que regulaba el sistema.
Una ineficiencia no es una restricción
Aquí aparece una distinción importante: una ineficiencia no es lo mismo que una restricción. Una empresa puede tener decenas de tareas lentas, herramientas incómodas y procesos mejorables, pero no todos esos problemas están limitando su capacidad para vender, producir, entregar, cobrar, decidir o crecer.
La restricción es el punto que marca el ritmo del sistema. Puede ser una máquina, pero también una validación, un dato que nunca llega bien, una regla interna, una persona con conocimiento escaso, una decisión que nadie quiere asumir, una capacidad comercial insuficiente o incluso la falta de demanda. Mejorar cualquier otra cosa puede ahorrar tiempo o esfuerzo; mejorar ese punto cambia lo que el sistema es capaz de conseguir.
Intervenir en el punto que regula el flujo
Por eso «¿qué podemos hacer con IA?» es una pregunta demasiado amplia. Conviene sustituirla por otra mucho más exigente: «¿qué está limitando ahora mismo un resultado que importa?». El matiz temporal también es esencial, porque una restricción no es eterna. Cuando se resuelve, el límite se desplaza y una solución que funciona puede hacer visible el siguiente problema.
Si automatizamos la revisión documental, quizá el nuevo límite aparezca en la aprobación. Si aceleramos la preparación de ofertas, puede aparecer en la capacidad de entrega. Si reducimos los errores de facturación, tal vez descubramos que el problema principal está en cómo se formalizan los acuerdos comerciales. Mejorar una empresa no consiste en instalar una solución y dar el trabajo por terminado, sino en observar cómo cambia el flujo después de intervenir.
Antes de añadir tecnología también conviene entender por qué el punto crítico rinde por debajo de su capacidad. Quizá no necesite más potencia, sino menos interrupciones, información completa, una separación clara entre casos normales y excepciones, criterios de decisión explícitos o que el resto de la organización deje de enviarle trabajo defectuoso, incompleto o fuera de secuencia. Solo después tiene sentido preguntarse si hay que ampliar su capacidad y si la IA es la mejor forma de hacerlo.
Este orden importa. Si se ignora, la IA se convierte en una capa sofisticada sobre una causa que sigue intacta; si se respeta, puede reunir información dispersa justo antes de una decisión, leer documentación que bloquea un proceso, detectar desviaciones antes de que se conviertan en incidencias, aplicar criterios repetibles y enviar únicamente las excepciones a una persona. También puede preservar contexto entre departamentos y permitir que los profesionales con conocimientos más especializados concentren su atención en los casos que realmente requieren juicio. La diferencia no está tanto en la tecnología utilizada como en el lugar que ocupa dentro del flujo.
Seis preguntas antes de añadir IA
Para evaluar una oportunidad de IA con seriedad, empieza con seis preguntas.
1. ¿Qué resultado queremos cambiar?
El objetivo no puede ser «usar IA». Debe expresarse como un cambio de negocio reconocible: reducir el tiempo de respuesta, aumentar capacidad, evitar errores, proteger margen, mejorar conversión, acortar el cobro o dar más fiabilidad a una decisión.
2. ¿Dónde se acumula realmente la espera, el retrabajo o la incertidumbre?
No tiene por qué ser el lugar donde hay más quejas. Hay que seguir el trabajo de principio a fin y observar dónde se detiene, vuelve atrás o necesita una intervención extraordinaria.
3. ¿Por qué ocurre?
No basta con la primera respuesta. «Error humano» no es una causa suficiente y «faltan datos» tampoco; hay que continuar hasta encontrar la condición del sistema que produce el error, la ausencia del dato o la dependencia de una persona.
4. ¿Ese punto limita el resultado completo o solo es una molestia local?
Esta es probablemente la pregunta más incómoda, pero también la que evita invertir en mejoras que producen un ahorro aparente sin modificar el resultado empresarial.
5. ¿Cuál es la intervención mínima que puede cambiar el flujo?
Puede ser IA, pero también una integración, una regla, una responsabilidad mejor definida, un cambio de secuencia, un dato obligatorio o la eliminación de un paso que no aporta valor.
6. ¿Cómo sabremos que el sistema ha mejorado?
No lo sabremos por el número de licencias, prompts, agentes o documentos generados, sino por el tiempo total, la capacidad entregada, los errores evitados, el margen recuperado, las decisiones resueltas o el servicio que recibe el cliente.
El coste de equivocarse de problema
Esta forma de pensar es especialmente vigente hoy. Durante años, construir una solución tecnológica era suficientemente caro como para obligar a las empresas a escoger; ahora producir una demo, conectar un modelo o lanzar un piloto es mucho más fácil. Eso es una buena noticia, pero también reduce el coste de equivocarse de problema.
Podemos optimizar más cosas, más rápido y con menos inversión inicial. Podemos generar mejoras locales por toda la organización y llenarla de asistentes que ahorran minutos sin modificar una sola de las variables que determinan su rendimiento. Cuanto menos escasa es la tecnología, más escaso se vuelve el foco.
La evidencia reciente apunta en la misma dirección. El AI Index 2026 de Stanford observa que los mayores aumentos de productividad se concentran en trabajos estructurados, medibles y con resultados que se pueden supervisar. Por su parte, la encuesta de McKinsey muestra que las organizaciones que obtienen más impacto no se limitan a añadir herramientas, sino que rediseñan los flujos de trabajo donde la IA debe operar y conectan la intervención con objetivos de crecimiento, innovación o eficiencia empresarial. No hacen IA por la IA; cambian una forma de trabajar.
La tecnología no es el punto de partida
Por eso en Monreal & Meadow no empezamos buscando dónde colocar una tecnología. Seguimos el trabajo, observamos cómo circula la información, entendemos dónde se detienen las decisiones y distinguimos un síntoma de una causa y una molestia de una restricción. Solo entonces decidimos si la respuesta es IA, automatización, una integración, una herramienta interna, un cambio operativo o simplemente dejar de hacer algo.
La IA no debería ser el punto de partida, sino, cuando corresponde, una parte precisa de la solución.
Fuentes citadas
- McKinsey — The state of AI in 2025: Agents, innovation, and transformation.
- Stanford HAI — 2026 AI Index Report: Economy.
- Project NANDA — The GenAI Divide: State of AI in Business 2025, conclusiones preliminares.
- PepsiCo — Doritos Silent.
- PepsiCo — AI and digital twins in plant and supply chain operations.
- BMW — The Ultimate AI Masterpiece.
- BMW Group — Smart maintenance using artificial intelligence.