El ajuste de cuentas de la IA en el trabajo: mucho uso, pero poco ROI demostrado

No es una crisis de adopción, sino de confianza

El informe no sugiere que las empresas estén abandonando la IA. De hecho, G-P afirma que todos los ejecutivos encuestados la usan . El cambio es más concreto: los líderes empiezan a pasar de la fase de despliegue a la fase de prueba. Quieren saber si las herramientas realmente ahorran tiempo, reducen costes, mejoran la calidad o aceleran procesos importantes.

Ese giro contrasta con el ánimo del ciclo anterior. En el informe AI at Work 2025 de G-P, el 91% de los ejecutivos decía estar escalando activamente iniciativas de IA y el 74% afirmaba que la IA era crítica para el éxito de su empresa . El informe de 2026 mantiene la idea de uso extendido, pero pone el acento en la rendición de cuentas, la validación y el retorno de la inversión .

Otros estudios apuntan a una brecha parecida entre inversión y valor capturado. Boston Consulting Group informó que el 60% de las empresas no estaba logrando valor material de la IA a escala, mientras otro 35% obtenía algunos retornos pero reconocía no avanzar lo bastante lejos o rápido . McKinsey también encontró que el 92% de las empresas planeaba aumentar sus inversiones en IA durante tres años, aunque solo el 1% de los líderes describía a su organización como lo suficientemente madura para tener la IA plenamente integrada en los flujos de trabajo y generando resultados sustanciales de negocio .

El coste escondido: cuando la IA acelera una parte y carga otra

Una de las razones por las que el ROI puede decepcionar es sencilla: una tarea puede hacerse más rápido, pero el proceso completo no necesariamente se vuelve más eficiente.

G-P señala que el 69% de los ejecutivos afirma que los empleados pasan más tiempo supervisando, revisando o actualizando trabajo generado por IA . En la práctica, una herramienta puede producir borradores, respuestas, código o resúmenes con rapidez, pero trasladar la carga a personas que deben verificar precisión, corregir errores, reescribir resultados o gestionar riesgos.

Por eso conviene distinguir entre producción bruta y productividad neta. Si un equipo genera más materiales con IA, pero luego necesita más horas de revisión, el retorno real depende de todo el flujo de trabajo, no solo del paso automatizado. Una investigación de Workday resumida por Channel Insider llega a una conclusión similar: el tiempo que la IA ahorra puede verse compensado por retrabajo, como corregir errores, reescribir contenidos y comprobar resultados generados por IA .

La productividad “de escaparate” entra en el radar directivo

El informe también pone nombre a un riesgo menos técnico, pero muy relevante para la gestión: confundir actividad con valor.

Según G-P, el 88% de los ejecutivos teme que los empleados usen IA para parecer productivos o para cumplir expectativas de uso sin producir resultados significativos, y el 47% está muy o extremadamente preocupado de que eso ya esté sucediendo .

La advertencia es clara: medir el éxito de la IA por señales superficiales puede llevar a conclusiones engañosas. Inicios de sesión, número de prompts, cantidad de borradores generados o encuestas internas sobre uso pueden mostrar actividad, pero no prueban que el trabajo sea mejor, más rápido, más seguro o más rentable.

La paradoja humana

Uno de los hallazgos más sensibles del informe es que el 82% de los ejecutivos dijo que la IA ha reducido el valor que asignan a los empleados humanos . El dato llama la atención porque el mismo estudio indica que las personas siguen siendo necesarias para revisar, supervisar y actualizar trabajo generado por IA en niveles importantes .

La lectura no debería ser que el talento humano se ha vuelto irrelevante. Más bien, sugiere que muchas organizaciones podrían estar infravalorando el juicio, el contexto y la responsabilidad necesarios para convertir una salida de IA en trabajo útil. McKinsey ha defendido que las empresas deberían concentrarse en aplicaciones prácticas que empoderen a los empleados en su día a día y conecten la IA con resultados medibles, en lugar de tratarla como un simple despliegue tecnológico aislado .

Cómo deberían cambiar las métricas de éxito

La lección principal del informe de G-P es que las empresas necesitan medir la IA por resultados, no por adopción. Un cuadro de mando más útil debería incluir:

1. Impacto de negocio: contribución a ingresos, reducción de costes, mejora de experiencia del cliente, reducción de riesgos o entrega más rápida de trabajo validado.
2. Productividad neta: tiempo ahorrado menos tiempo dedicado a revisar, corregir, reescribir o actualizar resultados generados por IA.
3. Calidad: tasas de error, escalaciones, problemas de cumplimiento, satisfacción del cliente y porcentaje de resultados aceptados sin retrabajo relevante.
4. Integración en procesos: si la IA está incorporada a un flujo de trabajo de alto valor, no solo disponible como otra herramienta más.
5. Apalancamiento humano: si ayuda a las personas a tomar mejores decisiones y hacer trabajo de mayor valor, en lugar de limitarse a aumentar el volumen de producción.
6. Responsabilidad presupuestaria: si cada caso de uso tiene dueño, línea base, métrica de éxito y fecha de revisión antes de ampliar el gasto.

La pregunta práctica deja de ser “¿cuánta gente usa IA?” y pasa a ser “¿qué trabajo validado mejora gracias a la IA?”.

La conclusión

El informe AI at Work 2026 de G-P no cuenta una historia anti-IA. Cuenta una historia de rendición de cuentas. La misma encuesta que muestra uso universal también revela que el 73% de los ejecutivos quedó decepcionado con al menos algunas inversiones y que cerca del 70% podría recortar gasto si no ve avances este año .

Como se trata de respuestas de ejecutivos, no debe leerse como una prueba auditada de que la IA ha fallado. Sí muestra algo importante: la carga de la prueba cambió de lado. En la siguiente etapa de la IA en el trabajo, desplegar herramientas será menos importante que demostrar valor empresarial medible, fiable y validado por personas.