El 88% de las empresas ya usa IA. Solo el 6% gana con ella. Esta es la cadena que explica la brecha.
Casi todos tienen acceso a la tecnología. Casi nadie tiene retorno. La explicación no está en las herramientas.
El AI Index de Stanford reporta que el 88% de las organizaciones encuestadas ya usa IA. McKinsey encuentra que solo el 39% puede atribuirle algún impacto en resultados, y solo alrededor del 6% captura valor significativo. La brecha no la explican las herramientas. La explica una cadena de cuatro eslabones en la capa humana: seguridad psicológica, adopción, autoeficacia, retorno.
La brecha: el acceso es casi universal, el retorno es raro
¿Cuántas empresas ya están usando inteligencia artificial? No las que están pensando en usarla, no las que están leyendo sobre ella: las que ya la usan en alguna parte del negocio. Según el AI Index de Stanford, la respuesta es casi nueve de cada diez (el 88% de las organizaciones encuestadas).
Ahora la pregunta que cambia la conversación. De todas esas empresas que ya tienen IA, ¿cuántas pueden decir con claridad “esto nos está dejando dinero”? Una encuesta global de McKinsey reporta que solo el 39% puede atribuirle a la IA algún impacto en sus resultados, y aun dentro de ese grupo, la mayoría dice que ese impacto representa menos del 5% de sus utilidades. ¿Las que capturan valor significativo? Alrededor del 6%.
El 88% la usa. El 39% ve impacto. El 6% está ganando. Ese es el problema central de la IA en los negocios hoy: casi todos tienen acceso, casi nadie tiene retorno.
La pregunta equivocada: “¿qué herramienta usa el 6%?”
La reacción natural ante esa brecha es preguntar qué compraron los ganadores que los demás no. Pero esa no parece ser la diferencia. La mayoría usa las mismas plataformas, los mismos modelos, los mismos chatbots y automatizaciones que cualquier empresa podría empezar a usar hoy. La diferencia no está en la herramienta: está en el método. Cuando uno mira con cuidado qué separa a las organizaciones que capturan valor de las que solo experimentan, aparecen dos patrones.
Primero: no le pusieron IA encima al proceso de siempre. Rediseñaron el proceso. Muchas empresas hacen lo contrario. Compran una herramienta, la conectan a un flujo que ya era confuso, lento o mal diseñado, y esperan que la IA lo arregle. La IA no convierte un mal proceso en uno bueno; muchas veces solo hace que el mal proceso se mueva más rápido. Cuando automatizas el caos no obtienes claridad. Obtienes caos con mejor velocidad.
Segundo: su gente realmente la usa.No en el sentido de “hicimos una prueba”, ni de “tenemos licencias disponibles”, ni de “algunos empleados curiosos la usan de vez en cuando”. Adopción real: uso consistente, integrado en cómo se decide, cómo se escribe, cómo se analiza, cómo se responde, cómo se vende. Y esa parte, la parte humana de la adopción, es exactamente donde se rompen muchas estrategias de IA. No porque la gente sea resistente por naturaleza ni porque sea floja. Se rompe porque se les pide adoptar una tecnología nueva sin rediseñar el trabajo, sin reducir la incertidumbre y sin crear las condiciones para aprender sin miedo.
La cadena: cómo el acceso se convierte en retorno
El Marco de la Capa Humana plantea la explicación como una cadena de cuatro eslabones. Para que la IA produzca retorno, primero tiene que usarse bien. Para que se use bien, la gente tiene que sentirse capaz de usarla; en psicología eso se llama autoeficacia: la sensación, basada en experiencia acumulada, de “esto yo lo puedo hacer”. Y para que una persona llegue a sentirse capaz, primero tiene que poder aprender sin miedo: probar, equivocarse, hacer una mala pregunta, decir “no entendí” sin sentir que eso la hace ver incompetente. Eso es seguridad psicológica.
La cadena se lee así: seguridad psicológica, adopción, autoeficacia, retorno.
El primer eslabón es investigación establecida, no intuición. En un estudio con más de dos mil empleados de una consultora global, la seguridad psicológica aumentó las probabilidades de que una persona adoptara la IA en casi un 30% (Reich et al.). Los eslabones por separado tampoco son nuevos: la seguridad psicológica y la autoeficacia llevan décadas de investigación en psicología organizacional. Lo que el marco propone es la conexión completa, desde la seguridad psicológica hasta el retorno de inversión, como explicación de por qué tan pocas empresas capturan valor. Esa propuesta está marcada como nuestra, y esta publicación existe para mostrar cómo se aplica, dónde funciona y qué resultados da. Este trabajo no se trata de vender miedo. Se trata de construir criterio.
¿Por qué no esperar los estudios definitivos?
Una objeción justa: ¿por qué no esperar unos años a que existan estudios longitudinales sobre todo esto? En otro tema, tal vez esa sería la respuesta correcta. Pero la IA no se está moviendo al ritmo de la investigación académica. Cuando muchos de esos estudios se publiquen, los modelos, las interfaces y las formas de trabajar que estudiaron probablemente pertenecerán a otra generación tecnológica. Eso no significa ignorar la evidencia; significa hacer algo más difícil. Combinar evidencia seria con teoría aplicada, observación disciplinada y experimentación responsable. No alarmas, no magia, no promesas fáciles. Método.
Qué significa esto para tu negocio
Algo liberador: no estás compitiendo contra el 88%. Muchas de esas empresas tienen acceso, herramientas, curiosidad y pilotos. No necesariamente tienen retorno. La mayoría sigue dentro de la misma brecha entre usar la IA y capturar valor real con ella. La ventaja no está en empezar primero, sino en empezar mejor: diagnosticar antes de automatizar, rediseñar el proceso antes de meterle IA, preparar a la gente antes de exigir resultados y definir qué significa retorno antes de construir cualquier sistema.
Para eso existe la Matrix de Impacto vs. Riesgo: una herramienta sencilla de una página para decidir dónde tiene sentido empezar con IA y dónde conviene esperar. No todo lo que se puede automatizar debe automatizarse primero, y no todo lo que se siente urgente es lo que más retorno genera. Es gratis.
La IA no premia al que corre más rápido hacia la herramienta nueva. Premia al que entiende mejor el sistema que está intentando mejorar.
Preguntas frecuentes
¿Cuántas empresas realmente ganan dinero con la IA?
Adopción y ganancia son números muy distintos. El AI Index de Stanford (2026) reporta que el 88% de las organizaciones encuestadas ya usa IA en alguna parte del negocio. Una encuesta global de McKinsey encuentra que solo el 39% puede atribuirle a la IA algún impacto en sus resultados, y solo alrededor del 6% captura valor significativo. La mayoría vive en la brecha entre usar la IA y ganar con ella.
¿Por qué fallan la mayoría de las implementaciones de IA?
Dos patrones separan a los que ganan. Primero, rediseñan el proceso en lugar de ponerle IA encima al proceso de siempre; automatizar un mal proceso solo lo hace moverse más rápido. Segundo, su gente realmente adopta la herramienta: uso consistente integrado al trabajo diario, no pilotos ni licencias sin usar. La parte humana de la adopción es donde se rompen la mayoría de las estrategias.
¿Qué es la Capa Humana en la adopción de IA?
La Capa Humana es el conjunto de creencias, condiciones y capacidades que determinan si las personas adoptan una herramienta de IA y obtienen retorno de ella. Se describe con una cadena de cuatro eslabones: la seguridad psicológica abre la puerta a la adopción, la adopción construye autoeficacia, y la autoeficacia sostiene un uso lo bastante profundo para producir retorno.
¿La seguridad psicológica realmente afecta la adopción de IA?
Sí, y este eslabón es investigación establecida, no opinión. En un estudio con más de dos mil empleados de una consultora global (Reich et al.), la seguridad psicológica aumentó las probabilidades de que una persona adoptara la IA en casi un 30%. La evidencia también muestra que la seguridad predice si las personas empiezan, no con qué profundidad usan la herramienta después.
¿Conviene esperar estudios más definitivos antes de actuar?
Esperar tiene un costo: la IA se mueve más rápido que el ciclo de investigación académica, y cuando esos estudios longitudinales se publiquen, los modelos que estudiaron pertenecerán a una generación tecnológica anterior. La alternativa de trabajo es combinar la evidencia seria que ya existe con teoría aplicada, observación disciplinada y experimentación responsable.
Fuentes
- Stanford Institute for Human-Centered AI (2026). The AI Index Report.
- McKinsey & Company (2025). The State of AI. Global survey.
- Reich, A., Wolfe, D., Price, M., Choe, A., Kidd, F., & Wagner, H. (2026). Safety First: Psychological Safety as the Key to AI Transformation. arXiv. https://arxiv.org/abs/2602.23279
Publicado: 11 de julio de 2026