Amy Webb advierte que el auge de productividad de la IA está atrapando a las empresas en el purgatorio de los pilotos
Amy Webb ha lanzado una contundente advertencia a través de un reportaje de Fortune destacado en Google News: la IA abarata el contenido, al tiempo que hace que las empresas sean más difíciles y costosas de operar.
La advertencia cuestiona la suposición de que una producción más rápida crea automáticamente valor económico. Las empresas ahora pueden generar presentaciones, análisis, código y propuestas en cuestión de horas. Sin embargo, muchas no logran integrar ese resultado en decisiones, flujos de trabajo o retornos medibles.
Webb, CEO de Future Today Strategy Group, compara este mercado con una mala aplicación de citas. La plataforma se beneficia cuando los usuarios siguen buscando en lugar de formar vínculos duraderos. De forma similar, los proveedores de IA empresarial se benefician cuando los clientes siguen lanzando pilotos, comprando tokens y probando modelos sin completar un despliegue sostenible.
Esta dinámica hace que el auge actual se parezca a la era de las puntocom, aunque con una complicación adicional. La burbuja de internet financió empresas que a menudo carecían de negocios operativos. La economía de la IA ya cuenta con productos útiles, ingresos sustanciales y ganancias reales de productividad.
Su debilidad está en otra parte. La IA puede producir más trabajo del que las organizaciones pueden evaluar, gobernar o absorber. La tecnología logra generar resultados, mientras que el negocio que la rodea no consigue convertirlos en resultados concretos.
La advertencia de Amy Webb cambia el debate sobre la burbuja de la IA en Google News
El cambio más importante no es que la IA haya dejado de funcionar de repente. Es que una producción exitosa puede generar nuevos costes organizativos más rápido de lo que las empresas los reconocen.
Webb expuso ese argumento en un análisis de Fortune del 30 de agosto sobre la economía de la IA. Le dijo a la publicación que la IA abarata la producción mientras encarece casi todo lo demás dentro de las empresas.
Su planteamiento distingue esta advertencia de las afirmaciones habituales de que la IA generativa es mera exageración. Los modelos pueden redactar documentos convincentes, analizar información, generar software y crear presentaciones. Esas capacidades son precisamente las que producen el nuevo problema.
Cuando crear una presentación llevaba una semana, un equipo podía recibir una sola presentación cuidadosamente preparada. Cuando la IA reduce ese trabajo a un día, los directivos pueden recibir cinco presentaciones que abordan cuestiones superpuestas.
El coste de producir cada documento baja. El coste de revisarlos, compararlos, validarlos y decidir entre ellos aumenta.
Webb llama a esto “ahogarse en presentaciones”. Un ejecutivo le contó que sus subordinados directos estaban sufriendo parálisis de decisión porque tenían demasiado análisis, no demasiado poco. Otro describió las “insta-decks” que llegan a un ritmo cinco veces mayor que antes.
Se trata de un desajuste de capacidad. Los sistemas generativos amplían la oferta de trabajo plausible sin ampliar al mismo ritmo la atención ejecutiva, la revisión legal ni el criterio organizativo.
La advertencia sobre la economía de la IA también introduce la comparación con las aplicaciones de citas. Webb sostiene que una plataforma de citas se beneficia cuando los usuarios continúan buscando en vez de irse tras encontrar pareja.
El mercado de la IA empresarial puede generar un incentivo similar. Los proveedores obtienen ingresos mientras los clientes experimentan, consumen recursos informáticos y añaden suscripciones. No es necesario que un cliente complete un despliegue rentable para que ese gasto continúe.
Mientras tanto, los ejecutivos pueden señalar los pilotos activos como prueba de que están respondiendo a la IA. Un piloto parece más seguro que rediseñar un flujo de trabajo importante. Limita la exposición inmediata y evita decisiones difíciles sobre la rendición de cuentas.
Esa seguridad puede convertirse en una trampa. Cada piloto genera otra demostración, informe o presentación estratégica. La empresa obtiene evidencia de que la IA puede realizar una tarea, pero no prueba de que esa tarea encaje en un proceso operativo sostenible.
Webb afirma que los ejecutivos describen esta situación como “purgatorio de los pilotos”. Los equipos siguen probando aplicaciones sin integrarlas en los sistemas jurídicos, de tecnologías de la información, de compras o de negocio ya establecidos.
Cuando termina un piloto, otro equipo puede volver a empezar desde cero. La empresa paga repetidamente por el descubrimiento mientras conserva poca memoria institucional de los intentos anteriores.
El resultado es una peculiar forma de abundancia. Los empleados pueden producir más material, pero los ejecutivos tienen menos certeza sobre qué merece actuar. Las organizaciones adquieren más capacidad de IA sin poder explicar su contribución económica.
No es un fracaso de generación. Es un fracaso de conversión.
Un modelo convierte indicaciones en resultados. Una empresa debe convertir los resultados en decisiones, comportamiento, ingresos, ahorros o menor riesgo. Son procesos distintos, con responsables y restricciones diferentes.
Esta distinción replantea el debate sobre la burbuja. La pregunta ya no es si la IA puede producir un trabajo impresionante. La pregunta es si las empresas pueden absorber ese trabajo sin crear una costosa capa de revisión y confusión.
El gasto en IA empresarial sigue aumentando antes de que lleguen los retornos
Los compradores empresariales enfrentan presión en ambas direcciones: los consejos esperan avances visibles en IA, mientras que los equipos operativos tienen dificultades para demostrar que sus pilotos mejoran los resultados financieros.
Una encuesta de Bain citada por Fortune abarcó 951 empresas de todo el mundo. Casi el 40 por ciento de los encuestados que medían ahorros de costes con IA lograron menos del 10 por ciento, pese a apuntar a retornos de entre el 11 y el 20 por ciento.
El déficit no detuvo la inversión. El noventa por ciento de las empresas encuestadas afirmó que planeaba aumentar sus presupuestos de IA.
Esa combinación importa más que cualquiera de las dos cifras por separado. Unos ahorros medidos débiles normalmente podrían reducir el gasto. En IA, la ansiedad competitiva anima a las empresas a gastar más antes de entender por qué los despliegues existentes quedaron por debajo de las expectativas.
Nadie quiere parecer rezagado. Los altos directivos han visto acelerarse la adopción por parte de los consumidores y mejorar las capacidades de los modelos. También escuchan afirmaciones de que pequeños equipos nativos de IA pueden superar a competidores establecidos de mayor tamaño.
Por ello, la opción políticamente más segura dentro de muchas empresas es otro piloto. Cancelar el trabajo de IA puede parecer tímido. Aprobar un experimento parece una respuesta adecuada, incluso cuando la organización carece de una vía que lleve de la demostración a la producción.
Datos más amplios sobre adopción muestran la misma brecha. La encuesta de adopción de IA de McKinsey concluyó que el 88 por ciento de los encuestados informó de un uso regular de IA en al menos una función empresarial.
Solo alrededor de un tercio dijo que sus organizaciones habían empezado a escalar programas de IA en toda la empresa. La mayoría seguía en fases de experimentación o piloto.
El impacto financiero fue más limitado. El treinta y nueve por ciento atribuyó algún impacto de la IA en las ganancias empresariales. La mayoría de ese grupo dijo que la IA representaba menos del 5 por ciento de las ganancias antes de intereses e impuestos.
Estos resultados no significan que la tecnología carezca de valor. Muestran que el uso, la escala y el valor financiero son tres mediciones diferentes.
Un empleado puede usar regularmente un chatbot sin cambiar la economía de una empresa. Un departamento puede desplegar un agente sin rediseñar el flujo de trabajo a su alrededor. Una empresa puede ahorrar tiempo de los empleados sin capturar esas horas como menores costes o mayor producción.
Las empresas suelen contar la actividad porque es fácil de observar. Hacen seguimiento de licencias, indicaciones, usuarios, código generado y documentos completados. Esas cifras demuestran consumo, no necesariamente valor.
Una medición útil debe conectar el sistema con un resultado empresarial. Esto podría incluir una resolución de casos más rápida, menores costes de soporte, mayor conversión de ventas, ciclos de desarrollo más cortos o menos errores de cumplimiento.
Incluso entonces, la atribución sigue siendo difícil. Un equipo puede mejorar después de adoptar IA porque también cambió de liderazgo, depuró sus datos o simplificó un proceso. El modelo no merece ni todo el mérito ni toda la culpa.
Los costes generan otra fuente de presión. Fortune informó que se proyectaba que el gasto mundial en IA alcanzaría los 2,5 billones de dólares en 2026, un aumento del 44 por ciento respecto al año anterior.
Algunos directores de información ya han endurecido el uso. Samsara, por ejemplo, supervisa diariamente los gastos de IA y aplica distintos límites de consumo según el trabajo de los empleados.
Docusign ajustó sus agentes de programación después de descubrir que examinaban cantidades excesivas de su base de código para obtener contexto. La empresa afirmó que reducir el material recuperado disminuyó el uso de tokens en casi un 50 por ciento.
Estos ejemplos muestran que la producción conlleva costes que una demostración pulida puede ocultar. Una demostración prueba que un modelo puede completar una tarea. No revela el gasto del uso repetido entre miles de empleados.
La producción también introduce revisiones de seguridad, controles de identidad, permisos de datos, requisitos de auditoría, formación y soporte. Cada componente añade trabajo más allá del resultado visible del modelo.
El verdadero objetivo de la presión es el comprador empresarial. Los proveedores pueden informar de un uso creciente mientras los clientes asumen el coste de la integración y el cambio organizativo.
Los consejos de administración acabarán exigiendo una respuesta más clara. Preguntarán qué sistemas de IA cambiaron resultados medibles, cuáles simplemente desplazaron trabajo y cuáles generaron más material del que nadie necesitaba.
Un flujo de trabajo de IA bien gestionado puede reducir el esfuerzo fragmentado al conectar la información con una decisión definida. La clave es la decisión definida, no el volumen de resultados.
Sin ese ancla, ampliar el acceso a la IA puede amplificar la confusión existente. Los equipos crean más rápido, los directivos revisan durante más tiempo y los presupuestos siguen creciendo mientras la rendición de cuentas permanece difusa.
La inversión central: más productividad puede significar menos progreso
La inversión económica central de la IA es simple: unos resultados más baratos aumentan el volumen de trabajo, pero la organización sigue teniendo una capacidad limitada para juzgarlos y utilizarlos.
Las medidas tradicionales de productividad suelen considerar una mejora una mayor producción por hora. Esa lógica funciona cuando las unidades adicionales tienen una demanda clara y una calidad constante.
El trabajo del conocimiento no siempre se comporta de esa forma. Una empresa rara vez se beneficia de recibir cinco recomendaciones estratégicas cuando los líderes solo pueden financiar una. Más alternativas pueden retrasar el compromiso en lugar de mejorarlo.
La IA también reduce el coste de producir trabajo mediocre. Una propuesta ya no requiere suficiente convicción como para justificar varios días de esfuerzo. Cualquiera puede generar un documento pulido antes de comprobar si la idea subyacente importa.
La calidad de una presentación puede ocultar un razonamiento débil. Una presentación puede contener un lenguaje convincente, gráficos organizados y recomendaciones detalladas. Su apariencia profesional no garantiza supuestos precisos ni un juicio útil.
Esto crea un impuesto de revisión. Los directivos deben determinar qué partes proceden de evidencia fiable, cuáles fueron inferidas y cuáles se generaron sin un contexto adecuado.
El impuesto de revisión se extiende por todos los departamentos. Los equipos jurídicos examinan la responsabilidad. Los equipos de seguridad evalúan la exposición de datos. Finanzas cuestiona las estimaciones de ahorro. Los líderes operativos deciden si los empleados realmente cambiarán su comportamiento.
Un piloto puede evitar gran parte de esta fricción porque opera en un entorno controlado. La producción no puede.
La producción requiere un responsable estable, datos aprobados, supervisión, vías de escalado y un plan para los errores. También requiere que alguien decida cuándo la IA no debe actuar.
Estos requisitos explican por qué los pilotos técnicamente exitosos siguen estancándose. La organización demostró que un modelo podía realizar una tarea, pero no construyó el sistema circundante necesario para confiar en ese desempeño.
La investigación de McKinsey identifica el rediseño de los flujos de trabajo como una línea divisoria importante. Las organizaciones que obtienen valor hacen más que colocar una interfaz de IA junto a un proceso antiguo.
Cambian funciones, incentivos, interfaces y métricas. Establecen mecanismos de retroalimentación y asignan una responsabilidad explícita sobre la adopción.
Ese trabajo es lento porque expone desacuerdos que un piloto puede ocultar. Los equipos deben decidir quién es propietario de los datos, quién acepta el riesgo y qué presupuesto financia el uso continuo.
El problema de “ahogarse en presentaciones” es el mismo mecanismo a menor escala. La IA elimina un cuello de botella de producción y luego revela un cuello de botella de decisión.
Un equipo de marketing puede generar 30 conceptos de campaña de la noche a la mañana. Eso no significa que la marca deba ejecutar 30 campañas. Las personas aún deben seleccionar una audiencia, aprobar las afirmaciones, asignar dinero e interpretar los resultados.
Un equipo de software puede generar más código. Los ingenieros aún deben revisar la arquitectura, probar casos límite, mantener dependencias y dar soporte al servicio desplegado.
Un equipo de investigación puede resumir cientos de documentos. Alguien aún debe determinar si el conjunto de fuentes está completo y si las pruebas contradictorias cambian la conclusión.
Estas tareas requieren contexto, responsabilidad y criterio. Son más difíciles de automatizar porque sus resultados correctos dependen de las prioridades de la organización, no de una respuesta universal.
Por tanto, la promesa de productividad contiene una suposición oculta. Supone que la organización circundante puede absorber todo lo que produce el modelo.
Esa suposición suele fallar. Los directivos ya enfrentan bandejas de entrada saturadas, paneles de control que compiten entre sí y reuniones repetidas. La IA añade otro canal de información de gran volumen, salvo que la empresa elimine los anteriores.
La solución no es automáticamente otro modelo. Un modelo con mejor razonamiento puede mejorar los resultados individuales, pero también puede generar documentos más extensos y convincentes.
Cuanto más capaz se vuelve el sistema, más fácil es crear análisis que merecen una revisión seria. Eso puede aumentar la carga sobre expertos escasos.
La observación de Webb sobre las ideas genéricas añade otra preocupación. Cuando muchos equipos dependen de modelos similares, pueden producir estrategias, lenguaje y recomendaciones similares.
Esto crea la apariencia de un análisis amplio sin diversidad genuina. Cinco presentaciones generadas podrían representar un único centro de gravedad estadístico expresado de cinco maneras.
Las empresas corren entonces el riesgo de confundir el volumen con una confirmación independiente. La repetición se vuelve especialmente persuasiva cuando todos los documentos parecen pulidos.
La mejor respuesta no es rechazar el trabajo generado. Es definir qué debe cambiar ese trabajo antes de producirlo.
Un proyecto útil comienza con una decisión operativa, una línea de base medible, un responsable y un umbral para continuar. El componente de IA pasa entonces a servir a esa estructura.
El purgatorio de los pilotos empieza en la dirección opuesta. Una empresa comienza con una herramienta, busca aplicaciones y celebra repetidamente la viabilidad técnica.
Ese proceso puede prolongarse indefinidamente porque los modelos siguen mejorando. Cada lanzamiento crea un motivo para volver a probar el mismo flujo de trabajo.
La comparación con las aplicaciones de citas se vuelve más clara aquí. La búsqueda misma se convierte en el producto. Las empresas siguen siendo clientes activos porque el próximo modelo o agente podría finalmente crear la coincidencia prometida.
Por qué la comparación con las puntocom encaja y dónde deja de hacerlo
El paralelismo con las puntocom encaja porque el capital está financiando capacidad antes de que se demuestren los retornos, pero los productos de IA actuales ya ofrecen utilidad real y una demanda considerable.
Durante el auge de internet, los inversores reconocieron correctamente que las redes y el comercio digital transformarían la economía. A menudo se equivocaron sobre qué empresas capturarían ese valor y con qué rapidez aparecerían los beneficios.
La IA presenta la misma separación entre importancia tecnológica y disciplina de inversión. Una tecnología puede transformar la sociedad mientras fracasan muchos negocios construidos a su alrededor.
Webb sostiene que la situación actual podría ser peor porque la IA hace más que atraer capital especulativo. También inunda de producción barata a organizaciones que ya funcionan.
Un minorista puntocom fallido podía perder dinero de los inversores y cerrar. Una implementación de IA mal gobernada puede reformar decisiones, dotación de personal, flujos de información y costes operativos dentro de una empresa por lo demás saludable.
El gasto en infraestructura eleva lo que está en juego. George Lee, codirector del Goldman Sachs Global Institute, estimó que la inversión total en infraestructura de IA podría alcanzar eventualmente entre 7 y 8 billones de dólares.
Lee sostuvo que desplazar los actuales grupos de beneficios no generaría suficiente retorno. La inversión requeriría actividad económica netamente nueva.
Es un estándar exigente. Los ahorros de costes suelen transferir valor en lugar de crearlo. Si todas las empresas usan IA para reducir gastos laborales similares, la competencia puede trasladar gran parte del beneficio a los clientes.
Los nuevos productos, mercados y demanda ofrecerían una base más sólida. Sin embargo, esas oportunidades tardan más en demostrarse que una exhibición de productividad.
Jim Covello, de Goldman, ha subrayado el problema de los plazos. Acepta que la adopción por parte de consumidores y el progreso técnico superaron sus expectativas, pero sigue siendo escéptico sobre el retorno eventual de la inversión en infraestructura.
Su prueba es práctica. Si la industria sigue calificando la tecnología como “temprana” después de otros dos años, resulta más difícil justificar una rentabilidad aplazada.
El caso optimista merece el mismo peso. Los negocios de IA están generando ingresos reales, y las herramientas de programación han mostrado mejoras medibles en algunos entornos.
Un análisis de The Atlantic informó de que la adopción empresarial de pago se expandió sustancialmente durante 2025 y 2026. También describió una demanda creciente de agentes de programación de Anthropic, OpenAI y Anysphere.
Una investigación reciente citada en ese análisis de productividad de IA concluyó que las herramientas más nuevas ayudaron a los desarrolladores a terminar las tareas asignadas casi un 20 por ciento más rápido que un grupo de control.
Ese resultado invirtió un experimento anterior en el que los desarrolladores que usaban IA tardaron un 20 por ciento más. La calidad de las herramientas y la experiencia de usuario cambiaron lo suficiente como para alterar el resultado medido.
Por eso, una conclusión simple de que “la IA es otra burbuja puntocom” sería engañosa. Las capacidades están mejorando, los clientes están pagando y ciertas aplicaciones generan beneficios directos.
La programación también puede ser especialmente favorable para la IA. El software ofrece grandes conjuntos de datos de entrenamiento, retroalimentación estructurada y resultados que los equipos pueden probar.
Otras formas de trabajo del conocimiento carecen de esas ventajas. Una recomendación estratégica no siempre puede evaluarse mediante una prueba automatizada. Una decisión de gestión puede tardar meses en revelar su calidad.
Por tanto, el auge actual puede incluir tanto ganadores duraderos como una grave sobreinversión. Estas condiciones no son contradictorias.
Los proveedores de nube, fabricantes de chips, desarrolladores de modelos, proveedores de aplicaciones, consultores y equipos empresariales ocupan posiciones diferentes. Los ingresos de una capa pueden convertirse en un gasto improductivo para otra.
Un proveedor de modelos puede crecer porque los clientes siguen experimentando. Una empresa de nube puede crecer porque los proveedores de modelos necesitan capacidad de cómputo. Ninguno de los dos resultados demuestra que los compradores empresariales obtengan retornos adecuados.
La cadena solo se mantiene saludable si los usuarios finales terminan creando suficiente valor económico para sostener el gasto en los niveles superiores.
Aquí es donde la advertencia de Webb sobre el “coste de la abundancia” resulta más útil que la etiqueta de burbuja. Los debates sobre burbujas suelen reducirse a predicciones sobre un desplome del mercado.
Su argumento se centra en la economía operativa. Incluso si las valoraciones públicas se mantienen altas, las empresas aún pueden desperdiciar dinero mediante pilotos duplicados, producción excesiva e integración deficiente.
La prueba más sólida del escéptico no es un fracaso dramático. Es la brecha persistente entre la adopción generalizada y el impacto limitado en los beneficios a escala empresarial.
La prueba más sólida del optimista no es un benchmark. Es una demanda de pago vinculada a mejoras medibles en el trabajo real.
Ambas cosas pueden ser ciertas durante una transición. La cuestión sin resolver es si las aplicaciones sólidas de hoy se extienden a suficientes industrias antes de que los costes de infraestructura y operación superen los retornos.
El purgatorio de los pilotos es un problema de integración, no solo de modelos
Las empresas salen del purgatorio de los pilotos cuando dejan de tratar la IA como un producto independiente y empiezan a tratar la implementación como un cambio en el sistema operativo de la organización.
Un piloto suele preguntar si un modelo puede realizar una tarea. Un programa de producción pregunta si la empresa puede depender de ese desempeño bajo restricciones reales.
Esas restricciones incluyen privacidad, permisos, latencia, coste, precisión y comportamiento de los empleados. También incluyen cuestiones mundanas sobre presupuestos y titularidad.
Muchos pilotos permanecen aislados de los equipos jurídicos y de tecnología de la información. Esto permite una experimentación rápida, pero pospone el trabajo necesario para la implementación.
Cuando esas funciones finalmente revisan el proyecto, el diseño original puede dejar de ser viable. El equipo entonces modifica el piloto, sustituye al proveedor o empieza de nuevo.
Los sistemas heredados intensifican el problema. Los datos de la empresa suelen estar repartidos entre aplicaciones incompatibles, con definiciones y reglas de acceso inconsistentes.
Un agente no puede completar de forma fiable un flujo de trabajo cuando la información relevante está fragmentada o mal gobernada. Un mejor razonamiento no puede compensar permisos ausentes o registros contradictorios.
Por eso la IA empresarial suele producir una demostración convincente antes de producir automatización fiable. La demostración usa un ejemplo limpio. La producción se enfrenta a la empresa tal como existe realmente.
Los empleados también crean soluciones informales. Copian información entre herramientas, mantienen hojas de cálculo personales y dependen de conocimientos no documentados.
Un sistema de IA entrenado con procesos oficiales puede pasar por alto cómo se completa realmente el trabajo. Un sistema con acceso amplio puede exponer información sensible o realizar cambios no autorizados.
La revisión humana sigue siendo esencial, pero debe diseñarse dentro del flujo de trabajo. Limitarse a decir a los empleados que revisen cada resultado puede eliminar los ahorros de tiempo prometidos.
La revisión debe centrarse en el riesgo material. Una afirmación dirigida al cliente merece más escrutinio que una lista interna de ideas. Una decisión de pago necesita controles más sólidos que un resumen de una reunión.
Las empresas también necesitan reglas de detención. Un piloto debe definir qué nivel de desempeño, adopción y resultado económico justifica pasar a producción.
Sin esos umbrales, el éxito se vuelve subjetivo. Los patrocinadores pueden destacar un ejemplo impresionante mientras ignoran el bajo uso o los costes crecientes.
La perspectiva escéptica es que la reforma organizativa quizá no resuelva todos los casos. Algunas tareas son demasiado ambiguas, poco frecuentes o arriesgadas como para justificar una implementación de IA.
Una empresa puede integrar correctamente un modelo y aun así descubrir que el caso de uso produce poco valor. Es un resultado válido, no necesariamente un fallo de ejecución.
Los proveedores de IA tienen incentivos para describir cada proyecto estancado como un desafío de integración. Esa explicación protege al producto subyacente de las críticas.
Los compradores deberían resistirse a ese marco cuando las pruebas apunten a otra causa. Un modelo puede ser demasiado poco fiable, caro, lento o genérico para la tarea.
La distinción requiere una medición controlada. Las empresas deben comparar el trabajo asistido por IA con una línea de base adecuada, incluido el tiempo de revisión y la corrección de errores.
También deben medir el uso sostenido. Los empleados pueden probar un sistema con entusiasmo durante el lanzamiento y después abandonarlo cuando se desvanece la novedad.
Un piloto exitoso debe sobrevivir a las condiciones rutinarias. Necesita datos reales, usuarios habituales, volumen recurrente y los mismos controles requeridos en producción.
También necesita continuidad del conocimiento. Los equipos deben conservar los prompts previos, las evaluaciones, los casos de fallo y las decisiones, en lugar de empezar de cero con cada lanzamiento de proveedor o modelo.
Esa memoria institucional evita experimentos repetidos. También ayuda a los compradores a determinar si un nuevo modelo cambia la economía o simplemente mejora la demostración.
La lección más profunda es que la transformación empresarial sigue siendo una responsabilidad de la empresa. Los proveedores pueden suministrar modelos y herramientas. No pueden resolver todos los conflictos presentes en los procesos de un cliente.
Los altos directivos deben decidir qué flujos de trabajo merecen rediseñarse. Deben eliminar pasos redundantes y otorgar a los equipos responsables la autoridad para cambiar las operaciones.
De lo contrario, la IA se convierte en otra capa más. Los empleados mantienen el proceso antiguo por seguridad mientras ejecutan un nuevo proceso asistido por IA para ganar visibilidad.
Esa duplicación eleva los costes. También puede hacer que la productividad parezca empeorar durante la transición, porque los equipos mantienen dos sistemas al mismo tiempo.
Un plan de despliegue creíble debe explicar qué trabajo antiguo desaparecerá. Si no se elimina ninguna reunión, informe, aprobación o paso manual, es probable que el sistema de IA solo añada complejidad.
Lo que las empresas deberían vigilar durante los próximos tres meses
Tres señales mostrarán si la advertencia de Webb se está convirtiendo en un patrón económico duradero: la conversión a producción, el valor financiero capturado y unos controles más estrictos sobre el consumo de IA.
La primera señal es la proporción de pilotos que pasan a producción recurrente. Los anuncios de nuevos experimentos importan menos que los sistemas que los empleados corrientes utilizan en flujos de trabajo ya establecidos.
Una tasa de conversión más alta debilitaría la tesis del purgatorio de los pilotos. Mostraría que las empresas están resolviendo las barreras de gobernanza, datos e integración.
El crecimiento continuo de los pilotos sin crecimiento en producción reforzaría el argumento de Webb. Sugeriría que la experimentación se ha convertido en una categoría de compra duradera, en lugar de un puente hacia el despliegue.
Hay que observar cómo describen las empresas estos programas. “Disponible para los empleados” no es lo mismo que utilizarse de forma habitual. “Desplegado” no es lo mismo que tener valor económico.
La segunda señal es el impacto financiero a nivel empresarial. McKinsey descubrió que la mayoría de las organizaciones que informaban de alguna contribución a las ganancias seguían atribuyendo menos del 5 por ciento del EBIT a la IA.
Las futuras encuestas y conferencias de resultados deberían revelar si esa contribución crece. Las empresas deberían informar de ahorros medibles, ingresos, mejoras en los tiempos de ciclo o reducción de riesgos.
Las afirmaciones vagas sobre productividad merecen cautela. El tiempo ahorrado solo tiene valor cuando la organización lo utiliza para aumentar la producción, mejorar el servicio o reducir gastos.
Si las empresas empiezan a vincular la IA con ganancias sostenidas en los beneficios, la comparación con una burbuja se debilita. El gasto en infraestructura tendría una fuente de amortización más clara.
Si el gasto aumenta mientras los rendimientos medidos permanecen planos, la advertencia se refuerza. El mercado estaría financiando una mayor actividad sin un aumento equivalente del valor capturado.
La tercera señal es la expansión de los límites de consumo y de los sistemas de enrutamiento de modelos. Estos controles dirigen las tareas hacia modelos en función del coste, la velocidad y la capacidad requerida.
Los límites de uso de Samsara y la recuperación de contexto más acotada de Docusign muestran cómo responden las empresas tras descubrir gastos operativos ocultos.
Más controles no demostrarían que la economía de la IA se está derrumbando. Mostrarían que el mercado está saliendo de su fase de experimentación y enfrentándose a la economía unitaria.
Esa transición puede ser saludable. La computación en la nube también requirió años de gestión de costes, gobernanza y optimización de cargas de trabajo.
Sin embargo, unas restricciones agresivas introducidas tras exceder los presupuestos respaldarían la preocupación de Webb. Indicarían que las organizaciones compraron abundancia antes de comprender su coste.
Los lectores también deberían distinguir entre sectores. La programación, la atención al cliente, la gestión del conocimiento y el procesamiento de documentos ofrecen distintos niveles de estructura y de retroalimentación medible.
Un éxito en ingeniería de software no garantiza un resultado similar en estrategia o gestión. Un fracaso en un flujo de trabajo regulado no invalida todos los asistentes internos.
Google News seguirá mostrando historias de ambos lados porque las pruebas son realmente dispares. La adopción y los ingresos pueden aumentar mientras los rendimientos empresariales siguen siendo desiguales.
La pregunta útil no es si la IA es real. Está claro que realiza un trabajo valioso. La pregunta útil es si cada despliegue cambia un resultado operativo lo suficiente como para justificar su coste total.
Ese coste incluye tokens, suscripciones, infraestructura, integración, revisión, formación y atención organizativa. También incluye el coste de oportunidad de los proyectos que nunca salen de la fase piloto.
La metáfora de Webb sobre las aplicaciones de citas capta el peligro de una búsqueda interminable. Las empresas pueden seguir emparejando herramientas con casos de uso sin llegar nunca a construir una relación operativa estable.
La salida comienza con menos experimentos y criterios más exigentes. Cada proyecto necesita un responsable, una referencia económica, una ruta hacia producción y una regla explícita de interrupción.
Los ejecutivos deberían plantearse una última pregunta antes de aprobar otro piloto: ¿qué decisión, flujo de trabajo o coste desaparecerá si esto tiene éxito?
Si nadie puede responder, probablemente la empresa no necesita otra presentación. Necesita claridad sobre el trabajo en sí.
