La advertencia de Apollo sobre el retorno de la IA cuestiona las expectativas de beneficios fuera de la tecnología

El economista jefe de Apollo, Torsten Slok, afirma que la inteligencia artificial no ha generado retornos financieros fuera del sector tecnológico, pese a la inversión corporativa y la adopción generalizada. Publicada el 24 de octubre de 2026, su evaluación contrasta la mejora del desempeño financiero entre los gigantes tecnológicos con una evidencia más débil en el resto de las empresas estadounidenses. La advertencia de Apollo sobre el retorno de la IA pone bajo presión una promesa conocida: que un trabajo individual más rápido se traducirá en mejores resultados empresariales.

Esa conclusión merece escrutinio, incluido el de sus propios límites. Una actualización de octubre de una gran encuesta empresarial internacional informa de beneficios modestos de productividad derivados de la IA, en lugar de ninguno. Los experimentos en el lugar de trabajo también documentan mejoras en tareas concretas. Ninguno de estos hallazgos demuestra un auge generalizado de los beneficios, pero ambos complican un rechazo categórico.

El conflicto central se refiere a la distancia entre usar IA y obtener un retorno de ella. Microsoft y otros proveedores tecnológicos pueden vender acceso antes de que los clientes determinen si ese acceso mejora sus resultados económicos. Para compradores empresariales, desarrolladores y trabajadores del conocimiento, la cuestión es si una asistencia útil resiste el recorrido por la verificación, la coordinación y las limitaciones del negocio.

Lo que realmente mide la advertencia de Apollo sobre el retorno de la IA

La evaluación de Apollo sobre el retorno de la IA de Slok compara a los Siete Magníficos, un grupo de grandes compañías tecnológicas, con los demás integrantes del S&P 500. Describe un aumento de los ingresos por trabajador y de los márgenes de beneficio en los primeros, junto con un desempeño plano en los segundos.

Su nota también señala evidencias débiles de una contribución de la IA al crecimiento más amplio de la productividad. Sostiene que el gasto sigue concentrado y presenta a las empresas convencionales como cada vez más sensibles a los costos continuos de uso de modelos. Estas son interpretaciones de Apollo sobre la evidencia, no hallazgos de un estudio controlado sobre implementaciones empresariales.

Apollo identifica una brecha entre el entusiasmo por la IA y el desempeño financiero general, pero su comparación no aísla los efectos de la IA.

Los ingresos por trabajador miden las ventas en relación con el número de empleados. Pueden aumentar porque los trabajadores se vuelven más productivos, pero también porque suben los precios, cambia la plantilla o las empresas externalizan trabajo. Una empresa puede mejorar esa proporción sin introducir IA en absoluto.

Los márgenes de beneficio introducen otro conjunto de influencias. Los costos de insumos, la presión competitiva, la combinación de productos y las decisiones contables pueden mover los márgenes independientemente de la eficiencia de los empleados. Una implementación de IA podría reducir un gasto operativo mientras un problema empresarial no relacionado compensa el beneficio.

Los grupos comparados también requieren cautela. Las restantes empresas del S&P 500 no constituyen una muestra pura de negocios ajenos a la tecnología. Tampoco los gigantes tecnológicos representan un experimento limpio de adopción de IA. Sus modelos de negocio, posiciones de mercado y exposición a la demanda de infraestructura difieren de los de otras compañías.

Eso no vuelve irrelevante la comparación de Apollo. Hace que los gráficos sean útiles para identificar un patrón financiero, con límites para explicar su causa. La debilidad financiera general puede coexistir con implementaciones exitosas dentro de departamentos concretos.

El momento importa porque Slok publicó una evaluación del retorno actual, en lugar de una previsión sobre la capacidad técnica final. Su afirmación se refiere a si los beneficios son visibles ahora. Eso sitúa la carga en los resultados actuales, mientras deja sin resolver la trayectoria a largo plazo.

Por tanto, la interpretación útil es más acotada que la implicación más contundente del titular. Apollo cuestiona la evidencia de retornos financieros generalizados. Establecer que ningún negocio fuera de la tecnología se ha beneficiado requeriría una investigación mucho más detallada.

Los equipos financieros afrontan un problema de conversión

La presión inmediata recae sobre los ejecutivos responsables tanto de la inversión tecnológica como de los resultados operativos. Un director de información puede demostrar la adopción por parte de los empleados. Un responsable financiero aún debe explicar qué cambió en el negocio.

El tiempo ahorrado se convierte en retorno financiero solo cuando la organización puede aprovechar ese tiempo o capturar otro beneficio medible.

Consideremos un equipo de servicio hipotético que introduce IA para ayudar a redactar respuestas a clientes. Los agentes terminan antes sus respuestas iniciales, pero los supervisores aún las revisan. Si las aprobaciones siguen siendo el cuello de botella, la empresa podría no procesar solicitudes adicionales.

Esa implementación aún puede mejorar las condiciones de trabajo o la calidad de las respuestas. Esos resultados importan, pero respaldan un caso de negocio distinto al de un mayor volumen de trabajo. Una empresa no debería describirlos como equivalentes simplemente porque ambos resultados suenan favorables.

El problema de conversión también aparece cuando los empleados completan el trabajo existente con menos esfuerzo. Una tarea más corta no cambia automáticamente los salarios, las necesidades de plantilla ni la demanda de los clientes. El beneficio podría convertirse en capacidad disponible, menos horas extra o más atención a casos difíciles.

Cada resultado necesita su propia evidencia. La reducción de horas extra puede afectar directamente a los gastos. Un mejor servicio podría mejorar la retención con el tiempo. La capacidad disponible tiene valor cuando una organización puede redirigirla hacia el trabajo que los clientes necesitan.

Los desarrolladores afrontan una limitación relacionada. Generar antes una funcionalidad de una aplicación no necesariamente acorta su recorrido por la revisión de seguridad, las pruebas de integración y la aprobación de lanzamiento. Una producción más rápida en una etapa sin restricciones puede dejar intacta la entrega global.

Por eso los equipos financieros deben distinguir entre una demostración prometedora y un resultado operativo. La demostración muestra que una herramienta puede realizar una tarea. El resultado operativo muestra si utilizarla cambia el rendimiento de un flujo de trabajo real.

La economía del proveedor es diferente. Microsoft, Google y otros proveedores pueden recibir ingresos por el uso de un cliente mientras ese cliente sigue evaluando los beneficios. El éxito comercial del proveedor y el retorno del comprador pertenecen a cuentas conectadas pero separadas.

La misma distinción se aplica entre proveedores de modelos competidores. Un modelo técnicamente más potente podría resolver un problema difícil que justifique su uso. Otro flujo de trabajo podría necesitar solo una recuperación fiable y una respuesta breve, lo que haría económicamente irrelevante la capacidad adicional.

Por tanto, los compradores se enfrentan a una decisión más específica que la de adoptar o no la IA. Deben identificar la limitación que esperan eliminar. Si la implementación propuesta no aborda esa limitación, las cifras de adopción ofrecen poco alivio.

Esto desplaza la presión hacia las decisiones de compra e implementación. Una empresa necesita una razón para ampliar una aplicación que funciona, una razón para revisar otra con bajo rendimiento y una forma de detenerla. Sin esas distinciones, un piloto puede seguir generando actividad sin generar un resultado defendible.

Los nuevos datos empresariales complican la afirmación de retorno cero

La salvedad más sólida procede de investigaciones que examinan a las empresas de manera más directa. La revisión de octubre de 2026 de la investigación sobre adopción de IA en empresas encuesta a casi 9.000 altos ejecutivos de siete países. Entre los autores figuran Ivan Yotzov, Jose Maria Barrero, Nicholas Bloom y colaboradores.

El documento actualizado informa de que el 78% de las empresas encuestadas utilizan IA. Los ejecutivos atribuyen a la adopción un aumento anual del 0,2% en el crecimiento de la productividad laboral durante los tres años anteriores. Esperan una contribución anual mayor, del 0,6%, durante los tres años siguientes.

Estos hallazgos describen un beneficio declarado modesto. No describen una economía transformada por la IA. Tampoco respaldan la idea de que todas las ganancias de productividad empresarial estén ausentes.

La evidencia actualizada debilita una afirmación literal de retorno cero, al tiempo que deja sin demostrar el caso de una transformación financiera generalizada.

La fecha de revisión del estudio importa. Coberturas anteriores describían una encuesta más pequeña y destacaban efectos observados limitados. Informar de los hallazgos antiguos sin comprobar el documento actualizado pasaría por alto un cambio material en la evidencia disponible.

Los autores también observan una concentración del gasto. Solo el 2% de las empresas representa más de la mitad del gasto declarado en IA. Esa concentración aconseja cautela al usar la actividad intensa entre adoptantes destacados para caracterizar a la empresa típica.

Sin embargo, la encuesta no resuelve el argumento de Apollo. Los ejecutivos informan de efectos percibidos sobre la productividad, y esas evaluaciones no equivalen a ganancias financieras auditadas de forma independiente. Los encuestados pueden sobreestimar los beneficios, pasarlos por alto o atribuir a la IA cambios no relacionados.

La productividad laboral, es decir, la producción en relación con el insumo de trabajo, también difiere de la rentabilidad. Una empresa puede producir con mayor eficiencia mientras gasta más en software e implementación. La presión competitiva puede entonces trasladar parte del beneficio a los clientes mediante un mejor servicio o precios más bajos.

Los países y empresas de la encuesta difieren de la comparación bursátil de Apollo. Las medidas abordan preguntas relacionadas a través de muestras y métodos distintos. Sus resultados deben examinarse conjuntamente sin fingir que uno reproduce directamente al otro.

Una encuesta a ejecutivos ayuda a revelar la adopción y las expectativas de la dirección. Los estados financieros muestran los resultados de las empresas, pero rara vez aíslan la contribución de una tecnología concreta. Los experimentos controlados pueden identificar con mayor claridad los efectos locales, aunque sus conclusiones tienen límites más estrechos.

Para los compradores, esta combinación aconseja evitar tanto la complacencia como el rechazo. Algunos beneficios medibles aparecen en la evidencia, pero su magnitud y distribución exigen atención. Un efecto medio modesto deja espacio para aplicaciones exitosas junto a implementaciones que aportan poco.

La implicación comercial es directa. Los proveedores no pueden demostrar los retornos de los clientes señalando únicamente el crecimiento del uso. Los escépticos no pueden demostrar un fracaso universal señalando únicamente márgenes agregados planos. Ambas posiciones requieren una conexión más clara entre implementación y resultado.

Las mejoras en el trabajo no bastan para demostrar beneficios empresariales

Un estudio publicado sobre atención al cliente ofrece un ejemplo concreto de cómo la IA mejora un flujo de trabajo definido. Erik Brynjolfsson, Danielle Li y Lindsey Raymond examinan un asistente conversacional utilizado por 5.172 agentes. Su estudio sobre productividad en atención al cliente informa de un aumento medio del 15% en los casos resueltos por hora.

Las ganancias varían entre los trabajadores. Los agentes menos experimentados y con menor cualificación mejoran tanto en velocidad como en calidad. Los agentes más experimentados y con mayor cualificación reciben menores beneficios de velocidad junto con pequeños descensos de calidad.

La IA puede mejorar una tarea operativa sin demostrar el retorno para cada trabajador, empresa o industria.

Esa variación importa para la implementación. Una herramienta que ayuda a un empleado nuevo a encontrar una respuesta adecuada podría ofrecer menos asistencia a un colega experimentado. Aplicar el beneficio medio a todos los empleados ocultaría una diferencia importante.

El resultado también se ajusta al trabajo más estrechamente que una medida genérica de compromiso. Los problemas de clientes resueltos conectan la asistencia con una actividad de servicio completada. Un recuento de sugerencias generadas dejaría una brecha mucho mayor entre el comportamiento de la herramienta y el valor empresarial.

Incluso aquí, la productividad y el beneficio siguen siendo conceptos distintos. La mejora reportada no proporciona automáticamente una estimación del margen para toda la empresa. Ese cálculo requeriría información sobre implementación, costes de uso, supervisión y el valor de una capacidad de servicio adicional.

El estudio también se refiere al soporte de una empresa de software. Demuestra un mecanismo relevante para otros entornos de servicios, pero no establece de forma independiente resultados en sectores no tecnológicos. Extender sus conclusiones requiere evidencia procedente de esos entornos.

Un experimento laboral más amplio llega a un resultado distinto pero complementario. Eleanor Wiske Dillon, Sonia Jaffe, Nicole Immorlica y Christopher Stanton estudian a 7.137 trabajadores del conocimiento de 66 empresas. Su experimento de IA en el lugar de trabajo proporcionó aleatoriamente acceso a un asistente integrado en aplicaciones conocidas.

En el periodo posterior del experimento, los usuarios activos entre los trabajadores tratados dedicaron dos horas menos al correo electrónico cada semana. Los investigadores también informan de menos trabajo fuera del horario habitual. No detectaron cambios más amplios en la cantidad ni la composición de las tareas derivados del acceso individual.

Es una distinción relevante. Dedicar menos tiempo al correo electrónico puede beneficiar a un trabajador incluso si no genera ventas adicionales ni proyectos terminados. Reducir el trabajo fuera del horario normal también puede ser valioso sin aparecer como un aumento inmediato de los beneficios de la empresa.

En conjunto, estos estudios muestran por qué una única etiqueta de productividad puede confundir el debate. Una resolución más rápida, menor esfuerzo dedicado al correo electrónico, mejor calidad y mayor beneficio describen resultados diferentes. La evidencia de uno no debería convertirse silenciosamente en evidencia de todos.

Para los equipos empresariales, la implicación tiene que ver con la medición. Un resultado relevante debe seguir el propósito del despliegue. Un asistente de soporte debe evaluarse con métricas de servicio; un asistente de investigación, con la calidad de la evidencia y resultados utilizables.

Esta distinción también se aplica a una base de conocimiento con capacidad de búsqueda. Encontrar un documento es un evento intermedio. El beneficio organizativo depende de si esa información ayuda a alguien a resolver un problema, evitar retrabajo o completar una decisión.

La promesa sometida a presión es la conversión automática de la asistencia en retornos. Estos estudios muestran efectos útiles en condiciones concretas. También muestran por qué las empresas deben examinar el flujo de trabajo restante antes de proyectar una rentabilidad más amplia.

Los indicadores generales no pueden ofrecer un veredicto claro sobre la IA

El argumento escéptico sigue siendo sustancial incluso después de reconocer tareas exitosas. Las empresas operan dentro de restricciones que un asistente no puede eliminar por sí solo. Un borrador más rápido aún puede esperar aprobación, y una producción adicional aún puede encontrarse con una demanda limitada.

La evidencia de Dinamarca destaca otro límite. Anders Humlum y Emilie Vestergaard vinculan encuestas de adopción con registros administrativos del mercado laboral. Su investigación sobre los efectos laborales de la IA detecta cambios generalizados en el trabajo sin efectos detectables en los ingresos ni las horas registradas.

Esos resultados no miden todos los beneficios que una empresa o un empleado podrían recibir. Sí cuestionan la suposición de que la adopción produce rápidamente cambios visibles en las medidas convencionales del mercado laboral. El trabajo puede cambiar antes de que cambien los salarios o los horarios registrados.

Los indicadores generales débiles limitan las afirmaciones sobre un auge de la IA, pero no identifican el rendimiento de cada despliegue.

Apollo también hace referencia a la productividad total de los factores, una medida del crecimiento de la producción más allá de los cambios medidos en los insumos de trabajo y capital. Su versión ajustada por utilización tiene en cuenta cambios en la intensidad con la que operan esos insumos. Esto ayuda a separar algunas influencias cíclicas de la eficiencia subyacente.

Esa medida sigue siendo más amplia que la IA. Otras tecnologías, cambios organizativos, problemas de medición y condiciones económicas afectan al resultado. Una serie de alcance económico general no puede identificar directamente qué ocurrió después de que una empresa concreta introdujera un asistente.

Los datos de medición de la productividad ilustran la distinción. Durante los cuatro trimestres finalizados en el segundo trimestre de 2026, la productividad total de los factores sin ajustar aumentó un 1,42 %. Su equivalente ajustado por utilización cayó un 0,07 %.

La divergencia muestra por qué importa la medida elegida. No demuestra que la productividad ordinaria haya dejado de crecer ni que la IA haya causado alguno de los dos resultados. Una afirmación sobre la IA necesita un argumento adicional que conecte la adopción con el cambio económico observado.

También hay un problema de plazos. Los resultados financieros podrían seguir a la implementación con retraso, especialmente cuando las empresas cambian responsabilidades o sistemas. Sin embargo, una rentabilidad futura no especificada no puede justificar indefinidamente todos los gastos actuales.

Ambas partes afrontan una carga de la prueba. Los defensores necesitan evidencia de que los beneficios superan los costes operativos y las restricciones organizativas. Los críticos necesitan evidencia antes de interpretar la ausencia de una señal agregada como un fracaso universal.

La calidad introduce otra complicación. Un sistema que produce más material también puede generar más trabajo de revisión. Si la organización mide solo la velocidad de generación, puede pasar por alto el esfuerzo necesario para corregir afirmaciones sin respaldo o decisiones incoherentes.

También existe el problema contrario. Un asistente podría ayudar a un empleado a evitar un error costoso o atender a un cliente difícil. Una medida limitada de velocidad podría pasar por alto ese beneficio. Una evaluación creíble necesita resultados que reflejen el trabajo real.

Estas limitaciones deberían hacer que la cobertura sea más precisa. Una afirmación sobre beneficios debe usar evidencia financiera. Una afirmación sobre la velocidad de una tarea debe identificar la tarea. Una afirmación sobre transformación económica debe abordar la escala y distribución de la adopción.

La advertencia de Apollo es más sólida cuando cuestiona el salto de la actividad visible a los retornos generales. Es más débil cuando se interpreta como prueba de que no existen ganancias útiles. La evidencia disponible respalda el escrutinio del proceso de conversión, en lugar de un veredicto universal.

La próxima evidencia debe conectar el gasto con los resultados

Durante el próximo periodo de resultados, el debate debería depender de cambios observables en lugar de declaraciones enfrentadas. Las señales relevantes se refieren a los resultados para los clientes, la distribución de las ganancias y la economía del uso continuado. En conjunto, pueden distinguir el éxito selectivo de una rentabilidad financiera amplia.

La evidencia decisiva conectará el uso de la IA con el trabajo completado y los resultados financieros en una gama más amplia de empresas.

En primer lugar, observe las próximas divulgaciones de resultados de empresas ajenas a los grandes proveedores tecnológicos. Las divulgaciones más útiles conectarían un despliegue identificado con una medida operativa y explicarían los costes asociados. Las declaraciones generales sobre la adopción por parte de los empleados ofrecerían evidencia mucho más débil.

Un minorista, una aseguradora o un fabricante podrían reforzar el argumento explicando dónde mejoró un flujo de trabajo y cómo afectó eso al rendimiento empresarial. La conexión importa más que una afirmación aislada sobre horas ahorradas. Los lectores también deberían buscar análisis de los requisitos de revisión y el esfuerzo de implementación.

Divulgaciones repetidas de ese tipo debilitarían la interpretación más amplia de la advertencia de Apollo. La dependencia continuada de un lenguaje impreciso sobre eficiencia mantendría intacta su preocupación central. El crecimiento de los ingresos de los proveedores por sí solo no respondería a la cuestión del retorno para el cliente.

En segundo lugar, observe si las encuestas empresariales posteriores muestran que las ganancias se extienden más allá de los adoptantes más intensivos. La actualización de investigación de octubre ya sugiere beneficios de productividad modestos según los informes. La siguiente cuestión se refiere a su amplitud, durabilidad y relación con resultados operativos reales.

Un promedio al alza merecería atención, pero la distribución seguiría importando. Los beneficios concentrados en un grupo reducido describirían una economía distinta de las ganancias extendidas entre las empresas ordinarias. Las muestras representativas pueden ayudar a evitar que casos de éxito destacados sustituyan a los resultados típicos.

Las revisiones de las encuestas también requieren comparaciones cuidadosas. Un cambio en la muestra de países o en la redacción de las preguntas puede alterar la imagen reportada. Los lectores deberían comparar medidas equivalentes antes de interpretar una nueva cifra como aceleración o reversión.

En tercer lugar, observe si los despliegues ampliados mejoran su economía a medida que crece el uso. Generar más resultados no es suficiente si el esfuerzo de verificación y corrección aumenta al mismo tiempo. La señal significativa es una mejora en el trabajo útil completado en relación con los recursos necesarios.

Esto se aplica especialmente a los sistemas autorizados para realizar acciones en software empresarial. Un despliegue convincente mostraría finalización fiable, intervención humana manejable y un beneficio claro para el flujo de trabajo. Una demostración que tiene éxito bajo supervisión estrecha responde a una pregunta más limitada.

Las renovaciones, reducciones y cancelaciones también aportarán pistas, aunque cada una requiere contexto. Un contrato renovado puede reflejar valor percibido, dificultad para cambiar o una evaluación inacabada. Una cancelación puede reflejar una implementación deficiente en lugar de un fracaso de la tecnología subyacente.

Para los trabajadores del conocimiento, la implicación práctica es mantener visible la conexión entre asistencia y resultados. Un flujo de trabajo de gestión del conocimiento personal puede organizar material útil, pero la organización por sí sola no establece un retorno financiero. La evidencia se vuelve más sólida cuando un mejor acceso cambia una decisión o entregable real.

Lea la próxima afirmación de éxito de IA teniendo presente su denominador. Pregunte qué trabajo mejoró, de quién cambió el esfuerzo y qué costes permanecieron. Distinga entre un trabajador que termina antes y una empresa que gana más, reconociendo al mismo tiempo que ambos resultados pueden importar. El debate sobre la rentabilidad de la IA de Apollo será más claro cuando las empresas expliquen esa conexión de forma coherente. Hasta entonces, compare las afirmaciones de adopción con el trabajo completado, los ahorros reportados con los resultados operativos, y mantenga visibles los límites de cada estudio. Cuando una organización presente su próximo despliegue, pida el resultado que fue diseñado para cambiar y la evidencia de que cambió. ¿Qué ocurrió después de que el borrador más rápido, el documento recuperado o la respuesta generada llegaran al resto de la empresa?