KPMG concluye que la adopción empresarial de IA aún supera al impacto medible

Los últimos hallazgos de KPMG sobre IA empresarial llegaron a Google News con un contraste contundente: el 95 por ciento de las organizaciones encuestadas tiene una estrategia de IA, pero solo el 8 por ciento informa retornos consolidados.

Esa diferencia importa más que otro anuncio sobre modelos más rápidos o mayores inversiones en infraestructura. Las empresas han adquirido herramientas de IA, lanzado pilotos y animado a los empleados a experimentar. La mayoría no ha rediseñado los flujos de trabajo, los sistemas de rendición de cuentas ni las prácticas de medición necesarios para convertir esa actividad en desempeño empresarial.

El Global AI Pulse de KPMG del primer trimestre de 2026 sitúa al 54 por ciento de las organizaciones en las primeras etapas de investigación, experimentación o planificación estratégica. Otro 39 por ciento está escalando la IA o impulsando su adopción. Solo un grupo reducido ha pasado de una actividad amplia a retornos medibles y repetibles.

La división resultante ya no se da entre organizaciones que usan IA y las que no. Separa a las empresas que tratan la IA como software accesible de aquellas que la operan como una capacidad empresarial integrada.

Esa es la verdadera historia detrás del último titular de Google News. La adopción sigue extendiéndose, pero el impacto permanece concentrado entre las organizaciones que rediseñan el trabajo en torno a la IA en lugar de situar la IA junto al trabajo existente.

Google News destaca una brecha de adopción de IA, no una brecha de acceso

La IA empresarial se ha vuelto lo suficientemente común como para que la adopción básica ya no demuestre madurez.

KPMG basó sus hallazgos del primer trimestre en una encuesta a 2.110 altos ejecutivos de 20 países, territorios y jurisdicciones. Los encuestados representaban ocho sectores e incluían líderes de nivel C-suite y sus subordinados directos en grandes organizaciones.

Las cifras principales parecen contradictorias a primera vista. Según el Global AI Pulse, el 95 por ciento de las organizaciones cuenta con una estrategia de IA. El 64 por ciento informa un valor empresarial significativo, pero solo el 8 por ciento afirma haber consolidado ROI.

Esas respuestas miden distintos niveles de progreso. Un equipo puede ahorrar tiempo en la revisión de documentos o el desarrollo de software sin producir un resultado visible en los estados financieros de la empresa. También puede informar resultados útiles antes de demostrar que estos superan los costes de despliegue, integración, supervisión y computación.

El desglose de madurez de KPMG aclara esa distinción. El 11 por ciento de las organizaciones sigue centrado en investigación y desarrollo. El 22 por ciento experimenta mediante pruebas de concepto o pilotos, mientras que el 21 por ciento está construyendo estrategias, indicadores de rendimiento e infraestructura de datos.

En conjunto, esos grupos representan el 54 por ciento que aún se clasifica como adoptantes en etapa temprana. El 26 por ciento está escalando la IA en toda la empresa y el 13 por ciento impulsa una adopción organizacional más amplia. El 8 por ciento restante informa retornos consolidados vinculados a resultados empresariales significativos.

Esto no prueba que el 92 por ciento de los programas de IA haya fracasado. La encuesta no hace esa afirmación. Muestra que la mayoría de las organizaciones todavía no ha llegado al punto en que los retornos sean tanto consolidados como medibles.

Una encuesta independiente de McKinsey apunta en la misma dirección. Concluyó que el 88 por ciento de los encuestados informó un uso regular de IA en al menos una función empresarial durante 2025. Sin embargo, solo cerca de un tercio dijo que sus organizaciones habían comenzado a escalar programas de IA.

La brecha existe porque usar IA en una función es un umbral bajo. Un chatbot aprobado, un asistente de programación o una herramienta de resumen automatizado pueden cumplir esa definición. El impacto empresarial exige cambios conectados en procesos, datos, incentivos, controles y decisiones.

Esta distinción también explica por qué encuestas aparentemente contradictorias pueden ser todas precisas. Un estudio puede medir si los empleados tienen acceso a IA. Otro puede preguntar si una empresa ha desplegado agentes. Un tercero puede exigir retornos financieros verificados.

Por ello, los lectores de Google News deben examinar el denominador y la definición de madurez detrás de cada titular. “Usar IA”, “escalar IA” y “obtener ROI de la IA” describen estados diferentes, incluso cuando la cobertura los trata como intercambiables.

La encuesta de KPMG resulta útil porque sitúa esos estados en una misma progresión. La progresión comienza con la investigación y los pilotos, continúa con el escalado empresarial y termina con retornos consolidados. La mayoría de las organizaciones permanece en algún punto intermedio.

El gasto aumenta más rápido que los retornos medibles

Las empresas están incrementando sus compromisos con la IA antes de haber definido cómo debe medirse el valor.

KPMG afirma que las organizaciones encuestadas planearon una inversión media de $186 millones en IA durante los siguientes 12 meses. La media se ponderó para reflejar el tamaño de las empresas y la representación regional, por lo que no debe interpretarse como un presupuesto corporativo universal.

Los planes regionales también variaron. Las organizaciones de Asia-Pacífico informaron la mayor inversión media prevista, con $245 millones. Las Américas les siguieron con $178 millones, mientras que Europa, Oriente Medio y África promediaron $157 millones.

Estas cifras muestran compromiso, pero el gasto es un insumo. Dice poco sobre si una empresa ha seleccionado flujos de trabajo valiosos, ha logrado una adopción consistente o ha capturado beneficios suficientes para cubrir los costes operativos.

Los gastos de IA también se comportan de forma diferente a muchos gastos tradicionales de software. El uso de modelos puede crecer con los tokens, las solicitudes, los pasos automatizados y el número de agentes involucrados. Por ello, un piloto exitoso puede encarecerse cuando llega a más trabajadores o gestiona procesos más largos.

La actualización de KPMG del segundo trimestre hizo más visible este problema. La encuesta concluyó que el 42 por ciento de los líderes tenía solo visibilidad parcial sobre el gasto en IA. El 33 por ciento citó la comprensión limitada de las estructuras de costes, incluidos los tokens, como un desafío al desplegar agentes.

Esta cuestión presiona al mismo tiempo a directores financieros, líderes tecnológicos y responsables de unidades de negocio. Los equipos financieros quieren retornos defendibles. Los equipos tecnológicos necesitan infraestructura y seguridad fiables. Los líderes operativos deben demostrar que un despliegue mejora un proceso real en lugar de generar más actividad.

La presión se intensifica cuando una empresa automatiza trabajo de varios pasos. Un agente de IA es un sistema que puede planificar y ejecutar varias acciones hacia un objetivo. A diferencia de una sola respuesta de chatbot, un agente puede llamar herramientas, recuperar datos de la empresa, revisar su resultado y transferir trabajo a otro sistema.

Cada paso adicional puede generar costes, latencia y otra oportunidad de fallo. Un proceso que parece impresionante en una demostración controlada puede volverse difícil de supervisar cuando miles de empleados lo usan con datos reales.

Por eso el ROI consolidado sigue siendo poco frecuente incluso cuando el valor empresarial informado es mucho más común. El valor empresarial puede incluir una finalización más rápida, una mejor experiencia de los empleados o un mejor acceso a la información. El ROI exige una comparación financiera definida entre los beneficios y el coste total de producirlos.

El cálculo debe incluir más que las suscripciones a modelos. El trabajo de integración, la preparación de datos, la formación de empleados, la evaluación, las revisiones de seguridad, la respuesta a incidentes y la supervisión humana consumen recursos.

Algunos beneficios también se resisten a una medición financiera inmediata. Un asistente puede ayudar a un analista a encontrar contexto relevante más rápido, pero la empresa aún debe conectar ese tiempo ahorrado con capacidad, ingresos, calidad o riesgo evitado.

Las organizaciones suelen detenerse en la primera métrica. Cuentan licencias, usuarios activos, prompts o documentos generados. Esas medidas muestran actividad, no impacto empresarial.

Una cadena de medición más sólida comienza con un flujo de trabajo específico. Después rastrea si la IA cambia el tiempo de ciclo, las tasas de error, la conversión, la calidad del servicio u otro resultado operativo. Solo después de establecer esa conexión los líderes pueden hacer una afirmación financiera creíble.

Los posteriores hallazgos del segundo trimestre de KPMG respaldan este enfoque. Las organizaciones con una sólida visibilidad de costes tenían cinco veces más probabilidades de informar ROI consolidado: 15 por ciento frente al 3 por ciento.

Esa relación no demuestra que los paneles de control generen retornos. Las organizaciones más capaces pueden ser mejores tanto en el control de costes como en el despliegue de IA. Aun así, el patrón refuerza un punto práctico: los equipos no pueden gestionar una inversión que no pueden ver.

La verdadera división es orquestación frente al despliegue de herramientas

Las organizaciones que toman la delantera coordinan la IA entre flujos de trabajo, datos, gobernanza y decisiones humanas.

KPMG identifica a alrededor del 11 por ciento de los encuestados como líderes en IA. Su ventaja no proviene únicamente de gastar más o desplegar más herramientas. Proviene de tratar la IA como parte de un modelo operativo.

El informe denomina esto orquestación. En este contexto, la orquestación significa coordinar modelos, agentes, datos, controles, empleados y procesos empresariales como un único sistema gestionado.

Ese es un estándar más alto que ofrecer un chatbot a los empleados. Un asistente general puede ayudar con la redacción, los resúmenes o la exploración, dejando sin cambios el flujo de trabajo circundante. La IA orquestada cambia cómo entra el trabajo en un proceso, cómo lo acompaña el contexto, quién revisa las decisiones y cómo los resultados regresan como retroalimentación.

Consideremos un flujo de trabajo de atención al cliente. Un despliegue básico permite a un agente redactar una respuesta. Un sistema más maduro recupera el historial correcto de la cuenta, aplica políticas, señala la incertidumbre, dirige los casos sensibles a una persona, registra la resolución y mide si el servicio mejoró.

El segundo sistema requiere mucho más que un modelo capaz. Necesita datos fiables, permisos de sistema, reglas claras de escalamiento, monitorización y un propietario responsable del proceso.

El mismo patrón se aplica al desarrollo de productos. Un asistente aislado puede resumir entrevistas o generar requisitos. Un flujo de trabajo integrado conecta la evidencia de investigación, los comentarios de clientes, las decisiones de producto, las restricciones técnicas y los resultados posteriores.

Esa conexión explica por qué una base de conocimientos de IA con capacidad de búsqueda puede importar más que otra interfaz genérica. El modelo necesita contexto organizacional relevante, mientras que los empleados necesitan una forma de inspeccionar y reutilizar el material que sustenta sus resultados.

La investigación anterior de McKinsey concluyó que el rediseño de flujos de trabajo tenía una de las relaciones más fuertes con el impacto informado en las ganancias de la IA generativa. Sin embargo, menos de un tercio de los encuestados dijo que sus organizaciones seguían la mayoría de las prácticas encuestadas de adopción y escalado.

Menos de uno de cada cinco informó realizar seguimiento de indicadores de rendimiento claramente definidos para soluciones de IA generativa. Ese hallazgo expone la debilidad detrás de muchas afirmaciones de adopción. Una empresa no puede aprender qué despliegues funcionan si no ha definido qué significa el éxito.

El rediseño de flujos de trabajo también genera dificultades políticas y organizativas. Cambia responsabilidades, rutas de aprobación, supuestos de dotación de personal y, a veces, los límites entre departamentos. Instalar una herramienta suele ser más fácil que negociar esos cambios.

Los empleados pueden utilizar un asistente con frecuencia y, al mismo tiempo, evitarlo para decisiones relevantes. Los directivos pueden fomentar la experimentación sin modificar las expectativas de resultados. Los equipos de seguridad pueden aprobar una interfaz, pero bloquear las conexiones de datos necesarias para una integración más profunda.

Esas condiciones generan un uso visible sin impacto estructural. Los empleados producen más borradores y resúmenes, pero las decisiones siguen atravesando los mismos cuellos de botella. La organización se vuelve más ocupada sin volverse sustancialmente más rápida.

El grupo de líderes de KPMG sugiere otra vía. Estas organizaciones alinean la IA con el crecimiento en lugar de centrarse únicamente en la reducción de costes. También informan de una mayor preparación de la plantilla y de más confianza para medir el impacto empresarial.

Esto importa porque la reducción de costes fomenta una pregunta de implementación limitada: ¿qué tareas existentes puede realizar un modelo? Una pregunta orientada al crecimiento plantea cómo la IA transforma el producto, la experiencia del cliente o la velocidad de aprendizaje.

El primer enfoque puede aportar una eficiencia útil. El segundo requiere más coordinación, pero también genera resultados que a los competidores les puede resultar más difícil copiar.

Microsoft describe un destino similar mediante su concepto de “Frontier Firm”. Su Work Trend Index analizó a 31.000 trabajadores de 31 países, datos laborales de LinkedIn y actividad de Microsoft 365.

Microsoft afirma que estas empresas organizan el trabajo en torno a equipos de personas y agentes, con inteligencia disponible bajo demanda. Ese enfoque refleja la perspectiva de un proveedor, por lo que sus afirmaciones sobre rendimiento merecen un escrutinio cuidadoso. Aun así, capta la dirección organizativa destacada por KPMG.

Por tanto, la división competitiva no es Microsoft frente a Google, ni un modelo fundacional frente a otro. Es el despliegue de herramientas frente a la orquestación operativa.

Las organizaciones de la primera vía acumulan licencias y pilotos. Las de la segunda seleccionan flujos de trabajo, conectan contexto fiable, asignan responsabilidades, miden resultados y revisan el proceso.

La elección del modelo sigue siendo relevante para la calidad, el coste, la seguridad y la latencia. Sin embargo, cambiar de modelo no puede reparar una falta de responsabilidad definida ni un objetivo empresarial sin definir.

Lo que las cifras de adopción de IA aún no demuestran

El impulso de las encuestas es real, pero la madurez y el valor autodeclarados siguen siendo medidas imperfectas del rendimiento operativo.

La investigación de KPMG recoge percepciones de directivos de grandes organizaciones. Esos líderes pueden describir la estrategia, la inversión y la dirección organizativa, pero quizá no observen el uso cotidiano en todos los equipos.

La encuesta también incluye organizaciones que difieren por región, sector, regulación y capacidad técnica. Un banco que despliega IA en procesos de revisión controlados afronta restricciones distintas de las de una empresa de software que incorpora un asistente a sus herramientas de desarrollo.

Los porcentajes agregados pueden ocultar esas diferencias. También pueden disimular si los encuestados utilizan la misma definición de “valor empresarial significativo”.

Un directivo puede interpretar el valor como una producción más rápida de los empleados. Otro puede exigir mayores ingresos o menores gastos. Un tercero puede contabilizar la evitación de riesgos, incluso cuando la pérdida evitada no puede observarse directamente.

Un ROI consolidado parece más preciso, pero los encuestados pueden seguir aplicando métodos diferentes. Algunos pueden incluir los costes de implementación y supervisión, mientras que otros comparan los beneficios únicamente con las tarifas del software.

Por tanto, las cifras de KPMG deben tratarse como evidencia direccional sobre madurez, no como una prueba auditada de retornos económicos.

La misma cautela se aplica a las comparaciones entre informes. El AI Index 2026 de Stanford informa de que la adopción organizativa de IA alcanzó el 88 por ciento en 2025. También señala que el despliegue de agentes se mantuvo en cifras de un solo dígito en casi todas las funciones empresariales.

Estos hechos son compatibles porque el acceso generalizado llegó antes que el uso operativo profundo. También muestran por qué un único porcentaje de adopción no puede responder si la IA ha transformado la organización.

El AI Index apunta a ganancias de productividad más sólidas en trabajo estructurado y medible. Cita estudios que muestran mejoras en atención al cliente, desarrollo de software y producción de marketing, al tiempo que señala resultados más débiles en tareas que exigen un razonamiento más profundo.

Este patrón ofrece una restricción importante. La IA funciona mejor cuando los equipos pueden definir las entradas, inspeccionar las salidas y medir los resultados. El trabajo estratégico abierto cuenta con menos señales de retroalimentación fiables.

Una empresa aún puede usar IA para trabajo complejo, pero necesita una revisión humana más sólida y una forma más clara de detectar errores. Sin esas salvaguardas, una producción más rápida puede simplemente acelerar decisiones deficientes.

La seguridad y la privacidad añaden otra fuente de fricción. KPMG concluyó que el 75 por ciento de los encuestados expresó preocupación por los riesgos y la seguridad relacionados con la IA. Solo el 20 por ciento de las organizaciones en fase inicial informó de confianza en la gestión del riesgo de IA, frente al 47 por ciento de los líderes en IA.

Estas preocupaciones no son un argumento para detener el despliegue. Muestran por qué el acceso por sí solo no puede generar madurez. Una organización necesita políticas, controles técnicos, rutinas de evaluación y responsables de incidentes antes de poder ampliar casos de uso sensibles.

La preparación de la plantilla plantea una limitación similar. KPMG concluyó que el 68 por ciento de las organizaciones expresó cierta confianza en su cantera de talento, pero solo el 22 por ciento informó de una confianza alta.

Formar a los empleados para redactar prompts no cerrará esa brecha por sí solo. Los trabajadores necesitan saber cuándo es apropiada la IA, qué pruebas exige un resultado, qué datos pueden utilizarse y cuándo una persona debe tomar el control.

Los líderes también deben decidir cómo se convertirá el tiempo ahorrado en valor. Si un empleado completa una tarea más rápido pero recibe más trabajo de bajo valor, la organización ha mejorado la eficiencia local sin cambiar el rendimiento.

Aquí es donde los programas de adopción suelen desconectarse del diseño empresarial. Los equipos de tecnología gestionan las herramientas, los equipos de aprendizaje gestionan la formación, los equipos financieros solicitan retornos y los equipos operativos mantienen sus objetivos existentes. Ningún responsable único controla el resultado completo.

Por tanto, la lectura escéptica de la encuesta de KPMG no es que la IA no haya generado valor. Es que la distancia entre el valor declarado y el ROI consolidado sigue siendo demasiado grande para extraer conclusiones simples.

La lectura optimista es más específica. Un pequeño grupo ha empezado a conectar el despliegue con resultados empresariales medibles, lo que sugiere que el valor es posible cuando las condiciones organizativas lo respaldan.

Ambas interpretaciones rechazan el mismo error: tratar el acceso, el uso y el impacto como sinónimos.

Tres señales mostrarán si la brecha se está cerrando

La próxima fase se decidirá por la adopción cotidiana de los flujos de trabajo, la responsabilidad sobre los costes y los resultados operativos medidos.

La primera señal es el avance a lo largo de la curva de madurez de KPMG. Su encuesta del segundo trimestre ya mostró que la proporción de organizaciones en las que la IA forma parte del trabajo cotidiano subió al 22 por ciento desde el 13 por ciento del primer trimestre.

Es un progreso significativo porque el uso habitual exige más que un piloto temporal. Sin embargo, la confirmación más sólida sería un aumento correspondiente del ROI consolidado, no solo un cambio de la experimentación a la adopción.

La encuesta de KPMG del segundo trimestre concluyó que el ROI consolidado seguía concentrado en el 7 por ciento. La muestra y el enfoque trimestral exigen una comparación cuidadosa, pero el mensaje sigue siendo coherente. El uso cotidiano crece más rápido que los retornos verificados.

Si las futuras encuestas muestran una adopción más amplia junto con un ROI creciente, se reforzará el argumento a favor del aprendizaje empresarial. Si la adopción aumenta mientras el ROI se mantiene cerca de los niveles actuales, será más difícil descartar la brecha de valor como un retraso temporal.

La segunda señal es la visibilidad de costes. Los líderes deben observar si las organizaciones pueden atribuir los gastos de modelos, agentes, infraestructura, integración y revisión humana a flujos de trabajo concretos.

Los paneles de costes por sí solos no demuestran valor. Se vuelven útiles cuando se combinan con métricas operativas y responsables definidos.

KPMG informó de que el 53 por ciento de las organizaciones contaba con paneles de seguimiento de costes de IA en el segundo trimestre. El 54 por ciento incluía revisiones de costes en los procesos de aprobación de IA.

La prueba más exigente es si esos controles cambian las decisiones. Los equipos deberían retirar casos de uso débiles, rediseñar los costosos y ampliar los despliegues que generan resultados defendibles.

Si las empresas siguen escalando sin comprender los costes basados en el uso, la IA agéntica puede ampliar la brecha. Los sistemas multiagente pueden multiplicar llamadas, tokens, herramientas y puntos de fallo dentro de una sola tarea.

La tercera señal es la evidencia a nivel de flujo de trabajo. Las encuestas generales a empleados seguirán siendo útiles, pero quienes toman decisiones necesitan métricas vinculadas a procesos específicos.

Un despliegue de soporte debería seguir la calidad de resolución, el tiempo de ciclo, las tasas de escalamiento y los resultados para los clientes. Un despliegue de desarrollo debería seguir el tiempo de entrega, los defectos, la carga de revisión y la mantenibilidad. Un despliegue de investigación debería medir la precisión, la calidad de las fuentes y la velocidad de decisión.

Estas mediciones deberían extenderse más allá de demostraciones breves. Un flujo de trabajo que tiene éxito durante cuatro semanas puede debilitarse a medida que cambian los datos, los empleados se adaptan o el uso se amplía.

Las organizaciones también deberían publicar distinciones más claras entre productividad bruta y valor capturado. Ahorrar diez minutos no crea automáticamente un retorno financiero. La organización debe redirigir esa capacidad o mejorar un resultado que los clientes valoren.

Google News seguirá mostrando grandes porcentajes de adopción porque ofrecen titulares sencillos. La evidencia más importante aparecerá en métricas operativas menos llamativas.

Observe la proporción de organizaciones que informan de un ROI consolidado. Observe si la visibilidad de costes cambia las decisiones de despliegue. Después, observe si los flujos de trabajo individuales generan mejoras duraderas tras incluir los costes de supervisión, integración y riesgo.

Para compradores empresariales y trabajadores del conocimiento, la pregunta práctica ya no es si la IA merece experimentación. La evidencia muestra que la experimentación ya está muy extendida.

La pregunta es si su organización puede nombrar un flujo de trabajo importante, definir su línea de base, conectar el contexto adecuado, asignar un responsable y medir el resultado a lo largo del tiempo.

Si no puede, otro modelo o agente no cerrará la brecha. Si puede, la adopción de IA tendrá una vía hacia un impacto que perdure más allá del próximo titular de Google News.