Steven Bartlett compartió recientemente datos del Anthropic Economic Index y lo primero que pensé fue: esto explica exactamente lo que vemos con clientes en IQ Source cada semana.

Anthropic analizó millones de conversaciones reales con Claude y publicó lo que encontró en su índice de impacto en el mercado laboral. El número que importa: estamos usando aproximadamente el 5% de donde la IA ya podría estar desplegada. No el 5% de un futuro hipotético — el 5% de lo que los modelos actuales ya pueden hacer.

Después, casi en paralelo, vi las declaraciones de Alex Karp de Palantir en un post viral en X explicando exactamente por qué existe esa brecha.

Las dos perspectivas se complementan tan bien que tenía que escribir sobre esto.

Los datos que deberían preocuparte

El Anthropic Economic Index no es una encuesta de percepción ni una proyección de consultora. Es un análisis de lo que la gente realmente hace con IA en la práctica, basado en millones de interacciones.

Los hallazgos clave:

• Programadores: ~75% de “cobertura” en tareas — la profesión con mayor adopción real
• Servicio al cliente: ~70% de cobertura
• La mayoría de las demás profesiones: apenas tocadas

Pero la cobertura no es lo mismo que utilización. Que un modelo pueda hacer algo no significa que las empresas lo estén usando para eso. Y ahí está la brecha.

El dato más revelador: la contratación de profesionales de 22-25 años en trabajos expuestos a IA cayó 14% desde que se lanzó ChatGPT. Los trabajadores más expuestos a la automatización no son los junior — son los profesionales mayores, con educación avanzada y salarios más altos. Los que hacen trabajo de conocimiento.

El paper completo tiene los detalles metodológicos, pero el resumen ejecutivo es claro: la IA ya puede hacer mucho más de lo que estamos usándola para hacer.

La pregunta es por qué.

La resaca de la IA corporativa

Alex Karp tiene una forma directa de decir las cosas. Su diagnóstico sobre por qué las empresas no están capturando valor real de la IA es brutal, pero preciso.

Su metáfora: comprar un modelo de IA sin integrarlo a tu operación es como una fiesta con resaca. Parece productivo en el momento — “tenemos ChatGPT Enterprise”, “estamos usando Copilot” — pero al día siguiente, nada cambió. Los mismos procesos manuales, las mismas ineficiencias, los mismos cuellos de botella.

La frase que se quedó conmigo: “Buying models is self-pleasuring for an enterprise.” Duro. Pero si miras la realidad de cómo la mayoría de empresas “adoptan” IA, es difícil contradecirlo.

Un modelo sobre datos no estructurados, sin conexión a los flujos de trabajo reales de la empresa, genera texto. A veces texto útil. Pero no genera acción. No mueve procesos. No toma decisiones dentro de tu cadena operativa. Es la ilusión de progreso tecnológico.

Ontología: la palabra que nadie quiere escuchar

Karp insiste en que todo el valor de la IA va a parar a dos lugares: chips y ontología.

Los chips son obvios — alguien tiene que fabricar el hardware. Pero la ontología es donde la mayoría de empresas B2B se pierden.

En este contexto, ontología no es un término filosófico. Es la arquitectura digital precisa de cómo opera tu organización: quién tiene acceso a qué, cómo fluyen los datos entre departamentos, cuáles son las reglas de negocio que gobiernan cada proceso, dónde están los puntos de decisión.

Cuando conectas un modelo de frontera a esa lógica empresarial, deja de generar texto y empieza a generar acción:

• No “resume este contrato” → sino “extrae las cláusulas de pago, compáralas con nuestras condiciones estándar y escala las excepciones al equipo legal”
• En vez de “redacta un email de seguimiento”, el modelo revisa el historial del cliente en el CRM, detecta qué productos le interesan según sus últimas interacciones — y genera un seguimiento personalizado con los datos correctos
• Tampoco “analiza estas métricas”. Más bien: cruza los datos de ventas con el pipeline de operaciones, encuentra los cuellos de botella y genera las alertas que dirección necesita ver hoy

Esto no es una propuesta comercial de Palantir. Es un principio que aplica sin importar qué herramientas uses. Sin la capa de lógica empresarial, un modelo de $200/mes produce los mismos resultados que uno de $20/mes: texto sin contexto operativo.

Conectando los puntos: por qué existe la brecha del 95%

Bartlett comparte los datos de Anthropic y dice: estamos al 5%. Karp explica la causa: las empresas compran modelos sin construir la infraestructura operativa que los hace útiles.

Las dos perspectivas forman la imagen completa.

Las empresas compraron suscripciones de ChatGPT, le dieron acceso a algunos empleados, y lo llamaron “estrategia de IA”. Algunas fueron más lejos — implementaron Copilot, probaron APIs, hicieron pilotos con departamentos específicos. Pero sin integración real con los flujos de trabajo y los procesos internos — sin conexión a los datos de la organización — la utilización se queda en ese 5%.

No porque la tecnología no funcione. Funciona. Eso es lo que los datos de Anthropic demuestran — los modelos ya son capaces de hacer el trabajo. El problema es que no están conectados a la realidad operativa donde ese trabajo necesita ocurrir.

Bartlett tiene una observación optimista que comparto: la IA podría hacernos “más humanos” — liberarnos de tareas repetitivas para enfocarnos en lo que requiere juicio, creatividad y relaciones. Pero eso solo pasa si la desplegamos de verdad, no si la dejamos acumulando polvo en una suscripción.

Cómo cerrar la brecha

En IQ Source trabajamos con empresas B2B en Latinoamérica y vemos el mismo patrón que describen Bartlett y Karp: las herramientas de IA están ahí, el presupuesto también — y hasta hay interés genuino. Lo que falta es la conexión entre el modelo y la operación.

Lo que hemos visto que funciona:

Mapea tu ontología operativa

Antes de elegir herramientas o modelos, necesitas saber cómo opera tu empresa realmente. No el organigrama — el flujo real de decisiones, datos y procesos. Dónde se generan los cuellos de botella. Qué información pasa de mano en mano por email o WhatsApp en vez de fluir por sistemas. Y sobre todo: cuáles decisiones se toman con datos reales — y cuáles dependen de intuición porque la información no llega a tiempo.

Identifica puntos de alto impacto

No intentes automatizar todo. Busca los puntos donde la IA genera el mayor retorno con la menor complejidad de integración. En nuestra experiencia, los primeros wins suelen estar en procesos de documentación y extracción de datos de fuentes no estructuradas. Además, la automatización de flujos de aprobación tiende a dar resultados rápidos.

Construye el tejido conectivo

Acá es donde la mayoría de empresas se atoran. Tener un modelo es el paso más fácil. Lo difícil es construir las APIs y los servidores MCP que conectan ese modelo con tus sistemas reales — además de las automatizaciones de flujo de trabajo que lo sostienen. Es trabajo de ingeniería, no de configuración de una herramienta SaaS.

Mide utilización, no adopción

“El 80% de nuestros empleados tiene acceso a Copilot” no es una métrica de éxito. ¿Cuántos procesos operativos se ejecutan con IA integrada? ¿Cuántas horas semanales se recuperan? ¿Qué decisiones se toman más rápido porque la información llega procesada? Eso es utilización.

---

La brecha del 95% no es una condena — es una oportunidad. Significa que la mayoría de tus competidores tampoco están capturando el valor real de la IA. Quien cierre esa brecha primero tiene una ventaja operativa real, no un diferenciador de marketing.

Si quieres saber dónde está tu empresa en ese espectro del 5% al 100%, partimos de un mapeo de 60 minutos donde identificamos los tres procesos con mayor potencial de automatización real. Sin presentaciones genéricas — números concretos sobre tu operación. Agenda el diagnóstico.