Harvard e INSEAD: mismas herramientas de IA, 1,9x ingresos
Ricardo Argüello, 5 de octubre de 2026
Tengo un experimento que responde la pregunta que más me hacen en ventas. Si ya compramos las licencias y ya capacitamos al equipo, ¿para qué necesitamos a alguien más?
515 startups. Las mismas herramientas de IA para todas. La misma capacitación técnica para todas. A la mitad, elegida al azar, le enseñaron además dónde poner la IA dentro de su operación. Esa mitad terminó facturando 1,9 veces más.
La herramienta era idéntica. Lo único distinto fue el mapa.
El experimento, sin adornos
El paper se llama Mapping AI into Production: A Field Experiment on Firm Performance. Lo firman Hyunjin Kim, de INSEAD, Dahyeon Kim y Rembrand Koning, de Harvard Business School, y salió en marzo de 2026. Ethan Mollick lo llamó en abril “big deal paper”, y Chamath Palihapitiya volvió a citar el 1,9x el 25 de septiembre en su análisis sobre por qué la IA no aparece en la productividad.
El diseño es limpio. Un acelerador de tres meses con 515 startups de alto crecimiento en varios países. Todas recibieron créditos de API, herramientas y capacitación técnica. Hasta ahí, lo que cualquier empresa compra cuando “adopta IA”.
Después dividieron al azar. El grupo de control siguió un currículo estándar de emprendimiento, con perfiles de cliente y validación de mercado. El grupo tratado recibió casos de estudio sobre cómo empresas nativas en IA habían reorganizado su producción, con ciclos de producto más cortos, prototipos en paralelo, cobranza automatizada, servicios que pasaron a funcionar como software.
Eso fue todo. Casos de otras empresas. Nadie les escribió código ni les dio una herramienta extra.
Lo que pasó
Los resultados, según el resumen que los autores presentaron en HKU, fueron estos.
| Resultado | Grupo tratado frente a control |
|---|---|
| Casos de uso de IA encontrados | 44% más (2,7 más en promedio) |
| Tareas completadas | 12% más |
| Probabilidad de conseguir clientes que pagan | 18% más |
| Ingresos | 1,9 veces |
| Capital externo que pidieron | 39,5% menos (unos 220 mil dólares) |
| Demanda de personal técnico | Sin cambio |
Los casos de uso nuevos aparecieron sobre todo en desarrollo de producto y estrategia, lejos de donde uno pondría la IA por reflejo. Crecieron más rápido sin contratar más gente técnica y necesitaron menos plata de afuera.
Y un detalle que me parece lo más honesto del paper. Casi toda la ganancia en ingresos vino del 10% de arriba. Para la startup típica, la facturación casi no se movió en ninguno de los dos grupos. Mapear bien subió el techo. El piso quedó donde estaba.
Por qué esto no es un estudio sobre startups
Podrías pensar que una startup de diez personas no se parece a tu empresa de 200. Es cierto en casi todo menos en lo que importa acá.
La startup del grupo de control tenía la IA, sabía usarla y aun así la puso donde la pone todo el mundo, en redactar correos, resumir documentos y escribir algo de código. Productividad de tarea. En un buen resumen del paper aparece una frase que me voy a robar. La búsqueda de IA es local, el valor es sistémico. Cada persona busca dónde la IA le ahorra tiempo a ella. Nadie mira el sistema completo.
En una empresa mediana pasa lo mismo, pero más caro. Hay más funciones, más traspasos entre áreas y más costumbre acumulada. La pregunta de dónde reorganizar el trabajo tiene más respuestas posibles y cuesta más verlas desde adentro.
Esto encaja con lo que publiqué ayer sobre el estudio de MIT sobre margen y curva J en el S&P 500. MIT encontró que tener IA sin rediseñar se asocia con peor margen. Harvard e INSEAD encontraron, con un experimento al azar, que enseñar a rediseñar produce más ingresos con las mismas herramientas. Una es correlación, la otra es causa. Apuntan al mismo lugar.
Lo que hacemos con esto en IQ Source
El tratamiento del experimento es, casi punto por punto, lo que hace la Etapa 1 de IQ Source Maestro. Mapeamos cómo trabaja la empresa hoy, función por función. Buscamos casos de uso fuera de la función obvia, porque ahí es donde el experimento encontró el 44% extra. Y comparamos con cómo otras empresas reorganizaron ese mismo trabajo.
La diferencia es que el acelerador le dio casos genéricos a media cohorte. Nosotros hacemos el mapa sobre tu operación y terminamos con una decisión Go o No-Go por cada caso, porque el dato del 10% de arriba también dice algo incómodo. No todos los mapas llevan a un tesoro. A veces el resultado correcto es no construir.
Si ya compraste las licencias y ya capacitaste al equipo, hiciste lo mismo que el grupo de control. El siguiente paso es el que hizo el grupo tratado. Escríbeme y vemos juntos dónde está tu 44%.
Hacer el mapa de mi operaciónPreguntas frecuentes
¿Qué encontró el experimento Mapping AI into Production de Harvard e INSEAD con 515 startups?
El experimento Mapping AI into Production, de Kim, Kim y Koning, dio a 515 startups las mismas herramientas de IA. La mitad que además aprendió cómo otras empresas reorganizaron su trabajo alrededor de la IA encontró 44% más casos de uso, consiguió clientes pagos 18% más seguido y facturó 1,9 veces más.
¿Qué es el problema del mapeo en la adopción de inteligencia artificial?
El problema del mapeo en la adopción de inteligencia artificial es la dificultad de descubrir dónde y cómo la IA crea valor dentro de los procesos de una empresa. Según el experimento de Harvard e INSEAD con 515 startups, ese descubrimiento, y no el acceso a las herramientas, es el cuello de botella para capturar las ganancias.
¿Dar acceso a herramientas de IA y capacitación técnica es suficiente para mejorar los resultados de una empresa?
No según el experimento de Harvard e INSEAD con 515 startups. Ambos grupos recibieron las mismas herramientas de IA y la misma capacitación técnica. Solo el grupo que aprendió dónde reorganizar el trabajo alrededor de la IA mejoró de forma clara en tareas completadas, clientes pagos e ingresos.
¿Cómo encuentra una empresa mediana los casos de uso de IA con más impacto en su operación?
Una empresa mediana encuentra los casos de uso de IA con más impacto mapeando primero su proceso real, función por función, y comparándolo con cómo otras empresas reorganizaron el mismo trabajo. El experimento de Harvard e INSEAD mostró que buscar más allá de la función obvia produjo 44% más casos de uso, concentrados en producto y estrategia.
Newsletter
Recibe los mejores artículos en tu email
Respetamos tu privacidad. Cancela en cualquier momento.



