Si tu empresa lleva un año “probando IA” sin cambiar cómo trabaja, los datos dicen que estarías mejor sin haber empezado. Eso encontró un equipo de MIT al leer diez años de reportes anuales del S&P 500. La IA pegada encima del proceso viejo cuesta margen. La IA con el proceso rediseñado alrededor lo devuelve con creces. El problema es el tramo del medio, y ahí está casi todo el mundo.

Llevo meses diciéndole esto a gerentes generales con una intuición y un par de anécdotas. Ahora hay un número, y Chamath Palihapitiya lo incluyó en la presentación que acompaña su análisis del 25 de septiembre sobre por qué la IA no aparece en la productividad, así que lo vas a ver circular.

El hueco de 2 a 3 puntos está en el piloto

El paper se llama AI Adoption in S&P 500 Firms y salió en agosto. Lo firman Yang Yu, Martin Fleming, Lucy Hampton, Christophe Combemale y Neil Thompson, de MIT FutureTech y Carnegie Mellon. Lo que me gustó del método es que no le preguntaron nada a nadie. Leyeron los reportes 10-K, esos documentos que las empresas públicas en Estados Unidos entregan cada año al regulador y que los abogados revisan línea por línea, y calificaron cada uno en cinco niveles.

1. No menciona IA, o la menciona solo hablando de la competencia.
2. Está explorando o armando capacidad.
3. La IA está metida en productos o procesos específicos, sin impacto financiero declarado.
4. La IA corre en producción con resultados financieros esperados.
5. La IA es parte central de la estrategia y del desempeño financiero.

Fueron 4.470 calificaciones sobre 510 empresas, de 2016 a 2025.

En 2025, el 11% llegó al nivel 5. Y dos de cada tres empresas en los niveles 4 y 5 son tecnológicas, o sea que las que no venden software van bastante más atrás.

Ahora el dato que me hizo volver a leer la tabla. Entre las empresas no tecnológicas, las que están en nivel 2 o 3 tienen márgenes netos 2 a 3 puntos porcentuales más bajos que las que no han hecho nada con IA. Las del nivel 5 están 12,6 puntos arriba, una vez que se controla por tamaño, sector y otras diferencias.

Tres puntos de margen. En una empresa que factura 20 millones de dólares al año son 600 mil dólares que no llegan a la última línea.

Lo que el estudio no dice

Quiero ser honesto con lo que no dice, porque es fácil estirarlo.

Los propios autores lo escriben sin rodeos: son correlaciones, no causas. Puede que las empresas que ya ganaban más sean las que se atrevieron a integrar a fondo. Puede que las del medio tuvieran márgenes flojos antes de tocar la IA. El grupo del nivel 5 entre las no tecnológicas es chico y los intervalos de confianza son anchos.

Y hay otro hallazgo que se cita poco porque no vende. No encontraron relación entre adopción de IA e ingresos por empleado, que es su medida de productividad. El margen se mueve. La productividad, todavía no.

Aun así, la forma de la curva no es nueva. Erik Brynjolfsson, Daniel Rock y Chad Syverson la describieron en 2018 como la curva J de productividad. Cada tecnología de propósito general, la electricidad, la computadora, ahora la IA, primero hunde el desempeño medido porque la empresa paga el aprendizaje, la integración y la reorganización antes de ver nada. Después sube por encima de donde estaba. MIT encontró esa misma J en el margen neto del S&P 500.

Por qué el medio cuesta

Piensa en lo que pasa en una empresa en nivel 2 o 3. Pagó licencias. Pagó horas de capacitación. Alguien armó un piloto con un proveedor. Hay un chat de IA abierto en cada computadora. Y el proceso es exactamente el mismo: las mismas aprobaciones, las mismas planillas, las mismas cinco personas que tocan cada pedido.

Todo el costo de la IA, nada del rediseño.

Ese es el tramo que MIT está midiendo. La IA a medias es pura adición de costo. Y el problema de fondo es que el piloto se siente como avance. Hay reuniones, hay entusiasmo, hay una presentación a la junta con capturas de pantalla. Nadie tiene incentivo para decir que lleva doce meses sin mover un número.

Lo que hacemos distinto en IQ Source

Lo que yo concluyo, y es opinión mía sobre un dato que es correlación, es que hay dos posiciones defendibles y una indefendible.

Defendible uno. Rediseñas el proceso alrededor de la IA y empujas hacia el nivel 4 o 5, sabiendo que vas a pagar un tramo de la J.

Defendible dos. Decides con datos que todavía no, y te quedas en el nivel 1 hasta que tengas claro dónde sí paga.

Indefendible. El piloto sin fecha de cierre.

Por eso el programa AI Maestro termina en una compuerta Go o No-Go, con fecha y con alguien que firma. Los dos primeros meses son para mapear cómo trabaja la empresa hoy, dónde se atasca el flujo y qué casos de IA mueven ese atasco. Si ninguno lo mueve, el entregable es un No-Go y la empresa se ahorra el hueco de la J. Si alguno lo mueve, el rediseño ya viene hecho antes de comprar la primera licencia adicional.

Ya escribí antes sobre por qué adopción no es lo mismo que transformación y sobre cómo encontrar la restricción que de verdad ata el flujo. El estudio de MIT le pone precio a ignorar las dos cosas.

Tres preguntas para tu próximo comité

¿Cuántos pilotos de IA tienen hoy una fecha en la que alguien decide escalar o apagar? ¿Cuál de esos pilotos cambió un paso del proceso, no solo la herramienta con que se hace? ¿En qué línea del estado de resultados debería verse la diferencia si funciona, y quién la va a revisar?

Si las tres respuestas son “ninguno”, “ninguno” y “no sé”, estás en el tramo caro de la curva.

La buena noticia es que salir de ahí depende de una decisión que puedes tomar este trimestre. Si quieres hacerla con datos de tu propia operación, escríbeme y armamos el mapa.

Salir del piloto con una decisión