El 88% de las empresas usa IA de alguna forma. Solo el 39% atribuye algún impacto en EBIT a esa IA, y de ellas, la mayoría lo sitúa por debajo del 5%. Son datos de McKinsey State of AI 2025, y describen el estado real del mercado: IA desplegada en casi todas partes, valor capturado en casi ningún sitio.
La tecnología está madura.
Las evidencias de que la IA mueve margen y volumen están publicadas, auditadas y replicadas. Lo que falla es cómo se despliega. Las empresas que ven EBIT son las que combinan IA con equipos que rediseñan su trabajo alrededor de la herramienta. Las que la tratan como sustituto mecánico de personas terminan con pilotos bonitos sin efecto en la cuenta de resultados.
Este artículo recopila diez palancas contrastadas, con cifras reales publicadas por las propias compañías o por estudios académicos, y el patrón común que las conecta: la IA devuelve dinero cuando amplifica a personas; cuando se usa para reemplazarlas, los pilotos se quedan sin impacto financiero.
Qué dicen los datos agregados
McKinsey mide el impacto al nivel de función, no solo al nivel de empresa. Y ahí los números son muy distintos: en software y manufactura, reducciones de coste del 10% al 20%; en marketing, I+D y ventas, uplifts de ingresos por encima del 10%. El dinero está. Lo que fractura el resultado agregado es la capacidad de la compañía para traducir esos uplifts funcionales en EBIT consolidado, y eso exige la parte dura: rediseño de flujos, gobierno del dato, reasignación de tiempo de las personas.
Otra cifra útil para calibrar expectativas: el 80% de las empresas persigue eficiencia como objetivo de sus iniciativas de IA, mientras que las que capturan más valor son las que añaden, además, objetivos de crecimiento e innovación. Traducido: si solo usas la IA para recortar, obtendrás en el mejor de los casos el ahorro. Si la usas también para vender más y lanzar antes, desbloqueas el doble efecto.
Front-office: atención, ventas y marketing que convierten más
1. Atención al cliente aumentada por IA con humanos en el tramo duro
El caso más citado es Klarna. En el primer mes de su asistente de IA, el sistema gestionó 2,3 millones de conversaciones, dos tercios del total de chats de servicio, con CSAT equiparable al de los agentes humanos y una caída del 25% en consultas repetidas. La compañía atribuyó 39 millones de dólares de mejora en P&L en 2024, y actualizó la cifra a 60 millones en la earnings call del Q3 de 2025, con un coste por transacción que bajó de 0,32 a 0,19 dólares en dos años.
El dato contradictorio, y más interesante, llegó después: en 2025 Klarna reintrodujo agentes humanos para casos complejos tras detectar que la automatización máxima degradaba la experiencia en el tramo de problemas de alto valor. El titular operativo sigue en pie (menos coste por transacción, más volumen atendido) y la lección sí es nueva: la economía óptima pasa por IA en primer contacto y humanos bien cualificados en el tramo difícil.
La evidencia académica apunta en la misma dirección. El estudio de Brynjolfsson, Li y Raymond (Stanford HAI y MIT, publicado en el QJE en 2024 sobre 5.179 agentes de contact center) encontró un aumento medio de productividad del 14% con asistencia de IA generativa, con una distribución muy asimétrica: +34% en los agentes novatos y de bajo rendimiento, prácticamente 0% en los veteranos. La IA transmite el conocimiento tácito de los mejores al resto, sin tocar el techo de los mejores. Para un COO la lectura es directa: la IA reduce la curva de aprendizaje y estabiliza la calidad de servicio, no sustituye al agente que ya sabía hacerlo bien.
2. Contenido de marketing a mitad de coste y doble velocidad
Unilever lleva dos años reconstruyendo su cadena de producción de contenido con IA generativa y gemelos digitales sobre NVIDIA Omniverse. El resultado, declarado por su Chief Growth and Marketing Officer, es producir imagen de producto el doble de rápido al 50% del coste. En un caso concreto publicado, TRESemmé Thailand redujo el coste de creación de contenido un 87% y elevó la intención de compra un 5%. La compañía reconoce más de 500 aplicaciones de IA activas en marketing, I+D, cadena de suministro e innovación.
La clave del caso Unilever no está en "sustituimos a la agencia". Está en que el equipo interno de marca pasa de aprobar un shoot al trimestre a iterar variantes diarias del mismo activo digital para mercados distintos. El creativo sigue decidiendo; la IA elimina la fricción física del plató.
3. Pricing B2B que recupera basis points que estaban tirados
McKinsey estima que las herramientas de pricing con IA añaden entre 2 y 5 puntos porcentuales de EBITDA en B2B cuando se aplican donde hay más palanca: clientes del percentil 60 al 80 de volumen y productos con alta dispersión de descuento. Un caso documentado de una química especializada con más de seis unidades de negocio cifra el impacto en unos 100 millones de dólares adicionales de beneficio tras microsegmentar clientes con más de 100 atributos. Wilbur-Ellis, distribuidor agrícola, reportó un uplift de margen del 2% al activar pricing en tiempo real sobre 6.000 SKUs con PROS.
El patrón, de nuevo, no es algorítmico puro. El motor propone, el vendedor humano cierra. Y la captura real de los basis points depende de los incentivos del equipo comercial: si sigues pagando por volumen puro, el comercial seguirá dejando margen en la mesa aunque el modelo le indique otra cosa.
Operaciones: planta, cadena y activos que no paran
4. Mantenimiento predictivo que convierte downtime en capacidad
Siemens Senseye, desplegado en más de 100.000 máquinas en 650 plantas, documenta reducciones de downtime no planificado de hasta el 50%, mejoras de eficiencia de mantenimiento de hasta el 55% y ROI medido por debajo de los tres meses. En BMW Regensburg, el sistema ha evitado más de 500 minutos de disrupción al año en líneas robotizadas, con una integración Siemens-BMW de gemelo digital que la propia BMW cuantifica en hasta un 20% de mejora en eficiencia de producción.
Para un CFO, el cálculo es directo: cada hora de línea parada en un fabricante de vehículos o de alimentación se traduce en cifras de cinco o seis dígitos. Reducir a la mitad el downtime no planificado es, en la práctica, comprar capacidad sin invertir en más activo fijo.
5. Forecast de demanda e inventario con precisión granular
Walmart, en su documentación pública sobre machine learning aplicado a supply chain, reporta mejoras de hasta el 90% en precisión de inventario, 30 millones de millas evitadas al optimizar rutas, y una tasa del 68% de éxito en negociaciones automatizadas con proveedores con un ahorro medio del 3%. El efecto compuesto que McKinsey y la NRF estiman en retail: crecimiento de beneficio anual del 8% en 2023 y 2024 para quienes desplegaron ML en forecast y pricing, frente a competidores que no lo hicieron.
La palanca real para una empresa mediana no está en replicar Walmart. Está en entender que una mejora de un punto en margen bruto por reducción de mermas y roturas de stock se traduce en múltiples de ese punto en beneficio operativo. Y esa mejora, para el segmento medio, es viable con herramientas comerciales estándar sobre SAP, Oracle o Microsoft Dynamics.
6. Ingeniería de software más rápida
El estudio de GitHub sobre Copilot midió en experimento controlado un 55% de aceleración en tiempo de completar una tarea de desarrollo (71 minutos frente a 161) y una tasa de finalización ocho puntos superior (78% vs 70%). La parte que no se suele citar es la otra: el tiempo liberado no se traduce automáticamente en más features entregadas. Se traduce en lo que el equipo decida hacer con ese tiempo.
Las empresas que lo capturan bien redirigen ese margen hacia reducción de deuda técnica, más cobertura de tests y más tiempo de diseño. Las que no rediseñan nada ven cómo ese 55% se evapora en reuniones adicionales o en más pull requests mediocres. La IA acelera; la dirección sigue siendo humana.
Back-office: finanzas, legal y talento
7. Cierre contable y reporting que pasa de semanas a días
Un estudio MIT/Stanford sobre adopción de IA en funciones de finanzas encontró que los equipos que la usan recortan 7,5 días del ciclo de cierre mensual, elevan un 12% el nivel de detalle de los informes y reasignan un 8,5% de su tiempo desde tareas rutinarias hacia análisis. Hackett Group, en su benchmark de 2026, sitúa a las compañías mid-market con flujos agénticos desplegados en ciclos de cierre de 1,8 días frente a los 6,2 días de media del sector.
Casos concretos documentados: Tower Federal Credit Union cierra en dos o tres días; Ralph Lauren ha comprimido un proceso de cuatro semanas con varias personas a "una persona, menos de un día". Para un CFO, el efecto no está solo en el coste del equipo; está en que el comité dispone de cifras firmes para decidir una o dos semanas antes, y eso cambia la calidad de cada decisión de capital.
8. Revisión de contratos y análisis legal
JPMorgan puso en producción COIN (Contract Intelligence) en 2017 para analizar acuerdos de crédito comercial. El sistema elimina 360.000 horas anuales de revisión manual, estimadas en 144 millones de dólares de coste laboral, y procesa en segundos lo que antes consumía semanas de abogados y loan officers. La precisión en extracción de cláusulas resultó superior a la humana en los benchmarks internos del banco.
Lo relevante para el mid-market es que esa misma capacidad está hoy disponible en herramientas comerciales de legal tech a precio de licencia de software estándar, sin necesidad de replicar COIN. Si tu equipo legal sigue revisando NDAs línea por línea, estás pagando por trabajo de subcontratista que tu propia cuenta de P&L ya no necesita absorber.
9. Reclutamiento con menos fricción y más diversidad
Unilever ha publicado cifras precisas de su rediseño de recruiting con HireVue y Pymetrics: procesa dos millones de candidaturas al año, contrata 30.000 personas y ha reducido el ciclo de hiring para graduados un 90% (de más de cuatro meses a cuatro semanas), con más de un millón de libras de ahorro anual, 50.000 horas recuperadas y un aumento del 16% en diversidad de plantilla, porque el modelo pondera competencias cognitivas y conductuales en lugar de currículum.
El CHRO que lea esto debería trasladarlo al CEO en términos directos: si tardamos 90 días en cubrir un rol y el competidor tarda 15, el competidor se queda con el talento que contesta primero. La IA no cambia la propuesta de empleador; cambia el tiempo de respuesta, que en mercados ajustados vale literalmente la contratación.
Innovación: I+D que comprime el ciclo
10. Descubrimiento y diseño de producto
Moderna reconfiguró su pipeline de descubrimiento con AWS para pasar de fabricar 30 mRNAs al mes a más de 1.000, con automatización robótica y modelos de IA gestionando control de calidad y análisis. Pfizer reporta haber comprimido ciclos de descubrimiento "de años a 30 días" en casos seleccionados y haber ahorrado 16.000 horas anuales solo en la fase de investigación, con aumentos del 10% en yields de manufactura y reducciones del 25% en cycle time. Eli Lilly ha desplegado un NVIDIA DGX SuperPOD con 1.016 GPUs Blackwell Ultra dedicado a comprimir los tiempos de descubrimiento farmacéutico.
El caso pharma es extremo y no directamente transferible a una empresa mediana. La señal, sí. Cualquier proceso de ingeniería de producto con iteraciones costosas (diseño industrial, formulación química, desarrollo de materiales, testing de firmware) es susceptible de la misma compresión. Lo que hoy cuesta tres sprints puede costar uno si el ingeniero trabaja con modelos que simulan y descartan opciones antes de llegar al banco de pruebas.
El patrón común: por qué "IA sola" no gana y "IA + equipo" sí
¿Qué separa a las empresas que capturan EBIT con IA de las que solo acumulan pilotos?
Releyendo los diez casos aparece un patrón limpio y repetido.
Los resultados se sostienen cuando la IA entra como multiplicador de capacidades humanas; cuando entra como sustituto puro, los números se desvanecen. El agente de call center novato alcanza el nivel del veterano con la IA soplándole al oído. El ingeniero de planta con Senseye prioriza mejor qué activo revisar, pero es él quien hace la inspección. El vendedor B2B usa el motor de pricing para proponer, y cierra él. El abogado de JPMorgan confirma lo que COIN ha marcado en rojo, no firma sin leer.
Los fracasos, cuando los hay, siguen el patrón inverso. Klarna, al intentar llevar la automatización al 100%, tuvo que reintroducir humanos para los casos difíciles. McKinsey documenta que las empresas centradas solo en eficiencia capturan menos valor que las que persiguen también crecimiento. El Veracode GenAI Code Security Report 2025 encuentra que el código generado por IA tiene 2,74 veces más vulnerabilidades cuando se acepta sin revisión humana.
"La IA no sustituye el juicio senior. Lo distribuye. El beneficio operativo aparece cuando quien antes no podía ejecutar con criterio ahora sí puede, y el equipo senior queda libre para decidir dónde se juega la empresa."
Esa es la tesis operativa del artículo: la IA genera margen porque eleva el suelo, no porque baje el techo. Eleva el suelo del junior, del novato, del generalista y del equipo que antes no daba abasto. Libera al senior para tareas de mayor palanca. Lo que no hace, en ningún caso documentado con números serios, es eliminar la necesidad de criterio humano cualificado.
La IA es una herramienta, y este blog no es una excepción: aquí la utilizamos abiertamente para investigar, contrastar datos y apoyar la redacción. Las ideas, la postura y el criterio siguen siendo humanos. Es exactamente la relación que recomendamos dentro de las compañías que asesoramos.
Lo que un C-level debe mover este trimestre
Si diriges una empresa del segmento medio y quieres pasar del ruido a la cuenta de resultados, estos son los movimientos concretos para los próximos 90 días, ordenados por palanca y con un owner claro por puesto.
1. CEO: elige solo dos palancas. Las compañías que capturan EBIT eligen dos funciones prioritarias y rediseñan a fondo. Las que capturan nada lanzan "iniciativas de IA" transversales. Mira la lista de diez, cruza con dónde tienes más presión de margen o más cuello de botella de volumen, y firma dos objetivos por escrito con patrocinio ejecutivo.
2. CFO: pide el caso de negocio por palanca, no agregado. Cada iniciativa tiene que llegar al comité con una métrica operativa ligada a P&L: puntos de margen bruto, días de DSO, coste por transacción, tiempo de cierre, time-to-hire. La cifra corporativa de "valor generado por IA" sin trazabilidad es, según los datos de McKinsey, el indicador más claro de que no hay valor real.
3. COO: rediseña flujos, no apliques IA al proceso actual. El hallazgo de McKinsey es nítido: las compañías que ven EBIT son las que modificaron el flujo de trabajo. Poner Copilot encima de un pipeline de QA que sigue midiendo tickets cerrados por persona no devuelve nada. Hay que cambiar qué se mide.
4. CHRO: diseña la curva de capacidades del equipo. Si la IA sube +34% a los novatos y 0% a los seniors, el problema de carrera profesional cambia: el junior aprende más rápido y el senior necesita un salto claro hacia decisión, criterio y coordinación. Sin esa curva redefinida, el equipo se aplana, sube la rotación del talento senior y la organización pierde el activo más escaso.
5. Los cuatro juntos: firmar una lista explícita de "qué seguirá siendo humano". Klarna aprendió a su coste que ciertos tramos (reclamaciones delicadas, casos con riesgo regulatorio, conversaciones de retención de clientes valiosos) necesitan mano humana. Listar esos tramos por escrito antes de desplegar evita tener que dar marcha atrás nueve meses después.
6. Blindar el dato antes de invertir en el modelo. Ninguno de los diez casos funciona sobre un data lake incoherente. Antes de firmar una licencia de IA generativa, haz que el equipo de datos valide que las fuentes que van a alimentar el modelo están limpias, versionadas y trazables. Es el trabajo menos vistoso de la lista y el único sin el cual todo lo demás es ruido.
Si haces solo estos seis movimientos, el siguiente ciclo de planificación estratégica llegará con datos duros sobre qué funciona en tu casa y qué no, en lugar de con un dashboard de pilotos que nadie sabe leer.
La foto agregada del mercado seguirá siendo la misma un año más: casi todos desplegando IA, pocos capturando valor. La diferencia entre quedarse en el 61% sin impacto de EBIT o pasar al 6% de high performers no se decide por tener más IA. Se decide por tener menos iniciativas, más profundas, rediseñadas alrededor de personas que saben lo que están haciendo.
Si quieres trabajar cómo elegir las dos palancas correctas para tu compañía y diseñar el rediseño de flujo que las convierte en margen, nuestros programas de advisory están pensados para esa conversación, con decisiones que tu comité pueda firmar el lunes.
