Puntos clave del estudio
- Comprar herramientas de IA no transforma un negocio. Un estudio global citado por el Foro Económico Mundial encontró que solo el 25% de las empresas dice que la IA tuvo un efecto transformador, y el 84% ni siquiera rediseñó sus puestos de trabajo alrededor de la tecnología.
- La diferencia no es cuánta IA usas, sino dónde la pones. Las empresas que despegan no le «agregan» IA a sus procesos: reconstruyen la forma en que la organización piensa, decide y ejecuta alrededor de ella.
- Los números del grupo que sí lo hace son brutales: flujos de seguros que pasaron de 28 días a 2.8 horas, productos que llegaron a 100 millones de dólares de facturación en meses en vez de años, y equipos que producen 15 veces más.
- Hay una prueba de fuego sencilla: si mañana apagas la IA, ¿tu operación seguiría funcionando igual? Si la respuesta es «sí», todavía no eres una empresa AI-first.
- La ventana está abierta, pero no para siempre. La brecha entre quienes se reorganizaron alrededor de la inteligencia y quienes solo la probaron se está ampliando rápido.
Imagina a un director de operaciones revisando el tablero de su empresa un lunes por la mañana. Tiene 40 pilotos de inteligencia artificial activos. Uno resume contratos, otro clasifica tickets de soporte, otro redacta borradores de correos comerciales. Cada uno funciona. Cada uno, presentado por separado, luce como un éxito. Y sin embargo, al final del trimestre, los márgenes no se movieron, el equipo no creció y los clientes no notaron nada. Cuarenta pequeñas victorias que, sumadas, no cambiaron el negocio.
Esa escena —decenas de experimentos que demuestran valor local pero nunca se acumulan— es hoy la norma en la mayoría de las empresas. Y es, según un nuevo informe del Foro Económico Mundial elaborado junto a la consultora Kearney, exactamente el síntoma de haber entendido mal la tecnología.
El documento, titulado The AI-First Operating System, parte de una idea incómoda: la inteligencia artificial no rinde cuando se la trata como una herramienta que se instala encima de lo que ya existe. Rinde cuando la empresa se rediseña alrededor de ella. La distinción parece sutil, pero define quién está compounding —acumulando ventaja cada mes— y quién sigue atrapado en una eterna «fase de experimentación» mientras un competidor se aleja.
Por qué «poner IA» no es lo mismo que ser una empresa de IA
Para explicar lo que está pasando, los autores recurren a una escena de hace un siglo. Cuando la electricidad llegó a las fábricas, los primeros dueños hicieron lo obvio: sacaron la vieja máquina de vapor del centro del taller y pusieron en su lugar un gran motor eléctrico. Conservaron exactamente la misma distribución, las mismas correas, el mismo flujo de trabajo. ¿El resultado? Ahorraron algo de energía, pero la productividad no se movió.
El salto real llegó cuando pioneros como Henry Ford, entre 1919 y 1926, reconstruyeron la fábrica entera alrededor de la electricidad. En lugar de un motor gigante en el centro, pusieron motores pequeños en cada estación de trabajo. Reorganizaron las líneas, redistribuyeron el poder, rediseñaron el proceso de producción desde cero. Recién ahí apareció la fábrica moderna.
La IA está viviendo su propio momento «motor eléctrico». Durante años, la mayoría de las empresas la enchufó encima de sus procesos existentes, como quien reemplaza la máquina de vapor sin tocar nada más. Mejora los márgenes, sí, pero al margen. Lo que el informe describe es un grupo pequeño y creciente de organizaciones que están haciendo lo que hizo Ford: reconstruir la operación entera.
El Foro las ordena en tres categorías:
- Las AI-enabled aplican IA a tareas sueltas dentro de flujos que no cambian; si les quitas las herramientas, la estructura sigue en pie.
- Las AI-first rediseñan los flujos de trabajo, los roles y las decisiones alrededor de la inteligencia; si les quitas la IA, el negocio deja de operar.
- Las AI-native nacieron con la IA como su capacidad central de producción: sin ella, ni siquiera existe su propuesta de valor.
La prueba de fuego es esa pregunta simple: si apagas la IA mañana, ¿colapsaría tu operación?
El «motor de inteligencia»: la pieza que casi nadie está construyendo
En el corazón de una empresa AI-first hay algo que el informe llama el motor de inteligencia (intelligence engine). No es un modelo ni una aplicación. Es un volante de inercia —piensa en una rueda pesada que, una vez que gira, cada empujón la hace girar más rápido con menos esfuerzo— que aprende de cada interacción, cada transacción y cada decisión, y se vuelve más capaz con el uso.
Ese motor gira en tres velocidades:
- Primero acelera la velocidad: descubrir, experimentar y validar ideas antes de gastar recursos. Una empresa de descubrimiento de fármacos pasó de una hipótesis a una simulación validada en días, no meses.
- Luego amplía la escala: el mismo sistema, sin reconstruirlo, se aplica a funciones vecinas. Osmo, una compañía que construyó una «inteligencia olfativa» entrenada con más de 3.000 millones de moléculas, redujo el desarrollo de una fragancia de seis meses a 60 segundos, y cada nueva fórmula alimenta al sistema para la siguiente.
- Finalmente expande el alcance: capacidades construidas para un propósito se recombinan para crear productos y mercados nuevos.
Aquí es donde la mayoría se queda corta. Los pilotos aislados no alimentan ningún volante. Son ruedas sueltas que nunca llegan a girar juntas. Sin un motor central que capture las señales de cada ciclo de trabajo, la organización repite el mismo esfuerzo una y otra vez sin acumular nada.
Tratar la inteligencia como capital, no como gasto
Uno de los giros más útiles del informe es dejar de pensar la IA como un costo de tecnología y empezar a tratarla como capital que hay que asignar con criterio. No se digitaliza todo a la vez. Se identifican de tres a cinco flujos de trabajo donde rediseñar alrededor de la inteligencia genera el mayor salto, y se empieza ahí.
¿Cómo se eligen esos flujos?
Los mejores candidatos comparten tres rasgos:
- Escala y repetición (procesos de alto volumen donde cada mejora se multiplica).
- Fricción (procesos frenados por traspasos entre áreas, coordinación en varios pasos o revisión manual).
- Complejidad cognitiva (decisiones donde la IA mejora de verdad el juicio y la velocidad).
Por eso, soporte al cliente, compras, suscripción de pólizas y gestión de reclamos suelen ser los primeros. No porque sean fáciles, sino porque rediseñarlos genera retornos que se acumulan.
Gamma, una empresa de presentaciones AI-native, ilustra la disciplina. Con un equipo de apenas 50 personas cruzó los 100 millones de dólares de facturación anual mientras sus usuarios generaban más de un millón de piezas de contenido al día. La clave: trataron cada paso de la creación como un problema de asignación. ¿Qué tarea va a un modelo caro de frontera y cuál a uno barato y especializado? ¿Qué necesita orquestación y qué necesita ajuste fino? ¿Qué sigue requiriendo juicio humano sobre gusto y dirección? Seis meses después del lanzamiento, el margen bruto ligado a la inferencia pasó de alrededor del 31% al 77%. No porque la tecnología mejorara sola, sino porque las decisiones de asignación se volvieron más deliberadas.
El factor humano: equipos diminutos con resultados gigantes
Quizás la señal más provocadora del informe está en las plantillas. Los pioneros están cruzando umbrales de facturación con una fracción del personal que necesitaban los líderes de software anteriores. Anthropic, según los datos citados, alcanzó 10.000 millones de dólares de facturación anualizada con 2.300 empleados. Cursor llegó a 1.000 millones con entre 150 y 300 personas.
Esto no significa que la gente sobre. Significa que cambia lo que aporta la gente. Cuando la IA absorbe la «capa media» —la ejecución técnica repetitiva—, lo que gana peso es la combinación de amplitud (saber enmarcar problemas y adaptarse a herramientas nuevas) y profundidad (la experiencia de dominio y el juicio que la IA todavía no puede sustituir). El informe advierte incluso sobre un riesgo silencioso: la atrofia de habilidades. A medida que la IA ejecuta más, las capacidades humanas se debilitan por desuso, y las organizaciones suelen descubrir lo crítico que era ese conocimiento tácito solo cuando la IA falla. Las habilidades se pueden reentrenar; el juicio es mucho más difícil de recuperar.
Para que ese talento funcione, el informe propone un modelo de organización federado: un equipo central liderado desde la dirección general provee la infraestructura compartida —modelos aprobados, plataformas de datos, herramientas de evaluación, barreras de seguridad—, mientras las unidades de negocio deciden dónde aplicar la IA y son dueñas del retorno en sus propios resultados. Rakuten, con más de 70 unidades de negocio, opera así, con líderes de IA embebidos en cada área que reportan tanto a su unidad como al centro.
El costo de esperar
Hay una tentación de leer todo esto como el enésimo hype tecnológico. El propio informe es honesto: la ola AI-first está en etapas tempranas, no está claro qué modelos resultarán más resistentes, y las métricas laborales actuales quizá no capturen bien el impacto de tecnologías que siguen evolucionando. Nadie tiene la fórmula cerrada.
Pero esa incertidumbre no es una excusa para quedarse quieto. El consejo práctico para los líderes es correr modelos operativos en paralelo: desarrollar flujos, equipos y sistemas AI-first junto a los existentes, y medir sistemáticamente la diferencia de desempeño. Así se descubre dónde la inteligencia crea ventaja real y dónde los modelos tradicionales siguen funcionando.
Volvamos al director de operaciones del lunes por la mañana, frente a sus 40 pilotos que no suman. Su problema nunca fue tener poca IA. Fue tener IA dispersa, enchufada encima de una operación que no cambió. La lección del grupo que sí despegó es que la pregunta correcta no es «¿qué herramienta compro?», sino «¿qué flujo de trabajo estoy dispuesto a reconstruir desde cero para que cada ciclo de ejecución alimente el motor?» para innovar el modelo de negocio. El día que ese tablero deje de mostrar 40 experimentos sueltos y muestre una sola rueda girando cada vez más rápido, habrá dejado de usar inteligencia artificial para empezar a funcionar con ella. Y esa, dice el informe, es toda la diferencia.
Referencia (acceso abierto)
World Economic Forum. (2026). The AI-first operating system: A blueprint for operating and business model innovation [White paper].
Editor y fundador de «Innovar o Morir». Milthon es Máster en Gestión de la Ciencia y la Innovación por la Universidad Politécnica de Valencia, con diplomas de especialización en Innovación Empresarial (UPV) y Gestión de la Innovación Orientada al Mercado (UPCH-Universitat Leipzig). Cuenta con experiencia práctica en la gestión de la innovación, habiendo liderado la Unidad de Innovación en Pesca del Programa Nacional de Innovación en Pesca y Acuicultura (PNIPA) y trabajado como consultor en diagnóstico para innovación abierta y vigilancia tecnológica. Cree firmemente en el poder de la innovación y la creatividad como motores de cambio y desarrollo.
