Hay una frase que Sundar Pichai dijo en el escenario del Google I/O que merece más atención de la que ha recibido. Mencionando las conversaciones que tiene con directores de tecnología de grandes empresas, el CEO de Google reveló que varios de ellos ya han agotado su presupuesto anual de tokens de IA y estamos en mayo. Lo dijo como argumento de venta —para justificar por qué Gemini Flash es la solución que necesitan— pero la información implícita en esa frase es explosiva: las empresas están gastando en IA a un ritmo que no habían anticipado, y el retorno no siempre justifica la factura.
Durante 2023 y 2024, el discurso dominante sobre la inteligencia artificial generativa en el mundo empresarial fue de entusiasmo casi incondicional. Cada semana aparecía un nuevo modelo, una nueva herramienta, una nueva promesa de disrupción total. Los departamentos de tecnología competían entre sí para ser los primeros en adoptar las últimas herramientas, los consejos de administración preguntaban en todas las reuniones qué estaba haciendo la empresa con la IA, y las valuaciones de las compañías del sector alcanzaban cifras astronómicas.
El ajuste de cuentas que llegó en 2026
En 2026, ese entusiasmo no ha desaparecido, pero ha mutado. Ya no se trata de adoptar IA cuanto antes; se trata de justificar ante los directores financieros por qué la factura de cómputo se ha triplicado. La firma de análisis Forrester publicó a finales de 2025 una predicción que resultó notablemente acertada: la brecha entre las promesas exageradas de los proveedores y el valor real aportado a los negocios se ampliaría en 2026, forzando una corrección de mercado.
Los datos respaldan esa predicción. Cerca del 80% de las empresas ya experimenta con inteligencia artificial, pero una proporción similar reconoce que esos esfuerzos no se traducen en mejoras concretas en métricas clave como eficiencia operativa, reducción de costes o crecimiento de ingresos. Y cuando los directores financieros empiezan a hacer las preguntas difíciles —¿cuánto nos ha costado esto y cuánto hemos ganado?— las respuestas resultan incómodas.
Menos de un tercio de los responsables de decisiones tecnológicas son capaces de relacionar el valor de la IA con el crecimiento financiero real de su organización.
Por qué la mayoría de los proyectos de IA fracasa
La explicación más extendida para este fenómeno no tiene que ver con que la tecnología no funcione. Tiene que ver con cómo se implementa. La mayoría de los proyectos de IA en las empresas empiezan por el lado equivocado: se elige primero el modelo o la herramienta, se arma un prototipo que impresiona en las demos internas, y solo después se intenta conectar ese prototipo con un problema de negocio real.
El resultado es lo que los analistas llaman "deuda de adopción": una acumulación de proyectos piloto que nunca pasan a producción, equipos técnicos especializados en IA que no tienen contrapartes en los departamentos de negocio que puedan darles casos de uso concretos, y una sensación generalizada de que "estamos haciendo cosas con IA" sin que eso se traduzca en resultados medibles.
La industria está entrando ahora en lo que algunos expertos llaman la tercera etapa de adopción de la IA generativa. La primera fue la experimentación masiva con herramientas como ChatGPT, Copilot o Gemini a nivel individual. La segunda fue la integración de esas herramientas en los flujos de trabajo y sistemas existentes. La tercera, que es donde estamos ahora, es la era de los agentes: sistemas autónomos que ejecutan tareas complejas sin intervención humana constante, y que solo tienen sentido económico si los procesos en los que se despliegan están bien definidos y son suficientemente costosos como para justificar la inversión.
El problema del ROI en IA — cifras clave de 2026
- ~80% de empresas experimenta con IA generativa
- ~80% de esas empresas no ve impacto en métricas clave de negocio
- Menos del 33% puede relacionar la IA con crecimiento financiero real
- Forrester prevé que el 25% del gasto planificado en IA se aplace hasta 2027
- Google procesaba 500.000 millones de tokens/día en marzo; ya supera los 3 billones
El debate sobre la burbuja
La pregunta que más incomoda a los inversores y a las empresas del sector es si estamos en una burbuja. El término burbuja tiene una carga emotiva enorme en el mundo tecnológico: evoca el crash de las puntocom de 2001, cuando billones de dólares en valoraciones se evaporaron en meses. Nadie en el sector quiere usar esa palabra, pero cada vez hay más voces que apuntan a que la discrepancia entre la inversión en infraestructura de IA y los retornos reales que genera no puede sostenerse indefinidamente.
El Foro Económico Mundial publicó a principios de año un análisis que identificaba cinco paradojas de la adopción de IA, y entre ellas señalaba precisamente esta: el gasto en infraestructura de IA está alcanzando niveles sin precedentes en la historia de la tecnología, pero el entusiasmo de los inversores y empresas no parece haberse coordinado con evidencia sólida de que esas inversiones generarán los retornos esperados.
La respuesta de las grandes empresas tecnológicas ante esta presión ha sido precisamente la que Google presentó en el I/O: desarrollar modelos más baratos y eficientes que reduzcan el coste de la computación y hagan más fácil justificar el gasto. Gemini Flash, GPT-5.5 Instant, los modelos Haiku de Anthropic: todos apuntan en la misma dirección. Si el problema es que la IA es cara, la solución es hacer la IA más barata.
¿Austeridad o transformación real?
Hay un debate más profundo detrás de la discusión sobre costes. La promesa original de la inteligencia artificial generativa no era solo automatizar tareas existentes de forma más barata. Era transformar fundamentalmente cómo trabajan las personas y las organizaciones, crear nuevas categorías de productos y servicios que antes eran imposibles, y eventualmente acelerar el ritmo del progreso científico y tecnológico de forma exponencial.
Si el 2026 es el año en que la industria pasa de "¿cómo adoptamos esto cuanto antes?" a "¿cómo justificamos ante el CFO lo que ya hemos gastado?", hay un riesgo real de que el foco se desplace demasiado hacia la optimización de costes y demasiado poco hacia la innovación transformacional. Las empresas que recorten inversión en IA para mejorar sus métricas trimestrales podrían estar perdiendo ventaja competitiva a largo plazo frente a las que mantengan la inversión aunque el ROI tarde más en materializarse.
Perspectiva adicional: La comparación con internet es inevitable. También en 1999–2001 la mayoría de los proyectos de internet en empresas fallaron o no mostraron retorno a corto plazo. Quienes sobrevivieron y mantuvieron la inversión estuvieron mejor posicionados para beneficiarse del crecimiento que vino después. La pregunta es si el ciclo de la IA seguirá ese mismo patrón o si hay diferencias estructurales que lo harán distinto.
En cualquier caso, el 2026 es el año en que la luna de miel de la IA generativa llegó definitivamente a su fin. Lo que viene a continuación —si es una resaca dolorosa o una madurez productiva— depende en gran medida de cuántas empresas sean capaces de pasar de los proyectos piloto a los despliegues reales con impacto medible. La señal más esperanzadora es que ese proceso ya está ocurriendo. La señal de alarma es que todavía no sabemos bien cómo medirlo.
Compartir este artículo
