El 92% de las empresas ya usa inteligencia artificial de alguna forma. Solo el 8% logró escalarla más allá de pilotos aislados hasta convertirla en un impacto económico real y medible. La cifra viene de investigaciones de McKinsey recogidas en el white paper The AI-Powered Banking Shift de Softtek, y resume en un solo dato el problema que enfrenta hoy cualquier CFO que aprobó gasto en IA durante los últimos dos años sin ver todavía el retorno que esperaba. La adopción dejó de ser el problema. El problema es qué se hace después de adoptar.
Lo que separa al 8% del resto no es cuánta tecnología suman
Daniel Aguilar, Sales VP Banking & Financial Services de Softtek, lo resume de forma directa en el mismo informe, "la IA genera verdadero valor cuando deja de operar como una suma de iniciativas independientes y pasa a formar parte de la arquitectura, los procesos y la toma de decisiones de toda la organización". La diferencia entre el 8% y el 92% restante no es el presupuesto total invertido ni la cantidad de herramientas contratadas, es si esas herramientas están conectadas entre sí y con el resto de la operación, o si cada una vive aislada en el equipo que la pidió.
Ese mismo informe muestra en qué se nota hoy el impacto de la IA y en qué todavía no. El área donde más empresas reportan mejoras es innovación, con un 64% de organizaciones que ven avances concretos, seguida de cerca por la satisfacción de los propios equipos de trabajo. El impacto sobre los indicadores que un CFO revisa primero, en cambio, sigue siendo más limitado, un 36% identifica mejoras en rentabilidad, un 33% en crecimiento de ingresos y apenas un 25% en participación de mercado. Ninguna de esas tres cifras es baja, pero ninguna es todavía la transformación que se prometió cuando se aprobó el primer proyecto de IA de la empresa.
El umbral que decide si el gasto en IA rinde o se diluye
Hay un número más específico detrás de esta brecha, y es el que más debería importarle a quien controla el presupuesto. Según datos de McKinsey y S&P Global citados en el mismo análisis, las organizaciones que destinan menos del 1,5% de su inversión tecnológica total a iniciativas de IA obtienen retornos prácticamente nulos. El cambio real empieza a producirse cuando esa inversión alcanza entre el 2,5% y el 4% del presupuesto tecnológico, el nivel donde la IA deja de optimizar tareas puntuales y empieza a integrarse de forma estructural en el negocio. Por debajo de ese umbral, cada proyecto de IA compite de forma aislada por atención y presupuesto, y ninguno alcanza la escala necesaria para mover un indicador financiero real.
Para un CFO, esto cambia la pregunta que vale la pena hacerse antes de aprobar el presupuesto del próximo año. No es cuánto cuesta cada herramienta de IA por separado, es si la suma de todas las iniciativas de IA de la empresa ya cruzó ese umbral de 2,5% a 4% del gasto tecnológico total, o si sigue repartida en montos chicos que nunca alcanzan la masa crítica para generar el efecto de integración que describe el estudio. Aprobar cuatro proyectos pequeños y aislados, cada uno por debajo del umbral, puede terminar costando lo mismo que una apuesta concentrada que sí lo cruza, con la diferencia de que solo la segunda tiene una probabilidad real de mostrar retorno.
Por qué repartir el gasto en muchos proyectos chicos rinde menos que concentrarlo
En la práctica, cruzar o no ese umbral de 2,5% a 4% depende menos del tamaño del presupuesto total y más de cómo se reparte. Es común encontrar empresas donde marketing contrató una licencia de IA para generar contenido, finanzas probó otra para conciliar planillas, y el área comercial pilotea una tercera para calificar leads, cada una aprobada por separado, cada una reportando a un responsable distinto, y ninguna conversando con las demás. Sumado, ese gasto puede parecer significativo en el reporte anual, pero disperso de esa forma nunca alcanza la masa crítica que describe el estudio de McKinsey y S&P Global, porque cada iniciativa sigue optimizando una tarea aislada en lugar de integrarse a la arquitectura completa de la operación.
El sector financiero ilustra bien cuánto valor queda sobre la mesa cuando esa integración no ocurre. Estimaciones de PwC y McKinsey, citadas en el mismo white paper de Softtek, calculan que la IA generativa podría generar entre 200.000 y 340.000 millones de dólares anuales para la banca a nivel global, equivalente a entre el 9% y el 15% de sus beneficios operativos actuales. Ese potencial no proviene de sumar más herramientas, proviene de que la banca opera sobre grandes volúmenes de datos y procesos altamente estructurados, exactamente el tipo de operación donde una IA bien integrada rinde más rápido que en negocios con procesos más artesanales. Cualquier empresa con ese mismo perfil de datos estructurados y volumen alto, sea banca, seguros o retail con inventario complejo, puede esperar una dinámica parecida si concentra el gasto en lugar de dispersarlo.
Dónde ya se nota la productividad, aunque todavía no se note en la caja
Mientras el impacto financiero directo avanza más despacio, la productividad ya se mueve con fuerza en las empresas que se tomaron en serio la integración. El Global AI Jobs Barometer 2026 de PwC encontró que las compañías con mayor exposición a inteligencia artificial en sus procesos registran un crecimiento de productividad 40% superior al de aquellas con menor adopción. Es una diferencia que no depende del tamaño de la empresa ni de la industria específica, depende de qué tan integrada está la IA en el trabajo diario de cada equipo, el mismo factor que separa al 8% que ya ve impacto económico real del resto que todavía no.
Esa brecha de productividad es, en la práctica, la señal más temprana de que una inversión en IA va en la dirección correcta, incluso antes de que se refleje en el estado de resultados. Un equipo que resuelve en minutos lo que antes tomaba días no necesariamente factura más ese mismo mes, pero libera horas que antes se perdían en tareas repetitivas, y esas horas terminan destinadas a trabajo que sí mueve ingresos, como atender más clientes o cerrar más oportunidades comerciales.
Una apuesta concentrada rinde antes que diez pilotos dispersos
Un ejemplo concreto ayuda a ver cómo se ve esto en la práctica, no solo en la teoría de un estudio. El Agente Técnico de Ventas de AgentLayer resuelve un problema puntual y acotado, la cantidad de tiempo que un equipo comercial pierde buscando información técnica antes de responder a un cliente. Según datos de Atlassian de 2025 citados en la ficha del producto, un 25% del tiempo de un equipo de ventas se va en buscar información técnica en vez de responder directamente al cliente, y el tiempo que toma conseguir esa respuesta de un especialista ocupado baja de 45 minutos a 45 segundos una vez que el agente indexa el catálogo completo con fichas técnicas, manuales y normas, y responde citando la fuente exacta.
Ese tipo de proyecto acotado es exactamente lo que separa a una apuesta que cruza el umbral de retorno de una que se queda esperando resultados que nunca llegan. No requiere rediseñar toda la operación comercial de una empresa, requiere identificar un cuello de botella específico, medir cuánto cuesta hoy en tiempo perdido, y resolverlo con un agente ya validado en vez de construir algo desde cero. Cuando ese tipo de apuestas se replican en dos o tres procesos más de la misma empresa, la inversión total empieza a acercarse al rango de 2,5% a 4% del presupuesto tecnológico donde McKinsey y S&P Global ubican el punto de inflexión, y el retorno deja de ser una promesa para convertirse en un número que el CFO puede citar en la próxima reunión de directorio.
Antes de aprobar el presupuesto de IA del próximo año, un CFO puede hacerse tres preguntas simples para saber en qué lado del umbral está parada su empresa hoy. La primera es cuánto suma, en total, todo lo que la empresa ya gasta en IA repartido entre las distintas áreas, y qué porcentaje representa eso sobre el presupuesto tecnológico completo. La segunda es si esas iniciativas comparten datos y procesos entre sí, o si cada una vive aislada en el área que la contrató sin que el resto de la organización se entere de que existe. La tercera es si cada proyecto tiene, desde el día en que se aprobó, una métrica de negocio concreta que alguien revisa mes a mes, en lugar de depender de una sensación general de que la IA está ayudando. Responder esas tres preguntas con honestidad suele bastar para saber si el próximo dólar de presupuesto conviene repartirlo en una iniciativa nueva o concentrarlo en profundizar una que ya está cerca de cruzar el umbral.
La lección para quien controla el presupuesto de IA del próximo año no es gastar más por gastar más. Es concentrar el gasto en procesos donde el problema ya está bien definido y la métrica de éxito se puede medir desde el primer mes, en lugar de repartirlo en pilotos dispersos que nunca suman la masa crítica necesaria para cruzar el umbral donde el retorno se vuelve real.
