Añadir Mangas Verdes como fuente preferida de Google de forma gratuita.
Mantente informado con las últimas noticias de actualidad.
La inteligencia artificial ya dejó de ser un experimento de laboratorio en la gran empresa. Entre ocho y nueve de cada diez compañías con ingresos anuales de al menos 500 millones de dólares la están desplegando o ya la han integrado por completo, y el área de tecnología de la información marca el paso.
Ese retrato sale de un informe de Economist Enterprise, elaborado con apoyo de Databricks, que examinó cómo las empresas están convirtiendo la IA en procesos reales durante 2026. La investigación reunió las respuestas de 1.221 responsables de grandes compañías de 18 países de América, Europa y Asia Pacífico, incluida España, en una encuesta realizada entre noviembre de 2025 y enero de 2026.
La adopción corre más deprisa que la medición
Hay una paradoja difícil de ignorar. Más de cuatro de cada cinco ejecutivos aseguran que el retorno de sus iniciativas de inteligencia artificial supera lo que esperaban, pero menos de la mitad obliga a sus equipos a seguir esos beneficios de forma sistemática.
Eso deja una escena muy reconocible en cualquier comité de dirección. La empresa dice que gana eficiencia, velocidad o capacidad de análisis, pero a menudo no fija un método estable para demostrar cuánto de ese avance procede realmente de la IA y cuánto responde a otros cambios internos.
La mayoría de las empresas tarda entre siete y doce meses en llevar un proyecto hasta producción. En tecnología, ese plazo no suena menor, sobre todo cuando la presión por mostrar resultados suele llegar bastante antes.
Stellantis pone una condición muy concreta al dinero
No todas las compañías miden con la misma paciencia. Stellantis financia proyectos de inteligencia artificial cuando pueden producir valor medible en un plazo de entre 12 y 18 meses, y usa para ello indicadores de eficiencia y reducción de tiempos de ciclo.
La idea importa porque baja la discusión a tierra. No se trata solo de tener modelos funcionando, sino de comprobar si acortan procesos, eliminan cuellos de botella o permiten hacer en menos tiempo tareas que antes consumían horas.
Los datos ordenados siguen siendo la parte menos vistosa
Las organizaciones que van por delante comparten un rasgo menos llamativo que un asistente conversacional. Consolidan sus datos para que sean localizables, accesibles, interoperables, reutilizables y trazables.
Ahí está una de las diferencias entre probar una herramienta y operar con ella de verdad. Cuando la información vive dispersa en departamentos, formatos y sistemas que no dialogan entre sí, la inteligencia artificial puede parecer lista en la demostración y torpe en la rutina, algo que ya asomaba en la adopción silenciosa en empresas.
Después llega otra capa menos visible y bastante más delicada. Las compañías más avanzadas ajustan la supervisión y la gobernanza al riesgo concreto de cada aplicación una vez que ya está en marcha.
Los agentes autónomos exigen reglas antes de actuar
Cuando entran en juego agentes de inteligencia artificial autónomos, el problema deja de ser solo técnico. La organización tiene que definir niveles de autonomía, fijar procedimientos de aprobación, garantizar la auditabilidad y someter esos sistemas a simulaciones previas.
En otras palabras, no basta con pedir a una máquina que actúe sola. También hay que decidir cuándo puede hacerlo, quién revisa sus decisiones y qué rastro deja cada paso, una discusión que conecta con las pruebas con agentes de IA cuando varias decisiones encadenadas producen efectos difíciles de corregir.
El dato incómodo sigue ahí. Más de cuatro de cada cinco directivos creen que la IA ya rinde por encima de lo esperado, pero menos de la mitad exige medir ese rendimiento, justo cuando muchas empresas necesitan entre siete y doce meses para llevar un proyecto a producción.