Hay una escena que se repite en casi toda empresa que hoy reporta éxito con inteligencia artificial. El tablero de uso muestra números excelentes: licencias asignadas, sesiones por semana, porcentaje de empleados activos. Y al lado, el proceso sigue teniendo los mismos doce pasos que tenía antes, las mismas tres aprobaciones y el mismo tiempo de entrega. La herramienta llegó a todos los escritorios. El trabajo nunca se movió.
La respuesta corta: la adopción es fácil de probar y fácil de fingir. Se mide sola, se ve bien en un comité y no exige que nadie cambie de hábito. La adaptación exige rediseñar el trabajo, y por eso casi nadie la mide. La distancia entre las dos es exactamente la distancia entre tu inversión en IA y tu resultado.
¿Cuál es la diferencia entre adoptar y adaptar?
Adoptar es que la herramienta entre. Adaptar es que el trabajo salga distinto.
La distinción parece semántica hasta que se convierte en presupuesto. Adoptar se mide con cifras que el proveedor ya te entrega: usuarios activos, consultas por día, funciones utilizadas. Adaptar se mide con cifras que solo tú puedes construir: cuántos pasos desaparecieron, cuánto bajó el tiempo de ciclo, qué decisiones cambiaron de dueño.
Un empleado puede abrir la herramienta, escribir una instrucción, recibir una respuesta y luego hacer exactamente lo mismo que hacía antes, solo que con un párrafo mejor redactado. Eso cuenta como uso en cualquier tablero. No cuenta como nada en el estado de resultados.
¿Qué tan grande es la brecha en América Latina?
Grande, y se agranda en cada escalón.
La región resolvió buena parte del problema de conectividad y no ha resuelto casi nada del problema de valor. El Centro para la Convergencia de América Latina midió los tres escalones por separado y el resultado ordena la conversación mejor que cualquier discurso sobre transformación digital [3].
Datos
| Escalón | Empresas |
|---|---|
| Tienen banda ancha veloz | 50% |
| Usan inteligencia artificial | 10% |
| Capturan valor significativo | 6% |
De cada diez empresas conectadas, dos usan IA. De cada diez que la usan, seis capturan valor. La pérdida más cara no está en el primer escalón, que es el que recibe toda la inversión en infraestructura, sino en el último, que no recibe casi ninguna.
¿Quién sí se está adaptando?
Una de cada seis personas que usa IA. La cifra aparece dos veces, medida por caminos distintos.
Microsoft clasificó a los usuarios de IA según tres conductas observables: uso de agentes para trabajo de varios pasos, rediseño rutinario de flujos para aprovechar lo que el modelo hace bien, y participación en prácticas repetibles que otros puedan seguir. Solo el 16% califica [2]. Deloitte, preguntando por el lado de la organización y no del individuo, encontró que el 84% no ha rediseñado puestos ni flujos alrededor de la IA [1]. El complemento es el mismo 16%.
Datos
| Value | |
|---|---|
| Organizaciones que rediseñaron puestos y flujos | 16% |
| Usuarios de IA que rediseñan su flujo de forma rutinaria | 16% |
Que dos metodologías distintas, una por organización y otra por individuo, aterricen en el mismo número es la señal más fuerte del año. No es un problema de un sector ni de un país: es la forma por defecto en que la tecnología entra a una empresa.
¿Qué tres conductas separan una cosa de la otra?
Criterio, experimentación y pensamiento divergente. Las tres son humanas y ninguna se compra.
Criterio es saber cuándo confiar en la salida del modelo, cuándo cuestionarla y cuándo descartarla. Es la conducta más escasa y la más cara de no tener: solo la mitad de los ejecutivos verifica con regularidad la calidad de lo que produce la IA [1]. Sin criterio, la velocidad del modelo se convierte en velocidad para propagar un error.
Experimentación es probar formas nuevas de crear valor, no acelerar las viejas. La diferencia práctica: acelerar es pedirle al modelo que escriba más rápido el mismo informe; experimentar es preguntarse si ese informe sigue teniendo que existir.
Pensamiento divergente es proteger la idea propia de ser absorbida por lo que el modelo ya sabe. Un modelo devuelve el promedio de lo que existe. Si toda tu organización parte de ese promedio, tu ventaja competitiva converge a la de tu competencia, que usa el mismo modelo.
¿Por qué el manual de gestión del cambio ya no funciona?
Porque fue diseñado para olas discretas de cambio, y esto no viene en olas.
El manual clásico asume un estado inicial, un proyecto de transición y un estado final que se estabiliza. La IA no ofrece estado final: el modelo que usas hoy no es el de hace seis meses. Solo el 27% de los líderes dice que su organización gestiona bien el cambio [1], y esa cifra se midió contra el manual viejo, no contra esta exigencia.
Los datos de condiciones muestran dónde se rompe.
Datos
| Condición | Respuestas |
|---|---|
| Dicen que experimentan formas nuevas de trabajar | 78% |
| Reportan más carga de trabajo por el cambio | 69% |
| Se sienten reconocidos por adaptarse | 56% |
| Ejecutivos que verifican la calidad de la IA | 50% |
| Citan la falta de tiempo como barrera principal | 43% |
Setenta y ocho de cada cien dicen que experimentan, cincuenta y seis sienten que eso se reconoce, y sesenta y nueve reportan que el cambio les sumó carga en vez de quitarla [1]. Una organización que pide adaptación, no la premia y además cobra su costo en horas está entrenando a su gente para simular adopción. Y la va a conseguir.
Aquí también está el hallazgo más incómodo de Microsoft: el 67% del impacto se explica por cultura, apoyo de la jefatura y prácticas de gestión del talento, contra el 32% atribuible a la capacidad individual [2]. Es decir que capacitar personas sin cambiar las condiciones ataca un tercio del problema.
¿Cómo se mide la adaptación y no solo el uso?
Con métricas de trabajo, no de licencias. Cuatro sirven y ninguna viene en el panel del proveedor.
| Qué mide | Métrica de adopción (fácil) | Métrica de adaptación (útil) |
|---|---|---|
| Alcance | Usuarios activos por semana | Pasos eliminados de un proceso real |
| Velocidad | Consultas por usuario | Tiempo de ciclo de punta a punta |
| Calidad | Satisfacción con la herramienta | Porcentaje de salidas revisadas y corregidas |
| Permanencia | Licencias renovadas | Formas nuevas de trabajar que sobreviven un trimestre |
La columna de la izquierda es la que se reporta hoy porque llega sola. La de la derecha exige levantar una línea base antes de empezar, que es justo el paso que casi ningún piloto hace. El MIT lo documentó al revisar 300 despliegues: el 95% no produjo retorno medible, y la causa no fue la calidad del modelo sino la brecha de aprendizaje, la incapacidad de integrarlo a los flujos, las estructuras y la cultura que ya existían [4].
Vale una advertencia sobre esa cifra: el estudio del MIT se apoya en una muestra pequeña y su metodología ha sido cuestionada, así que conviene leerlo como señal de dirección y no como medición precisa. Lo que sí es consistente en estudios más grandes es la conclusión de fondo: las organizaciones que rediseñan flujos y levantan línea base sí ven retorno, y las que solo reparten licencias no.
Cómo lo aplicamos en MasterDragon
Medimos el trabajo antes de tocarlo, o no arrancamos.
En nuestros proyectos eso se traduce en una secuencia concreta. Primero levantamos la línea base del proceso que se va a intervenir: cuántos pasos tiene, cuánto tarda de punta a punta, dónde espera. Después definimos qué paso debería dejar de existir, no cuál se va a acelerar. Luego dejamos el punto de criterio humano explícito en el diseño, con nombre y responsable, en vez de asumir que alguien va a revisar. Y al cierre volvemos a medir el mismo proceso con la misma regla, para que la mejora sea comparable y no una impresión.
El resultado que buscamos no es que tu equipo use la herramienta. Es que dentro de seis meses el proceso tenga menos pasos que hoy y que alguien pueda señalar cuáles se fueron.
Si estás por invertir en IA y quieres que la inversión aparezca en el resultado y no solo en el tablero de uso, habla con nuestros ingenieros. Puedes empezar por cómo construimos tu software y revisar nuestro portafolio de productos AI-native ya lanzados. Si el siguiente paso es diseñar el sistema para que se pueda cambiar por partes, lo desarrollamos en arquitectura empresarial componible, y si la duda es cuánta autonomía darle a un agente, en autonomía por diseño.
Referencias
- Cantrell, S., Domergue, C., Dake, A., Murphy, J., Sundholm, T., y Gustafson, M. (2026, 9 de julio). AI adoption to adaptation: How a new change approach can build the human behaviors needed for AI. Deloitte Insights. https://www.deloitte.com/us/en/insights/topics/talent/ai-adoption-to-ai-adaptation.html
- Microsoft. (2026). Work Trend Index Annual Report 2026: Frontier Firms and the new operating model. Microsoft WorkLab. https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization
- Centro para la Convergencia de América Latina. (2026, julio). Unlocking the Digital Potential of Latin America and the Caribbean: Market Integration, Investment, Smart Regulation and Artificial Intelligence.
- Project NANDA, Massachusetts Institute of Technology. (2025). The GenAI Divide: State of AI in Business 2025.