Casi toda empresa que compró IA este año hizo la misma inversión: una herramienta buena, encima de un proceso que no se tocó. El flujo sigue teniendo los mismos pasos, la aprobación sigue subiendo los mismos cuatro niveles, el tablero sigue midiendo lo mismo, y la sorpresa llega en el comité de resultados, cuando el impacto no aparece por ningún lado.
La respuesta corta: la IA acelera lo que exista. Si lo que existe es el proceso de la empresa de ayer, compraste velocidad para recorrer un camino viejo. El grupo que sí captura valor no usa modelos distintos: cambió cinco cosas del modelo operativo, y ninguna de las cinco es tecnología.
¿Qué tan angosto es el embudo de verdad?
Mucho más de lo que sugiere el discurso de adopción, y la caída ocurre después de usar la herramienta.
Conviene ordenar las cifras reales, porque este dato circula en versiones adornadas. La encuesta State of AI, sobre 1,993 respondentes en 105 países, mide cuatro escalones [1].
Datos
| Escalón | Organizaciones |
|---|---|
| Usan IA con regularidad en al menos una función | 88% |
| Experimentan con agentes o los están escalando | 62% |
| Reportan algún impacto en EBIT | 39% |
| Alto desempeño: más del 5% del EBIT atribuido a IA | 6% |
La caída interesante no está entre 0 y 88, que es el escalón que todo el mundo ya subió. Está entre 88 y 39, y otra vez entre 39 y 6. Ahí no hay un problema de acceso a la tecnología: todos los de la primera barra ya la tienen.
¿Qué hace distinto ese 6%?
Cambia la empresa, no solo la herramienta. Y hay una cifra que lo resume.
Datos
| Grupo | Rediseñaron flujos |
|---|---|
| Alto desempeño (6%) | 50% |
| Todos los demás | 17% |
Cincuenta contra diecisiete. No es una diferencia de presupuesto ni de talento escaso: es la disposición a mover el trabajo de lugar. Y el mismo grupo tiene tres veces más probabilidad de escalar agentes entre funciones y de que la alta dirección esté empujando de verdad, no patrocinando de nombre [1].
¿Cuáles son los cinco cambios?
Cinco, y ninguno se compra. Cada uno tiene una señal clara de que no lo hiciste.
1. Rediseñar el flujo, no acelerarlo
Acelerar es pedirle al modelo que haga más rápido el paso siete. Rediseñar es preguntarse si el paso siete debería existir. La prueba honesta es contar: si el proceso tenía doce pasos antes de la IA y tiene doce después, no rediseñaste nada, compraste un paso más rápido.
Señal de que no lo hiciste: puedes describir la mejora en porcentaje de tiempo, pero no puedes nombrar un paso que desapareció.
2. Mover los derechos de decisión hacia el trabajo
Un agente que resuelve el caso en dos segundos y luego espera cuatro días a que alguien con el cargo suficiente lo confirme no resolvió nada: movió la espera. Si la IA va a operar en el borde, la autoridad para decidir tiene que llegar al borde con ella.
Señal de que no lo hiciste: el tiempo de respuesta del modelo bajó de minutos a segundos y el tiempo de ciclo total sigue igual.
3. Acortar las rutas de aprobación, y conservar solo las irreversibles
Este es el que se hace mal en las dos direcciones. Unos dejan todas las aprobaciones intactas y matan la ganancia; otros las quitan todas y descubren el problema cuando una acción irreversible sale sin revisar. El criterio no es el monto ni la jerarquía, es la reversibilidad: lo que se puede deshacer no necesita firma previa, lo que no, sí.
Señal de que no lo hiciste: nadie sabe decir cuál acción del proceso es imposible de revertir.
4. Cambiar el KPI antes que la herramienta
Mientras al equipo se le mida por volumen de actividad, va a usar la IA para producir más actividad. Es racional: está optimizando lo que le pides. Este es el cambio más barato de los cinco y el que reordena a los otros cuatro solo.
Señal de que no lo hiciste: el tablero que se revisa cada lunes es exactamente el mismo de antes del proyecto.
5. Llevar la IA a la operación central, no al laboratorio
Un centro de excelencia de IA que corre a un costado, con su propio presupuesto y sus propias métricas, produce demostraciones excelentes y cero cambio en la operación. Dos tercios de las organizaciones todavía no han empezado a escalar IA a nivel empresa [1], y esa es en buena parte la razón.
Señal de que no lo hiciste: los casos de uso de IA viven en una presentación aparte de la revisión de operaciones.
¿Por dónde se empieza cuando no se puede cambiar todo?
Por el cuarto. Es el más barato y el que arrastra a los demás.
| Cambio | Costo político | Velocidad de efecto | Cuándo hacerlo |
|---|---|---|---|
| Cambiar el KPI | Bajo | Inmediato | Primero, siempre |
| Rediseñar el flujo | Medio | Un ciclo | Después de medir la línea base |
| Acortar aprobaciones | Medio | Inmediato | Junto con el rediseño del flujo |
| Mover derechos de decisión | Alto | Un trimestre | Cuando el flujo nuevo ya funciona |
| Llevar la IA al centro | Alto | Un año | Cuando hay dos casos que ya funcionan en operación |
El orden importa más que la velocidad. Mover derechos de decisión antes de haber rediseñado el flujo es repartir autoridad sobre un proceso que igual va a cambiar, y es la forma más rápida de gastar capital político en algo que se deshace solo.
¿Esto significa recortar personal?
No automáticamente, y los datos no sostienen esa lectura.
Vale decirlo porque es la primera pregunta que aparece en la sala cuando se habla de rediseñar el modelo operativo. En la misma encuesta, el 32% espera reducciones de personal, el 43% no espera cambios y el 13% espera aumentos, y la mayoría de las organizaciones contrató para roles de IA aun esperando automatización [1].
Lo que sí cambia siempre es la descripción del trabajo: quién decide, quién revisa, quién responde por el resultado. Un rediseño que no toca eso no es un rediseño.
Cómo lo aplicamos en MasterDragon
Preguntamos quién firma antes de preguntar qué modelo usar.
En la práctica, la primera sesión de un proyecto mapea tres cosas del proceso actual: dónde espera, quién aprueba y qué acción sería imposible de revertir. Con eso ya sabemos cuánto del valor va a venir del modelo y cuánto de mover la decisión, que casi siempre es la parte más grande y la que nadie presupuestó.
También pedimos el KPI nuevo antes de escribir código. Si el equipo no puede decir con qué número va a juzgar esto en noventa días, el proyecto todavía no está listo para empezar, por buena que sea la idea.
Si estás por invertir en IA y quieres que el resultado aparezca en la operación y no solo en el demo, habla con nuestros ingenieros. Puedes empezar por cómo construimos tu software y revisar nuestro portafolio de productos AI-native ya lanzados. Por qué usar la herramienta no basta lo desarrollamos en adopción no es adaptación, qué hay debajo de un agente que aguanta producción en las 13 capas de un sistema de IA real, y cuánta autonomía darle a cada agente en autonomía por diseño.
Referencias
- McKinsey & Company. (2025, 5 de noviembre). The state of AI: Agents, innovation, and transformation. Encuesta a 1,993 respondentes en 105 países. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai