El 84% de los ejecutivos cree que la IA agéntica va a transformar su negocio. Solo el 6% confía en ella para gestionar procesos core hoy.
Ese gap entre creencia y acción es el punto de partida del informe AWS Reimagine 2026, y es el indicador más honesto de dónde está realmente la adopción de IA en las empresas.
El informe no es una encuesta con casillas de respuesta. Son 154 entrevistas individuales de 45 a 60 minutos con C-levels de 128 organizaciones en 23 industrias y 4 continentes. Más de 1,1 millones de palabras transcritas. Los autores son exdirectivos de Capital One, McDonald’s, NASA’s JPL, Procter & Gamble y Thomson Reuters. Lo publicó AWS en 2026 y es, en mi opinión, el análisis más honesto sobre el estado real de la IA en la empresa que he leído este año.
Lo que sigue son las ideas que más me han impactado.
El problema principal no es la tecnología
La conclusión que más me sorprendió: más de dos tercios de los directivos entrevistados señalaron el diseño del propio trabajo — no las limitaciones de la tecnología — como la barrera principal para extraer valor de la IA.
La IA está disponible. Los modelos funcionan. El coste de inferencia cayó 280 veces en dos años. Lo que escasea no es la tecnología. Es la claridad sobre para qué sirve, cómo medirla, y cómo reorganizar el trabajo para que los resultados importen.
Gartner estima que más del 40% de los proyectos de IA agéntica se cancelarán antes de 2027 por costes descontrolados, gobernanza insuficiente y valor poco claro. El 60% que no se cancele, según el informe, generará ventajas competitivas que serán “profundas e insuperables”.
La trampa de la eficiencia que nadie nombra
El informe distingue tres conceptos que normalmente se confunden en la misma conversación:
| Concepto | Qué mide | Lo que realmente importa |
|---|---|---|
| Eficiencia | Lo mismo, más rápido o más barato | Horas ahorradas |
| Productividad | Más output con los mismos recursos | Throughput del equipo |
| Valor | Resultados que importan al P&L y al cliente | Ingresos, coste-por-servicio, mejores decisiones |
La mayoría de las empresas mide el primero. Pocas alcanzan el tercero.
Rahul Pathak, VP de Data y AI en AWS, lo dice sin rodeos: “Hay una idea implícita de que la eficiencia lleva a la productividad, pero no tiene por qué. Y peor aún, que lleva al valor. Nada de esto ocurre automáticamente.”
El ejemplo más claro del informe: un equipo que genera código un 30% más rápido pero espera tres semanas para la aprobación no se ha vuelto más productivo — el cuello de botella simplemente se ha desplazado. Los costes de ejecución de la IA bajan. El diseño del proceso que rodea esa ejecución no.
AT&T lo entendió. Evaluaron más de 2.000 casos de uso de IA, priorizaron los de mayor retorno, y construyeron un programa que hoy consume 27.000 millones de tokens diarios de media. El resultado: 5 dólares de flujo de caja libre por cada dólar invertido, contribuyendo a un programa de ahorro de 4.000 millones anuales.
Las 5 trampas de métricas que engañan a los directivos
El capítulo más útil del informe para cualquier responsable de una iniciativa de IA es el de métricas. Los autores identifican cinco trampas que aparecen de forma repetida:
- Trampa 1 — Medir adopción, no utilidad. Cuánta gente usa la herramienta, no si la usa bien. Una organización del informe tenía un 88% de “adopción declarada” pero menos de 1 de cada 5.000 sesiones producía trabajo genuinamente mejor.
- Trampa 2 — Confundir más rápido con mejor. El CTO de S&P Global vio cómo la generación de código aumentó diez veces. Parecía un éxito hasta que las consecuencias downstream aparecieron: “Tienes que poder validar lo que construyes diez veces más rápido de lo que lo hacías antes.” Los 4.500 ingenieros ganaron productividad individual del 10-15%. El impacto en el negocio fue cero porque los loops de gobernanza y aprobación absorbieron todas las ganancias.
- Trampa 3 — Medir actividades sin outcomes. Un equipo de procurement que procesa pedidos un 60% más rápido pero genera más disputas con proveedores ha empeorado el resultado total. La métrica de actividad era verde. El outcome, rojo.
- Trampa 4 — Medir piezas que no suman al todo. El chatbot entiende el 95% de las preguntas. Los tiempos de respuesta mejoran. Pero la satisfacción del cliente no se mueve porque la velocidad no sirve de nada si el enrutamiento es incorrecto.
- Trampa 5 — Dejar las métricas obsoletas. Un agente de IA al que se le da un objetivo encontrará rutas hacia ese objetivo que eluden el proceso que la métrica estaba diseñada para rastrear. Las métricas de lanzamiento raramente siguen siendo las correctas seis meses después.
Las 4 preguntas que toda iniciativa de IA debe poder responder
El informe propone un framework de cuatro preguntas en secuencia. Cualquier proyecto de IA debería saber en cuál está y con qué evidencia:
- ¿Estamos aprendiendo? ¿Qué sabemos ahora que no sabíamos hace 60 días? ¿Qué ha cambiado en lo que hacemos a partir de ese conocimiento? Si la respuesta es vaga o suena igual que el trimestre anterior, la iniciativa corre sin aprender.
- ¿Estamos generando valor? No horas ahorradas — outcomes medibles que mejoran algo que importa al negocio o al cliente. Derek Martin, CIO de BOK Financial: “Tienes que tener muy claro que vas a obtener un retorno, y saber cómo saber si lo has obtenido.”
- ¿Mejora con el tiempo? ¿Cada caso de uso nuevo es más rápido de desplegar, más barato de operar o más preciso que el anterior? ¿O cada proyecto empieza desde cero? Naranja X cruzó personalización de cliente con datos propios de interacción: “Más uso genera más datos, y más datos generan mejores modelos, y mejores modelos generan mejores decisiones en tiempo real.” Cada ciclo refuerza el siguiente.
- ¿Mejora cómo trabajamos? ¿Han cambiado los procesos, o solo hemos acelerado los existentes? ¿Se están eliminando pasos manuales o simplemente ejecutando más rápido los mismos pasos? Esta es la pregunta más difícil y la más importante. Pocas organizaciones tenían un baseline para compararla.
Lo que diferencia a las empresas que sí extraen valor
No es la inversión. No es el tamaño. No es la industria. Los patrones que aparecen sistemáticamente en las organizaciones que están funcionando:
- El dueño del negocio y el dueño del presupuesto son la misma persona. AT&T puso el coste de los tokens en el P&L de cada unidad de negocio. Las decisiones de qué usar y cuánto gastar las tomaba quien sentía el impacto.
- Las métricas se definen antes del piloto, no después. BMW exige KPIs antes de aprobar cada iniciativa y para el proyecto si el valor esperado no es visible. “Si el valor esperado no es visible, paramos las iniciativas antes y redirigimos los recursos.”
- La capacidad liberada tiene destino antes de liberarse. Varios directivos del informe establecieron que cualquier ganancia de eficiencia por encima de un umbral debe ir asociada a una iniciativa específica que absorba esa capacidad en el mismo trimestre.
- Los líderes usan la IA personalmente. “Los líderes que se implican, usan la IA ellos mismos y tienen a alguien en su equipo que la impulsa activamente son los que ven la mayor diferencia”, dice Samir Kumar de Fortive. No puede haber brecha entre lo que se pide y lo que se practica.
El informe “Reimagine: Turning AI into Value” está publicado por el equipo AWS Executives in Residence y disponible gratuitamente en la web de AWS. Son 9 capítulos y uno de los documentos más honestos sobre IA empresarial que puedes encontrar este año.
Si quieres aplicar este análisis a tu organización — identificar en qué escalón está tu empresa y qué haría falta para subir un nivel — cuéntame tu situación.
