Wharton y GBK Collective acaban de publicar el informe anual WHAIR 2026 sobre adopción de IA en empresas. Es el cuarto año consecutivo (Wave 4) y los datos son claros: el 80% de líderes enterprise reportan retornos positivos de IA, pero solo el 28% los describe como “fuertemente positivos”.
La diferencia entre ese 80% y ese 28% no es tecnológica. Es organizacional.
El dato que cambia la conversación: crecimiento vs eficiencia
El hallazgo más relevante del informe es este: las organizaciones que miden IA contra outcomes de crecimiento reportan ROI fuerte en el 35% de los casos. Esto incluye nuevos clientes, nuevas líneas de producto, expansión de mercado. Las que solo miden eficiencia y horas ahorradas: 13%.
Casi tres veces menos.
Sonny Tambe, co-director de WHAIR, lo resume: “Companies believe AI is going to transform their industries, but many are still asking it to prove itself by saving time.”
Este es el mismo error que hemos visto en otras oleadas tecnológicas. Medir la nueva herramienta con las métricas de la vieja. Las compañías que ganan con IA no están automatizando procesos: están creando capacidades que antes no tenían.
Contexto: de la exploración al realismo organizacional
El informe WHAIR (Wharton Human-AI Research) lleva cuatro años midiendo cómo las empresas adoptan IA generativa:
- Wave 1-2 (2023-24): Exploración y experimentación. Probar herramientas, ver qué pasa.
- Wave 3 (2025): “Accountable Acceleration” — uso regular integrado en operaciones.
- Wave 4 (2026): “Success Through Transformation” — adopción embebida, medición de resultados diferenciados.
La novedad ya pasó. Ahora toca ver quién extrae valor real y quién solo acumula herramientas.
Los tres componentes de transformación con ROI fuerte
El informe identifica tres factores que separan a las empresas con ROI fuertemente positivo del resto:
1. Chief AI Officer designado
- Con CAIO: 58% reportan ROI fuertemente positivo
- Sin CAIO: 8%
No hace falta que se llame “Chief AI Officer”, pero sí hace falta alguien con autoridad ejecutiva real cuyo trabajo sea hacer que la IA funcione en la organización. Sin esto, la IA es un piloto eterno.
2. Plataforma única aprobada
- Plataforma IA única: 50% reportan retorno fuertemente positivo
- Múltiples herramientas experimentales: 9%
Experimentar está bien al principio, pero llegó el momento de decidir. Organizaciones que estandarizan su stack de IA (modelo principal, herramientas, flujos de trabajo) consiguen resultados consistentes. Las que siguen probando 12 herramientas distintas en paralelo no llegan a ningún sitio.
3. Cambios estructurales de management
El 64% de departamentos con retornos fuertes cambiaron su estructura de management para adaptarse a cómo la IA redistribuye el trabajo. No reducciones de personal (no hay correlación entre ROI y headcount), sino reorganización de responsabilidades.
Cuando estos tres componentes están presentes, el 67% de líderes reportan retornos fuertemente positivos. Cuando no: 19%.
La paradoja de los agentes: todos los usan, casi nadie confía
Dos de cada tres departamentos (67%) dicen que usan agentes IA. Pero solo el 17% permite a un agente completar una tarea sin que un humano apruebe cada paso.
Brian Smith, de GBK Collective, lo dice claro: “Two-thirds of departments say they use AI agents, and only 17% let an agent complete a task without a person approving each step.”
El problema es que el “supervised middle” (supervisión paso a paso) es precisamente donde los retornos son más débiles. Organizaciones que dan a los agentes autonomía real en tareas de riesgo medio-alto obtienen resultados mucho más fuertes:
- 29% de departamentos que permiten a agentes acciones financieras o legales irreversibles transformaron workflows completos
- 13% con responsabilidades limitadas lograron transformación similar
- 24% con monitoreo automatizado (no manual) transformaron workflows vs 9% sin monitoreo automatizado
La conclusión es incómoda: las barreras ya no son técnicas. Son psicológicas y de confianza.
El estrés invisible: middle management como capa de aprobación
Aquí hay un problema que casi nadie está hablando y que el informe documenta: aprobar, verificar y monitorear el output de IA genera estrés administrativo y cognitivo significativo en middle management.
Muchos managers no tienen capacidad (ni tiempo, ni formación) para absorber esta carga. Se convierten en un cuello de botella que debe revisar outputs de IA que ellos mismos no saben evaluar técnicamente.
El resultado: decisiones lentas, frustración operativa y agentes IA infrautilizados. Esto me pasa personalmente y creanme que la carga cognitiva es preocupante, mi solución a dia de hoy es mantener una documentación estructurada, metodológicamente simple y entendible para humanos, con schemas y una orientación hacia producto bien definida.
Accountability: cuando la IA comete un error, ¿quién responde?
Cuando un agente autónomo comete un error grave, la responsabilidad está fracturada:
- 28% culpan a equipos de gobernanza/riesgo
- 26% culpan al manager del empleado
- 25% culpan al empleado
Esto no es un problema menor. Es una bomba de relojería organizacional. Si nadie sabe quién es responsable cuando algo falla, nadie tomará decisiones valientes. Y sin decisiones valientes, la IA se queda en tareas de bajo impacto.
Cognitive surrender: el riesgo de revisar sin revisar
Investigación complementaria de Wharton (Gideon Nave y Steven Shaw) documenta un fenómeno llamado “cognitive surrender”: revisores que aprueban mecánicamente outputs de IA sin verificarlos genuinamente.
La paradoja es contra-intuitiva: cuanto más fiable es la IA, más difícil es motivar a humanos a supervisarla efectivamente. Si la IA acierta el 95% de las veces, revisar outputs casi siempre correctos se vuelve costoso cognitivamente. La vigilancia pierde sentido… hasta que la IA falla.
El problema es que cuando falla, falla en el 5% de casos que más importan.
Qué significa esto para empresas que empiezan con IA
Si tu empresa está empezando con IA (o lleva un año probando herramientas sin resultados claros), estos son los takeaways operativos:
1. Decide qué mides antes de medir
No preguntes “¿cuántas horas ahorramos?”. Pregunta “¿qué podemos hacer ahora que antes no podíamos?”. Si solo mides eficiencia, obtendrás mejoras incrementales. Si mides crecimiento, puedes obtener capacidades nuevas.
2. Estandariza antes de escalar
Experimentar con 10 herramientas está bien durante 3-6 meses. Después de eso, elegir una plataforma principal y construir sobre ella da 5x más retorno que seguir probando. La dispersión tecnológica mata el retorno de inversión en IA empresa.
3. Da autonomía real a los agentes o no los uses
Si vas a tener a un humano aprobando cada paso, el agente no te está ahorrando trabajo: te está generando trabajo de supervisión. O confías lo suficiente para darle autonomía en tareas acotadas, o mejor automatiza con reglas clásicas.
4. Decide quién es responsable cuando falla
Antes de que la IA tome decisiones que importen, define quién responde si se equivoca. Sin esto, nadie va a dejarla tomar decisiones que importen.
5. No pongas a middle management a revisar lo que no sabe evaluar
Si un manager tiene que aprobar outputs de IA sin criterio técnico para evaluarlos, estás creando un cuello de botella sin control de calidad real. O formas a quien revisa, o automatizas la revisión, o cambias quién revisa.
La IA ya no es experimental
Jeremy Korst, fundador de Mindspan Labs y co-autor del informe, lo resume bien: “Access to powerful AI is quickly becoming ubiquitous. The advantage comes from what an organization can do with it.”
El acceso a modelos potentes ya no diferencia. Claude, GPT-4, Gemini están disponibles para cualquiera. Lo que diferencia es qué estructura organizacional construyes alrededor.
Las organizaciones que están ganando con adopción de IA no tienen mejores modelos. Tienen mejores sistemas de decisión, responsabilidades claras, plataformas estandarizadas y la confianza (y el marco de gobernanza) para dejar a los agentes trabajar.
Fuente: The Adaptive Advantage: Who’s Winning With AI and How — Wharton Human-AI Research (WHAIR) & GBK Collective, octubre 2026.
Si tu empresa está en esta fase y necesitas ayuda para estructurar la adopción de IA con criterio técnico, hablemos.
