La IA ya entró. El valor aún no cuadra.

La adopción avanzó. El valor, no siempre. El problema ya no es usar la IA. Es transformar el uso en una consecuencia económica confiable.

Esta pregunta importa porque el debate del mercado ha cambiado. La adopción ya no es la excepción. McKinsey informa que el 88% de las organizaciones ya utilizan la IA regularmente en al menos una función de negocio. Aún así, la misma investigación señala que la mayoría todavía no la ha integrado lo suficientemente profundo en workflows y procesos para generar beneficios materiales a nivel empresarial. En la misma dirección, solo el 39% reporta un impacto significativo en el EBIT a ese nivel.

Esto cambia el eje de la conversación. El problema ya no es “cómo poner la IA en algún lugar”. El problema es otro: cómo transformar la presencia tecnológica en consecuencia económica. El propio Gartner ha estado insistiendo en que llegar al valor exige más disciplina. En marzo de 2026, afirmó que, sin bases sólidas, la IA tiende a seguir siendo, para la mayoría de las organizaciones, un “experimento caro”. En la misma línea, también sostuvo que el debate sobre el ROI en IA no puede tratarse como un problema simple y uniforme, porque la creación de valor depende de fundamentos, contexto y gestión del portafolio.

La adopción de IA ya no es la excepción

El error más común tal vez sea un error de categoría. Muchas empresas confunden adopción con captura de valor.

Tener IA en copilots, analítica, mesas de servicio, contenido, búsqueda corporativa o automatizaciones puede elevar la capacidad. Pero elevar la capacidad no es lo mismo que hacer que los números cuadren en el negocio. La capacidad distribuida sin rediseño de procesos, sin contexto confiable, sin criterios de priorización y sin disciplina de ejecución tiende a producir ganancias localizadas, no un impacto compuesto. La propia McKinsey señala que uno de los factores más asociados al impacto relevante es el rediseño intencional de workflows, no la simple disponibilidad de la tecnología.

No es casualidad que Gartner advirtió que más del 40% de los proyectos de agentic AI serán cancelados para fines de 2027 debido al aumento de los costos, valor poco claro o controles de riesgo inadecuados.

Lo que realmente compra el board al invertir en IA

Este punto también ayuda a entender por qué la conversación se está desplazando. En mayo de 2025, Gartner fue directo: “data-driven is a means to an end”. El objetivo real es tomar mejores decisiones. Por lo tanto, recomendó que D&A avance de data-driven a decision-centric, aplicando Decision Intelligence para hacer que la decisión sea más contextual, continua y conectada.

De data-driven a decision-centric

Este desplazamiento importa mucho. Sugiere que el valor no está simplemente en ver mejor, sino en decidir mejor bajo nuevas condiciones de velocidad, automatización y ambigüedad.

Pero aquí entra una distinción que debe hacerse con mucho cuidado.

En teoría, una organización puede declararse decision-centric sin adoptar formalmente la Inteligencia de Decisiones. Eso es verdad.

El problema es otro: a medida que aumentan la escala, la velocidad, la autonomía de la IA, la presión por el ROI y la necesidad de rendición de cuentas, el discurso decision-centric tiende a volverse frágil si no va acompañado de algún mecanismo equivalente de disciplina decisoria.

En otras palabras: decision-centric es el eje; Decision Intelligence es una de las respuestas más consistentes para transformar ese eje en capacidad organizacional real.

Esta conexión se vuelve aún más fuerte cuando miramos una idea que el mercado ha aceptado desde hace mucho tiempo. Durante años, aprendimos —correctamente— a decir que los datos son un activo estratégico. El propio Gartner habla de usar los datos como activo para la diferenciación y el crecimiento. DAMA, a su vez, trata los datos como un activo valioso de naturaleza estratégica.

Los datos acumulan contexto, memoria, evidencia y potencial. Pero es la decisión la que compromete recursos, asigna riesgos, elige caminos, mueve la ejecución y convierte el potencial en consecuencia económica. Dicho de forma más directa: los datos son activos de información; las decisiones son los activos que transforman la información en acción y el potencial en valor.

Este punto es especialmente importante porque protege contra una confusión cada vez más común: la de creer que la madurez analítica, por sí sola, ya equivale a la madurez en la toma de decisiones.

No equivale.

Una empresa puede tener una buena plataforma de datos, analytics sofisticados, IA incorporada, gobernanza de datos madura y aún así seguir tomando decisiones frágiles, mal estructuradas, mal priorizadas o mal gobernadas. Cuando la arquitectura de decisiones no acompaña a la tecnológica, surgen síntomas claros en la operación:

En otras palabras: la IA entró por la puerta de la tecnología, pero el problema que abrió es de gestión. Es un problema de contexto, mandato, criterios, coordinación, riesgo, priorización y consecuencia. Cuanto más se propaga la IA, menos suficiente se vuelve la conversación centrada únicamente en el modelo, la herramienta o la característica. Lo que empieza a importar es la capacidad de la organización de vincular la capacidad técnica al resultado económico de manera predecible.

Hay aquí otra distinción que merece cuidado. Decir que el valor aún no cuadra no significa negar que existan ganancias reales. Existen. McKinsey muestra un uso creciente en múltiples funciones y beneficios en casos específicos. El punto es más exigente: un beneficio localizado no es lo mismo que un impacto material y sostenible a nivel corporativo. Es perfectamente posible tener productividad, reducción de tiempo e incluso ganancias puntuales de ingresos sin que esto aún se haya convertido en una arquitectura consistente de valor a nivel empresarial.

Tampoco significa decir que “solo falta gobernanza”. La gobernanza importa mucho, y Gartner llega a tratarla como acelerador de valor. Pero la gobernanza, por sí sola, no elige dónde aplicar la IA, no resuelve la deuda operativa, no crea contexto de calidad, no redefine el flujo, no hace explícitos los trade-offs y no cierra la distancia entre el insight y la consecuencia. Reduce el riesgo y aumenta la integridad; no sustituye la disciplina gerencial.

Es justamente por eso que la transición de decision-centric a la Inteligencia de Decisiones es relevante. No porque toda empresa necesite adoptar este vocabulario de inmediato, sino porque el mercado ya ha comenzado a exigir una solución al problema que este vocabulario intenta resolver.

Cuando Gartner recomienda avanzar de data-driven a decision-centric y aplicar Decision Intelligence, lo que está diciendo, en la práctica, es que la empresa necesita salir de la comodidad de la capa analítica y comenzar a tratar la decisión como un objeto explícito de operación.

La pregunta ejecutiva que realmente importa ahora

Por eso, tal vez la pregunta ejecutiva más madura hoy ya no sea “¿dónde podemos usar IA?”.

Tal vez sea esta:

Mientras esta pregunta no sea tratada con mayor seriedad, muchas organizaciones continuarán con IA en todas partes y valor en pocos lugares.

Y tal vez este sea el verdadero punto de inflexión de esta fase del mercado: no discutir más solo la entrada de la IA, sino la disciplina necesaria para que finalmente haga cuadrar las cuentas.