La promesa de la inteligencia artificial suele expresarse en horas:
- «Esta tarea antes tardaba tres horas y ahora tarda veinte minutos».
- «Este informe se genera solo».
- «Podemos producir código mucho más rápido».
- «Respondemos correos en segundos».
Son mejoras reales. Pero hay una pregunta bastante más importante: ¿el cliente recibe antes el resultado?
Porque una empresa no cobra por la velocidad con la que uno de sus empleados termina una tarea. Cobra cuando el proceso completo produce un resultado. Y ahí aparece uno de los efectos menos intuitivos de la inteligencia artificial en las empresas:
Puedes eliminar un cuello de botella y, simplemente, trasladarlo dos pasos más adelante.
Oracle acaba de encontrarse con este problema
Oracle ha hecho en 2026 un despliegue interno importante de herramientas de inteligencia artificial para desarrollar software. Según The Next Web, a partir de lo que contó Business Insider sobre una reunión con la plantilla, la compañía extendió ChatGPT Enterprise y Codex en abril y mayo, y la programación se aceleró mucho.
Pero entonces apareció otro problema. El código salía mucho más rápido, y las pruebas, la validación, el despliegue y la publicación no habían ganado capacidad al mismo ritmo. Como resumió Clay Magouyrk, uno de sus dos consejeros delegados, programar más rápido «no significa que de repente todo sea mil veces más rápido». Parte del cuello de botella, simplemente, cambió de sitio.
Con la seguridad le pasó algo parecido. Una herramienta de IA encontró en dos semanas más posibles vulnerabilidades en su código que en todo el año anterior. Pero entre el 60 % y el 70 % eran falsas alarmas, y Oracle tuvo que crear un paso de verificación antes de que sus ingenieros pudieran empezar a corregir. El trabajo ya no estaba en encontrar los problemas, sino en comprobar cuáles eran reales.
Es interesante porque puede pasar en prácticamente cualquier empresa. Supongamos que antes necesitábamos:
5 horas para producir → 2 horas para revisar → 1 hora para aprobar
Introducimos IA y la producción pasa a tardar una hora. Fantástico. Pero si revisar y aprobar siguen necesitando tres horas, el proceso completo no ha mejorado en la misma proporción. Y si ahora producimos cinco veces más trabajo, podemos incluso saturar a quien tiene que revisarlo.
La inteligencia artificial ha funcionado perfectamente. El que no estaba preparado era el proceso.
El error está en confundir productividad individual con productividad empresarial
Esta distinción probablemente será una de las más importantes de los próximos años. Una persona puede ser mucho más productiva gracias a la IA, y un departamento entero puede producir mucho más. Pero eso no significa, por sí solo, que la empresa genere más valor.
McKinsey publicó a finales de agosto un dato bastante ilustrativo. En su encuesta global de 2026, el 80 % de los participantes dice que la IA ha mejorado su productividad individual, pero solo el 37 % dice que ha contribuido al beneficio operativo (EBIT) de su organización.
Hay una distancia enorme entre ambos datos. No significa que la IA no funcione. Significa que hacer tareas más rápido y mejorar económicamente un negocio son problemas diferentes:
- Puedes redactar propuestas comerciales tres veces más rápido. Pero si esperan cuatro días a que alguien las autorice, no has recortado esos cuatro días.
- Puedes clasificar facturas automáticamente. Pero si todas siguen esperando una aprobación manual a final de mes, el cierre puede seguir tardando casi lo mismo.
- Puedes generar veinte campañas publicitarias en una mañana. Pero si una persona tarda una semana en validarlas, acabas de crear una cola gigantesca delante de ella.
La IA puede producir trabajo más rápido de lo que tu empresa puede consumirlo
Pensemos en un departamento comercial. Antes, una persona podía investigar veinte empresas al día. Con IA, puede investigar doscientas. Sobre el papel, hemos multiplicado su productividad por diez.
Pero después alguien tiene que evaluar esos contactos, llamarlos, hacer seguimiento, preparar propuestas, reunirse, negociar y cerrar. Si el equipo solo puede trabajar cincuenta oportunidades, generar doscientas no multiplica por diez las ventas. Genera una cola.
El mismo principio se repite en muchos departamentos:
- Administración: la IA lee los documentos en segundos, pero las aprobaciones siguen siendo manuales.
- Atención al cliente: un sistema resuelve las consultas sencillas y envía muchos más casos complejos al equipo humano.
- Finanzas: se automatizan las conciliaciones, pero la revisión sigue igual de lenta.
- Programación: se genera más código mientras el equipo de pruebas tiene la misma capacidad.
- Marketing: se multiplica la producción de contenido sin más capacidad para revisarlo, publicarlo, distribuirlo y medirlo.
La restricción se mueve.
No necesitas automatizar más: necesitas encontrar la restricción
Aquí cambia bastante la forma de plantear un proyecto de automatización. La pregunta habitual es «¿qué tareas podríamos automatizar con IA?». Una más útil puede ser: «¿qué está limitando ahora mismo la velocidad o la capacidad de este proceso?».
No tiene por qué ser una tarea manual. Puede ser una aprobación, una persona, un sistema, una integración, un dato que llega tarde, un proveedor externo, un procedimiento interno, una reunión semanal… o una norma de la empresa que nadie ha revisado en diez años.
Automatizar cualquier otra parte puede ahorrar tiempo localmente sin resolver el problema real.
El caso contrario: encontrar el nuevo cuello de botella y atacarlo
Lo interesante no es solo usar inteligencia artificial, sino dónde se aplica.
Volvamos a la programación. Si lo que frena a un equipo es la cola de pruebas pendientes, aplicar IA precisamente a las pruebas (crear casos automáticamente o elegir qué pruebas ejecutar en cada cambio) cambia el resultado del proceso completo. Aplicarla a escribir todavía más código, no: solo alarga la cola.
Ese debería ser el objetivo. No introducir IA porque una tarea pueda automatizarse, sino allí donde cambiar esa tarea cambie el resultado del proceso completo.
Una empresa debería medir procesos, no solo tareas
Supongamos que automatizamos la creación de presupuestos. El proceso es:
Cliente solicita presupuesto → comercial recoge información → administración consulta precios → comercial redacta → responsable aprueba → cliente recibe presupuesto
La IA puede redactar el presupuesto en diez segundos. Pero quizá el cliente siga esperando dos días. ¿Por qué? Porque administración tarda diez horas en dar cierta información. O porque todas las propuestas de más de 10.000 € necesitan una aprobación que solo una persona revisa cada tarde.
Un dato como «redactamos presupuestos un 95 % más rápido» suena espectacular, pero quizá tenga poco impacto comercial. Uno bastante más interesante sería «hemos reducido de 36 a 4 horas el tiempo entre la solicitud del cliente y la llegada del presupuesto». Eso es productividad empresarial.
¿Qué debería medir realmente una empresa?
Antes de implantar una automatización conviene fijar una línea base del proceso completo. No hacen falta treinta métricas; en muchos casos bastan unas pocas:
- Tiempo total del proceso: desde que empieza hasta que genera el resultado.
- Tiempo de espera: cuánto pasa el trabajo parado entre etapas.
- Capacidad: cuántos casos completos puede sacar la empresa en un periodo.
- Errores y retrabajo: cuántas operaciones hay que corregir o repetir.
- Coste por operación: los recursos que hacen falta para cada resultado.
- Resultado de negocio: ventas, margen, satisfacción, plazo de entrega, capacidad…
Y después de introducir la IA, volver a medir exactamente lo mismo. Es el mismo principio que explicábamos en «La IA funciona en la demo…»: sin punto de partida no hay forma de demostrar la mejora.
Ahorrar treinta minutos en un proceso que tarda tres semanas puede ser irrelevante. Eliminar una espera de dos días en un proceso de tres puede transformar el negocio.
La mejor automatización puede ser eliminar una tarea
Hay un problema todavía más básico: las empresas tienden a automatizar los procesos tal como existen. Pero quizá el proceso no debería existir de esa forma.
Según McKinsey, las organizaciones que mejores resultados obtienen con la IA no se limitan a ponerla encima de lo que ya hacían: rediseñan el trabajo de principio a fin. En su encuesta sobre desarrollo de producto y software, quienes habían rediseñado sus procesos antes de introducir la IA tenían más del doble de probabilidades de mejorar su productividad más de un 20 %.
La Harvard Business Review planteaba el mismo problema en septiembre: muchas compañías automatizan tareas sueltas sin cuestionar el proceso que las conecta, y eso limita el impacto final.
Imaginemos un proceso de siete pasos. Automatizamos los siete. Ahora tenemos siete pasos muy rápidos… pero quizá solo necesitábamos cuatro. La automatización también debería preguntarse «¿por qué hacemos esto?», y no solo «¿cómo lo hacemos más rápido?».
La velocidad de una empresa también depende de lo que pasa entre departamentos
Hay otro lugar donde se pierde muchísima productividad: entre una etapa y la siguiente.
- Marketing genera el contacto; ventas tiene que recogerlo.
- Ventas cierra; operaciones tiene que recibir la información.
- Operaciones termina; administración tiene que facturar.
Cada tarea puede llevar poco tiempo, pero entre una y otra puede haber horas o días de espera. McKinsey le puso nombre en un análisis del 18 de septiembre de 2026: el «impuesto de coordinación» (coordination tax), la fricción que aparece cuando el trabajo, la información o las decisiones pasan de un equipo o de un sistema a otro. Acelerar tareas sueltas sin cambiar cómo se conectan deja ese impuesto intacto, y con él buena parte del retraso.
Aquí es donde la automatización puede aportar mucho valor: no solo haciendo el trabajo, sino moviéndolo automáticamente al siguiente paso.
El objetivo debería ser el flujo, no la velocidad
Una fábrica puede tener una máquina capaz de producir 1.000 unidades por hora. Si la siguiente solo procesa 100, la fábrica no produce 1.000: produce más o menos 100.
En los procesos administrativos pasa exactamente lo mismo, aunque se vea menos. Un departamento puede volverse extraordinariamente rápido, pero si después depende de otro que está saturado, la empresa sigue limitada por el segundo.
Por eso una estrategia seria de IA debería mirar la organización en horizontal:
Inicio → proceso → decisión → entrega → resultado
y no solo en vertical, departamento por departamento. Cada uno puede mejorar sus métricas mientras el proceso completo apenas cambia.
Cómo detectar dónde aplicar la IA de verdad
Antes de automatizar, una metodología bastante sencilla:
- Dibujar el proceso completo, desde lo que lo inicia hasta el resultado final para la empresa o el cliente.
- Medir tiempos y esperas: no solo cuánto tarda cada tarea, sino cuánto espera el trabajo entre una y otra.
- Encontrar la restricción: qué etapa marca hoy la capacidad total.
- Mejorarla. Quizá necesite IA; quizá una integración, software o simplemente cambiar una aprobación.
- Volver a medir. Si hemos mejorado de verdad esa restricción, probablemente aparezca otra. Y se repite.
Así la automatización se convierte en un proceso continuo de mejora, y no en una colección de herramientas.
El ROI de la IA no debería medirse solo en horas ahorradas
Supongamos que automatizamos una tarea que consume cien horas al mes. Parece sencillo: cien horas por el coste laboral es el ahorro. Pero quizá esas horas liberadas no reduzcan ningún coste ni aumenten la capacidad, y entonces el beneficio no equivale al valor salarial de esas horas.
Podemos usarlas para hacer más trabajo, vender más, mejorar la calidad o reducir retrasos, pero tenemos que conseguir que eso ocurra. Por eso tiene más sentido relacionar la IA con métricas de negocio: más capacidad, menos coste por operación, menos errores, más conversión, menos plazo, más margen, más ingresos.
Es justo donde se atascan muchas empresas. En una encuesta de BCG publicada en julio de 2026 a 152 consejeros delegados de grandes empresas, casi nueve de cada diez ya ven algún beneficio de la IA en costes o ingresos en áreas concretas, pero la mayoría no consigue escalarlo. Más de la mitad señala como uno de los grandes obstáculos vincular las iniciativas de IA a la cuenta de resultados, y solo el 14 % ha definido con claridad ese impacto en todas ellas. Las empresas con mejores resultados, además, son unas siete veces más propensas a rediseñar sus procesos de principio a fin.
Quizá tu problema ya no esté donde estaba hace seis meses
Esta es probablemente la idea más importante. Cuando una empresa automatiza bien una restricción, el sistema cambia:
- Antes el problema era introducir la información. Ahora quizá sea revisarla.
- Automatizamos la revisión. Ahora puede ser aprobarla.
- Automatizamos algunos niveles de aprobación. Ahora puede ser la capacidad comercial.
Eso no significa que la automatización haya fallado. Significa exactamente lo contrario: ha funcionado tan bien que ha cambiado cuál es el siguiente problema importante.
Una empresa de verdad eficiente no persigue una lista fija de tareas que automatizar. Busca continuamente dónde está ahora su mayor restricción.
La ventaja competitiva no será usar más IA
Dentro de unos años, prácticamente todas las empresas usarán inteligencia artificial. La diferencia estará en cómo la usan. Algunas tendrán decenas de herramientas que hacen tareas sueltas más rápido. Otras habrán rediseñado procesos completos alrededor de la nueva capacidad.
Los datos de este artículo apuntan en la misma dirección. La mayoría ya nota la mejora en su propio trabajo, pero solo una minoría la ve llegar a los resultados de la empresa. Y las encuestas de McKinsey y de BCG señalan lo mismo en quienes sí lo consiguen: rediseñan sus procesos.
Ahí estará buena parte de la ventaja competitiva. No en tener el modelo más nuevo, sino en construir una empresa capaz de convertir esa tecnología en más flujo, más capacidad y mejores márgenes.
Antes de automatizar una tarea, mira qué ocurre después
La próxima vez que alguien diga «podemos hacer esto diez veces más rápido con IA», la siguiente pregunta debería ser: «¿y qué sucede justo después?».
Si la respuesta es «se queda esperando», «lo revisa a mano otra persona», «hay que pasarlo a otro sistema», «necesita autorización», «hay que volver a introducirlo» o «ese departamento ya está saturado»…
Quizá acabamos de encontrar algo más importante que la tarea que queríamos automatizar: el verdadero cuello de botella.
