Después de invertir miles de millones de dólares en herramientas de inteligencia artificial, algunas compañías están revisando sus estrategias ante los gastos crecientes, los errores y las mejoras de productividad que no siempre se materializan. La discusión ya no pasa solamente por adoptar la tecnología, sino por demostrar que realmente aporta valor.

Durante los últimos años, la inteligencia artificial se instaló en el centro de las promesas de transformación empresarial. Automatizar tareas, reducir costos, acelerar procesos y mejorar la productividad fueron algunos de los argumentos que impulsaron inversiones millonarias. Sin embargo, a medida que estas herramientas se incorporan al trabajo cotidiano, algunas compañías empiezan a hacerse una pregunta incómoda: ¿los resultados justifican el dinero que están gastando?

El entusiasmo inicial comienza a convivir con una evaluación más exigente. Empresas que promovieron el uso extendido de sistemas de inteligencia artificial ahora revisan sus presupuestos, limitan determinadas aplicaciones y buscan distinguir entre las herramientas que resuelven problemas concretos y aquellas que agregan costos sin generar beneficios equivalentes.

El caso de Accenture, una de las mayores consultoras internacionales, refleja esa tensión. La compañía destinó miles de millones de dólares al desarrollo de sus capacidades en inteligencia artificial y a la capacitación de sus empleados. Su estrategia impulsó la incorporación de estas herramientas en distintas tareas laborales, pero el uso intensivo también abrió interrogantes sobre la eficiencia de esa política.

Según la información difundida sobre la empresa, algunos trabajadores comenzaron a utilizar sistemas avanzados incluso para actividades relativamente sencillas, como resumir documentos, preparar presentaciones o realizar tareas básicas de programación. Cuando una herramienta costosa se utiliza para resolver problemas que podrían abordarse con recursos más simples, la inversión pierde parte de su sentido económico.

Ante el incremento de los gastos, Accenture decidió establecer un presupuesto mensual de 29 dólares por empleado para determinadas aplicaciones de inteligencia artificial, con autorización previa para los consumos que superen ese límite. La medida ilustra un cambio de enfoque: después de promover la adopción, la prioridad pasa a ser controlar cuánto se utiliza la tecnología y para qué.

El problema no se limita al costo de las licencias. Muchas herramientas cobran según el volumen de procesamiento requerido, medido mediante unidades conocidas como tokens. Cuanto más extensa o compleja es una tarea, mayor puede ser el consumo de recursos y, por lo tanto, la factura final.

Este modelo se vuelve especialmente relevante con los llamados agentes de inteligencia artificial, sistemas capaces de ejecutar secuencias de tareas con cierto grado de autonomía. A diferencia de un asistente que responde una pregunta, un agente puede planificar una actividad, consultar información, generar código, comprobar errores y repetir operaciones hasta completar un encargo.

Esa capacidad amplía las posibilidades de automatización, pero también puede multiplicar los costos. Una tarea que parece sencilla desde el punto de vista del usuario puede desencadenar numerosos procesos internos que requieren capacidad de cálculo. Si la empresa no establece límites ni controla el consumo, el gasto puede crecer mucho más rápido de lo previsto.

La expansión de estas herramientas también expone una dificultad menos visible: generar contenido no equivale necesariamente a producir conocimiento útil. Algunos documentos elaborados con inteligencia artificial pueden parecer profesionales a primera vista y, sin embargo, contener errores, afirmaciones superficiales o información que no aporta demasiado a una decisión.

En esos casos, el ahorro de tiempo prometido puede desaparecer durante la revisión. Los empleados deben comprobar datos, corregir respuestas y reconstruir partes del trabajo para que el resultado alcance un nivel aceptable. En lugar de simplificar un proceso, la tecnología agrega una nueva etapa de control.

Este fenómeno suele describirse en el ámbito laboral con el término inglés workslop, utilizado para referirse a materiales generados con inteligencia artificial que aparentan estar terminados, pero requieren un esfuerzo considerable para transformarse en un producto realmente útil.

La cuestión no es que la inteligencia artificial carezca de aplicaciones valiosas. En tareas repetitivas, clasificación de información, asistencia en programación o procesamiento de grandes volúmenes de datos, puede ofrecer ventajas concretas. El problema aparece cuando se la incorpora sin definir previamente qué necesidad debe resolver o qué resultado permitiría considerar exitosa la inversión.

La profesora Anne-Sophie Mayer, especialista en trabajo digital de la Universidad Ludwig-Maximilians de Múnich, sostiene que las empresas necesitan identificar ámbitos específicos de aplicación, garantizar la calidad de los datos y capacitar a sus empleados. También advierte sobre el riesgo de perder valor cuando se delegan en sistemas automáticos tareas que requieren interpretación, criterio y generación de nuevas ideas.

La capacitación es una pieza central de esa discusión. Incorporar una herramienta no garantiza que las personas sepan utilizarla correctamente ni que puedan reconocer cuándo una respuesta es errónea. Sin formación y criterios claros, la tecnología puede convertirse en una obligación administrativa más que en un recurso que mejore el trabajo.

También existe un riesgo de homogeneización. Si distintas empresas recurren a los mismos modelos para producir informes, recomendaciones y contenidos, los resultados pueden terminar pareciéndose demasiado. La automatización facilita ciertas tareas, pero no reemplaza necesariamente el conocimiento específico, la experiencia ni la capacidad de cuestionar los supuestos de un problema.

Los datos sobre la adopción empresarial muestran que la discusión está cambiando. Un informe de McKinsey publicado en agosto de 2026, basado en una encuesta a 1.719 participantes de 97 países, indicó que el uso regular de inteligencia artificial ya está extendido entre las organizaciones consultadas. Sin embargo, solo el 37% afirmó observar algún impacto de la tecnología en sus resultados operativos, la misma proporción que el año anterior.

El estudio también señaló que una de cada cinco organizaciones había limitado el uso de inteligencia artificial debido a sus costos operativos. Esto no significa que la tecnología haya fracasado, pero sí que su expansión no garantiza automáticamente una mejora económica medible.

La brecha entre las expectativas y los resultados plantea una cuestión importante para la economía global. Las compañías no invierten solamente en programas informáticos: destinan recursos a infraestructura, centros de datos, capacidad de procesamiento, integración de sistemas y formación de personal. Para justificar ese esfuerzo, necesitan demostrar que la inteligencia artificial mejora los procesos de manera suficiente como para compensar los gastos.

La evaluación también debería contemplar los efectos sobre los trabajadores. La automatización puede modificar tareas, crear nuevas funciones y reducir la necesidad de determinadas actividades, pero sus consecuencias dependen de cómo se implemente. Una estrategia centrada exclusivamente en reducir costos puede dejar de lado la calidad del trabajo, la formación profesional y la distribución de los beneficios obtenidos.

Por eso, la discusión sobre la inteligencia artificial no debería reducirse a una competencia por incorporar la herramienta más reciente. Las empresas necesitan determinar dónde aporta una ventaja real, qué tareas conviene automatizar y cuáles requieren supervisión humana. También deben establecer mecanismos para medir errores, controlar gastos y comprobar si las mejoras prometidas se reflejan en los resultados.

La tecnología continúa avanzando y su potencial permanece abierto. Pero la experiencia de las compañías que ahora revisan sus estrategias muestra que la innovación no puede medirse solamente por la cantidad de herramientas instaladas ni por el dinero invertido.

La verdadera prueba para la inteligencia artificial será demostrar que puede resolver problemas concretos de manera confiable, eficiente y sostenible. Después de una etapa marcada por las expectativas extraordinarias, comienza otra en la que las empresas deberán mostrar resultados. Y en esa transición, la pregunta más importante ya no será cuánto puede hacer una máquina, sino cuánto valor aporta realmente lo que hace.