← Blog

Implantar IA en la empresa: lo que dicen los datos de 2026

13 min de lectura

Qué miden los estudios sobre productividad, empleo y gasto en IA a noviembre de 2026, cómo calcular el ahorro real y por qué la mayoría de proyectos no pasa del piloto.

A noviembre de 2026, la mitad de los trabajadores de la eurozona usa inteligencia artificial en su trabajo. Solo una de cada cinco empresas europeas la ha incorporado. Esa distancia entre lo que hacen las personas por su cuenta y lo que organizan las empresas explica buena parte de las cifras de este artículo.

Aquí reunimos lo que está medido: adopción, productividad, ahorro, contratación, puestos más demandados y previsiones de crecimiento. Usamos datos de España y de la Unión Europea siempre que existen, y de Estados Unidos cuando no. Al final proponemos un método de implantación por fases y repasamos los límites de las propias cifras.

Adopción: los trabajadores van por delante de las empresas

El Banco Central Europeo (BCE) pregunta cada mes a unas 20.000 personas de 11 países de la eurozona. La proporción de trabajadores que usa IA en su trabajo pasó del 26 % en 2024 al 41 % en 2025 y al 52 % en 2026. Quien la usa lo hace unos tres días por semana.

En Estados Unidos, la Reserva Federal de St. Louis mide algo parecido con una pregunta más estricta: haberla usado en el trabajo la semana anterior. El dato subió del 28,2 % en el tercer trimestre de 2024 al 39,2 % en el segundo de 2026.

Las empresas van más despacio. Según Eurostat, el 20 % de las empresas de la UE con 10 o más empleados usaba alguna tecnología de IA en 2025, frente al 13,5 % de 2024. España está en la media, con un 20,3 %. El INE da una cifra muy parecida: 21,1 % en el primer trimestre de 2025, 8,7 puntos más que un año antes. En el sector servicios llega al 25,7 %.

Fíjate en 2025: el 41 % de los trabajadores de la eurozona usaba IA, y solo el 20 % de las empresas de la UE. El dato español de 2024 está calculado a partir del aumento de 8,7 puntos que publica el INE.

Las dos series no miden lo mismo: una pregunta a personas y la otra a empresas. Aun así, el patrón se repite en los tres territorios. Mucha gente usa la IA con herramientas propias, sin que su empresa haya cambiado ningún proceso. Ese uso informal tiene dos consecuencias. El tiempo ahorrado se queda en la persona y no aparece en las cuentas. Y los datos de la empresa pasan por servicios externos sin una política que diga cuáles pueden salir y cuáles no.

Cuánta productividad: lo que se ha medido

Hay dos maneras de medir el efecto de la IA en el trabajo. Las encuestas preguntan a la gente cuánto tiempo cree que ahorra. Los ensayos controlados aleatorizados comparan dos grupos elegidos al azar que hacen el mismo trabajo, uno con IA y otro sin ella. Es el método con el que se prueba un medicamento. Cuesta más, pero separa el efecto de la herramienta del de todo lo demás.

Tres ensayos son la referencia:

  • Atención al cliente. Brynjolfsson, Li y Raymond siguieron a 5.179 agentes de soporte que recibieron un asistente de IA de forma escalonada. Los casos resueltos por hora subieron un 14 % de media. En los empleados nuevos o con menos destreza la mejora fue del 34 %; en los más expertos fue mínima. El estudio se publicó en el Quarterly Journal of Economics en 2025.
  • Consultoría. Dell’Acqua y otros autores trabajaron con 758 consultores de Boston Consulting Group (BCG). En tareas que la IA resuelve bien, quienes la usaban completaron un 12,2 % más de tareas y lo hicieron un 25,1 % más rápido y con más calidad. En una tarea diseñada para quedar fuera de su alcance, acertaron 19 puntos menos que quienes trabajaron sin ella.
  • Programación. METR, un centro de investigación independiente, pidió a 16 desarrolladores con experiencia que resolvieran incidencias reales de sus propios proyectos, unas con IA y otras sin ella, asignadas al azar. Con IA tardaron un 19 % más. Antes del estudio esperaban ir un 24 % más rápido, y al terminar seguían creyendo que habían ganado un 20 %.
Compara las filas de arriba con la que está en naranja: los ensayos miden tareas en las que la IA encaja, y la encuesta mide la jornada entera de toda la plantilla. Cada fila tiene su propia unidad.

La frontera irregular

Los autores del estudio de BCG llamaron a este fenómeno frontera tecnológica irregular. La IA rinde muy bien en unas tareas y mal en otras que, vistas desde fuera, parecen igual de difíciles. Quien trabaja dentro de esa frontera gana tiempo. Quien trabaja fuera sin darse cuenta entrega peores resultados, y con más confianza.

El estudio de METR añade otro matiz: la sensación de ir más rápido no sirve como medida. Los desarrolladores se equivocaron en unos 40 puntos al estimar su propio ritmo. En una empresa, el ahorro se mide comparando el antes y el después de un proceso, no preguntando al equipo.

Por qué la media sale baja

Las encuestas dan cifras mucho más pequeñas que los ensayos. En Estados Unidos, el tiempo ahorrado gracias a la IA equivalía al 2,2 % de todas las horas trabajadas en el segundo trimestre de 2026, según la Fed de St. Louis. En la eurozona, el usuario mediano (el del centro: la mitad ahorra más que él y la otra mitad, menos) ahorra tres horas a la semana, un 7,7 % de su jornada. Como solo el 48,8 % de los trabajadores usa IA y además ahorra tiempo, el BCE calcula que el efecto sobre toda la plantilla baja al 3,8 %.

Las dos cifras son compatibles. Un ensayo mide una tarea concreta en la que la IA encaja. Una jornada real mezcla tareas dentro y fuera de la frontera, reuniones y trabajo que nadie ha intentado automatizar. El mayor ahorro declarado en la eurozona está en programar y depurar código, casi ocho horas semanales, pero solo un 8 % de los trabajadores usa la IA para eso.

Del tiempo ahorrado al coste: cómo hacer la cuenta

Una hora ahorrada no equivale a un euro ahorrado. Para pasar de una cosa a la otra hay que restar lo que se pierde por el camino. Una fórmula sencilla:

Ahorro neto = H × C × k − (L + R × C + F)

  • H: horas ahorradas al mes en el proceso, medidas contra el antes.
  • C: coste completo de una hora de trabajo (sueldo, cotizaciones y costes asociados).
  • k: tasa de captura, la parte del tiempo liberado que se convierte en más trabajo útil o en menos horas pagadas. Si ese tiempo se diluye en el día, k se acerca a cero.
  • L: coste mensual de las herramientas.
  • R: horas al mes dedicadas a revisar lo que produce la IA.
  • F: formación y puesta en marcha, repartidas entre los meses de uso.

Un ejemplo con datos inventados. Un departamento dedica 400 horas al mes a gestionar facturas. Con IA, el proceso pasa a necesitar 300: H = 100. La hora cuesta 25 € y se aprovecha el 60 % del tiempo liberado. Las herramientas cuestan 300 € al mes, la revisión ocupa 20 horas y la formación, 2.400 € repartidos en 12 meses.

# Ahorro neto mensual de un proceso (datos de ejemplo)
def ahorro_neto(h, coste_hora, captura, licencias, horas_revision, formacion_mes):
    capturado = h * coste_hora * captura
    costes = licencias + horas_revision * coste_hora + formacion_mes
    return capturado - costes

print(ahorro_neto(100, 25, 0.6, 300, 20, 200))  # 500.0 € al mes

La función resta al valor del tiempo aprovechado los tres costes. De 2.500 € de tiempo bruto quedan 500 € netos: el 80 % se pierde por el camino.

Datos inventados. De cada 100 € de tiempo ahorrado, 80 € se quedan por el camino antes de llegar al ahorro neto.

La misma fórmula da el punto de equilibrio, el ahorro mínimo para no perder dinero: H = (L + R × C + F) / (C × k). Con estos datos son 67 horas, un 17 % del proceso. Un proyecto que ahorre menos pierde dinero. Y si la tarea cae fuera de la frontera, como en el estudio de METR, lo pierde dos veces: en licencias y en horas.

Contratación en 2026: dónde baja y dónde sube

El dato más citado del año viene del Stanford Digital Economy Lab, que trabaja con las nóminas de ADP, la mayor empresa de gestión de nóminas de Estados Unidos. Una ocupación está expuesta a la IA cuando buena parte de sus tareas se pueden hacer o acelerar con ella. Entre noviembre de 2022 y junio de 2026, el empleo de los trabajadores de 22 a 25 años cayó un 11 % en el 40 % de ocupaciones más expuestas y creció un 10 % en el 60 % menos expuesto.

Medido de otra forma, ese empleo joven en las ocupaciones más expuestas está un 19 % por debajo de lo que estaría si hubiera seguido el ritmo de los jóvenes de ocupaciones menos expuestas. Hace un año la distancia era del 15 %. Los trabajadores con experiencia en esas mismas ocupaciones no muestran ese hueco. La caída aparece sobre todo donde la IA sustituye tareas. Donde se usa para complementar al trabajador, el empleo se mantiene o sube.

Las ofertas de empleo cuentan algo parecido. Según Indeed Hiring Lab, desde el 24 de febrero de 2025 las ofertas de desarrollo de software en Estados Unidos han subido casi un 15 %, mientras el total de ofertas bajaba un 7 %. Aun así, siguen un 27,5 % por debajo de febrero de 2020. El 71 % de esa recuperación corresponde a puestos sénior.

Fíjate en la barra naranja: en un año, la distancia del empleo joven en las ocupaciones más expuestas pasó del 15 % al 19 %.

Las empresas esperan más ajustes. En la encuesta de McKinsey de 2025, con casi 2.000 participantes de 105 países, el 43 % no prevé cambios de plantilla en el año siguiente, el 32 % prevé reducirla al menos un 3 % y el 13 % prevé aumentarla en esa misma proporción.

Juntos, estos datos dibujan un cambio concentrado en la puerta de entrada. Las tareas con las que antes se formaba a un júnior son las primeras que se automatizan. Una empresa que deja de contratar júniors sin rediseñar cómo aprende su gente corre el riesgo de quedarse sin perfiles sénior dentro de unos años.

Los puestos más demandados

LinkedIn publica cada enero su lista de empleos que más crecen, calculada sobre los últimos tres años. En España, la edición de 2026 la encabezan el ingeniero de IA, el director de IA y el analista de logística. Les siguen, en el orden publicado, director de ingeniería civil, jefe de ventas de TI, responsable de puesta en marcha, investigador en aprendizaje automático, asesor jurídico, analista de suscripciones e ingeniero biomédico.

Hay dos detalles en esa lista. Los dos primeros puestos son de IA y uno de ellos es de dirección: las empresas buscan perfiles que construyan con IA y también perfiles que decidan dónde usarla. Y casi la mitad de los puestos no son tecnológicos (logística, derecho, salud, compras). Encaja con lo que mide Indeed: el 4,2 % de las ofertas que analiza ya menciona la IA, su máximo desde que lo registra, y la mención se extiende a puestos no técnicos en EE. UU. y en Europa.

A más largo plazo, el Foro Económico Mundial estima en su informe Future of Jobs 2025 que hasta 2030 se crearán 170 millones de empleos y desaparecerán 92 millones, con un saldo de 78 millones, el 7 % del empleo actual. Entre los que más crecen en porcentaje están los especialistas en big data (análisis de volúmenes de datos demasiado grandes para una hoja de cálculo), los ingenieros de fintech (tecnología aplicada a servicios financieros), los especialistas en IA y aprendizaje automático y los desarrolladores de software. Entre los que más caen, cajeros y taquilleros, auxiliares administrativos y secretarios de dirección, trabajadores de imprenta y contables y auditores.

En blanco, los puestos de IA. En España los dos primeros son de IA; en la lista mundial, los que más caen son sobre todo administrativos. LinkedIn solo numera los tres primeros: del 4 al 10 es el orden publicado.

Hacia dónde crece la IA

Cuatro series sirven para medir el ritmo.

Gasto. Gartner revisó en septiembre de 2026 su previsión de gasto mundial en IA: 1,79 billones de dólares en 2025, 2,67 billones en 2026 (un 49,5 % más) y 3,64 billones en 2027. Más de la mitad es infraestructura: centros de datos, chips y redes. El segmento de agentes y asistentes pasa de 16.500 a 65.500 millones de dólares entre 2025 y 2027. En su previsión de mayo, la propia Gartner señalaba que la mayoría de empresas todavía prefiere proyectos tácticos, con mejoras de eficiencia graduales, a cambios de fondo.

Capacidad de cálculo. Según el AI Index 2026 de la Universidad de Stanford, la capacidad de cálculo dedicada a IA en el mundo se multiplica por 3,3 cada año desde 2022.

Autonomía. METR mide el horizonte temporal de los modelos: la duración de las tareas, contada en lo que tardaría una persona experta, que un modelo completa con éxito la mitad de las veces. En su serie larga, ese horizonte se duplicaba cada siete meses. Con los modelos de 2024 y 2025, cada tres o cuatro. Hay que leerlo con cuidado: son sobre todo tareas de programación y las últimas mediciones tienen bastante ruido.

Precio. La inferencia es cada uso de un modelo ya entrenado para obtener una respuesta, y se paga por tokens, los trozos de texto de unas pocas letras que entran y salen del modelo. Epoch AI calculó que el precio de obtener un mismo nivel de resultado cayó entre 9 y 900 veces al año entre finales de 2021 y principios de 2025, según la tarea. Las caídas más rápidas son las más recientes, y sus autores no dan por hecho que se mantengan.

La infraestructura, en naranja, se lleva más de la mitad del gasto en los tres años. Debajo, tres ritmos que explican por qué las cifras de capacidad caducan rápido.

La consecuencia práctica para una empresa es que la cuenta del apartado anterior caduca. Una tarea que hoy queda fuera de la frontera puede entrar en pocos meses, y una herramienta que hoy no compensa puede costar una fracción el año que viene. Conviene repetir el cálculo cada trimestre.

Por qué la mayoría no pasa del piloto

Un piloto es una prueba limitada, con pocos usuarios y un plazo. Escalar es llevarlo a toda la organización, con presupuesto, soporte y procesos rehechos. En ese paso se atasca la mayoría.

Según McKinsey (2025), el 88 % de las organizaciones usa IA en al menos una función, pero dos tercios no han empezado a escalarla. El 62 % experimenta con agentes (programas que reciben un objetivo, deciden qué pasos dar y los ejecutan con herramientas) y solo el 23 % los ha escalado en alguna parte de la empresa. El 39 % ve algún efecto en el EBIT, el beneficio antes de intereses e impuestos, y la mayoría de ellas atribuye a la IA menos del 5 % de ese beneficio.

El informe del MIT The GenAI Divide (2025) dio una cifra más dura: el 95 % de los pilotos de IA generativa no llegaba a producir un efecto medible en ingresos. Se basa en 150 entrevistas, una encuesta a 350 empleados y el análisis de 300 despliegues públicos, así que conviene tomarlo como señal y no como medida precisa. Dos de sus hallazgos son útiles. Las herramientas compradas a proveedores especializados funcionaban en torno a dos de cada tres veces, frente a una de cada tres de los desarrollos internos. Y aunque más de la mitad del presupuesto iba a ventas y marketing, el mayor retorno aparecía en la trastienda: automatizar procesos administrativos y reducir subcontratación.

McKinsey identifica un 6 % de empresas de alto rendimiento: las que atribuyen a la IA más del 5 % de su EBIT. Tienen casi tres veces más probabilidad de haber rediseñado sus procesos de trabajo, y tres de cada cuatro ya han escalado o están escalando la IA, frente a una de cada tres del resto.

Mira la barra naranja: solo el 6 % de las empresas saca más del 5 % de su beneficio operativo de la IA. Los seis pasos de abajo están pensados para dar ese salto.

Un método de implantación por fases

Las empresas que obtienen resultados comparten una forma de trabajar. Este es el método que seguimos en el laboratorio:

  1. Elegir un proceso, no una herramienta. Uno solo, repetitivo, con volumen y con un responsable. Si se puede, de trastienda, que es donde el MIT encontró más retorno.
  2. Medir el antes. Horas al mes, errores y plazos. Sin esa cifra no hay forma de saber si el proyecto funciona, como muestra el estudio de METR.
  3. Comprobar que la tarea cae dentro de la frontera. Probar con casos reales, incluidos los difíciles, antes de comprometer presupuesto.
  4. Diseñar el control humano. Decidir qué revisa una persona, qué se confirma antes de ejecutarse y qué no hace nunca la IA. Esas horas de revisión entran en la cuenta: son la R de la fórmula.
  5. Medir el después y hacer la cuenta. Con la fórmula del ahorro neto y su punto de equilibrio.
  6. Escalar o descartar. Si supera el punto de equilibrio, se extiende a más usuarios y se rediseña el proceso alrededor. Si no, se descarta y se pasa al siguiente.

Así arrancamos IMOS, nuestro sistema operativo para el negocio del coche, de uso interno y en desarrollo: primero un único proceso, el alta de conductores y el contrato de alquiler, con una persona revisando cada ficha antes de firmar. Lo contamos en Un sistema de flota hecho con IA y con un agente dentro.

Las cifras de McKinsey y del MIT muestran una distancia entre las empresas que rehacen sus procesos y las que solo dan acceso a una herramienta. El primer grupo, por ahora, es el 6 %.

Límites de estos datos

  • Muchos son autodeclarados. El tiempo ahorrado que miden el BCE y la Fed sale de lo que dice la gente, y el estudio de METR muestra lo lejos que puede estar esa percepción de la realidad.
  • Mucho viene de Estados Unidos. Los estudios de empleo y de ofertas más detallados usan datos estadounidenses. Para España y la UE hay buenos datos de adopción y muchos menos de efectos.
  • Describir no es demostrar. El estudio de Stanford muestra una caída del empleo joven donde hay más exposición a la IA, pero sus autores advierten de que no prueba la causa: la distancia se reduce al tener en cuenta la formación, y algunas tendencias empezaron antes de la IA generativa.
  • Algunas fuentes asesoran sobre IA. McKinsey y Gartner son consultoras del sector, y sus encuestas no se hacen sobre muestras aleatorias.
  • Los ensayos son pocos y concretos. Tres sectores y tareas acotadas. Extrapolarlos a una empresa entera es el error que este artículo intenta evitar.
  • Caducan rápido. Con un horizonte de tareas que se duplica cada pocos meses, cualquier cifra de capacidad tiene fecha. Todas las de este artículo están tomadas a noviembre de 2026.

Fuentes

  1. Banco Central Europeo. AI adoption and the productivity promise: what workers report. Blog del BCE, 26 de agosto de 2026. ecb.europa.eu
  2. Reserva Federal de St. Louis. Does generative AI save time at work? FRED Blog, 27 de agosto de 2026. fredblog.stlouisfed.org
  3. Eurostat. Uso de IA en empresas, 2025 (datos por país recogidos por Implicator). implicator.ai
  4. INE. Encuesta de uso de TIC y comercio electrónico en las empresas, primer trimestre de 2025 (recogida por Bolsamanía, 22 de octubre de 2025). bolsamania.com
  5. Brynjolfsson, E., Li, D. y Raymond, L. Generative AI at Work. Quarterly Journal of Economics, 140(2), 2025. nber.org
  6. Dell’Acqua, F. et al. Navigating the Jagged Technological Frontier. Harvard Business School y BCG (resumen). businessdatasolutions.github.io
  7. METR. Ensayo con desarrolladores de código abierto, 10 de julio de 2025 (resumen de Simon Willison). simonwillison.net
  8. Stanford Digital Economy Lab. Canaries in the Coal Mine, actualización de agosto de 2026. digitaleconomy.stanford.edu
  9. Indeed Hiring Lab. AI and Job Postings: From Destruction to Creation?, 8 de julio de 2026. hiringlab.indeed.com
  10. Indeed Hiring Lab, datos de ofertas que mencionan IA (recogidos por eWeek, 23 de enero de 2026). eweek.com
  11. Indeed Hiring Lab. AI Is No Longer Just a Tech Occupation Story, 8 de julio de 2026. hiringlab.indeed.com
  12. McKinsey. The state of AI in 2025: Agents, innovation, and transformation. mckinsey.com
  13. LinkedIn. Jobs on the Rise 2026, España (recogido por The Local, 13 de enero de 2026). thelocal.es
  14. Foro Económico Mundial. Future of Jobs Report 2025. weforum.org
  15. Gartner. Previsión de gasto mundial en IA, 16 de septiembre de 2026 (tabla recogida por CloudNews). cloudnews.tech
  16. Gartner. Previsión de gasto mundial en IA, 19 de mayo de 2026. businesswire.com
  17. Stanford HAI. AI Index Report 2026 (resumen). jc-aiwiki.pages.dev
  18. METR. Tendencia del horizonte temporal (análisis). greaterwrong.com
  19. Epoch AI. LLM inference prices have fallen rapidly but unequally across tasks, 12 de marzo de 2025. epoch.ai
  20. MIT NANDA. The GenAI Divide: State of AI in Business 2025 (recogido por Computing). computing.co.uk

Sigue leyendo

Rebelds
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.