Todos sienten que la IA los hace más productivos. Casi nadie lo ve en el EBIT.
La conversación se repite. Un director nos dice que su equipo va más rápido desde que usan IA. Que los reportes salen en la mitad del tiempo. Que las propuestas ya no se atoran una semana en construcción. Y después, cuando le preguntamos cuánto de eso llegó al resultado del negocio, hay una pausa.
No es que no sepa la respuesta. Es que nadie se la había preguntado en esos términos.
McKinsey acaba de publicar el dato que pone número a esa pausa. En su encuesta más reciente, 80% de los participantes reporta que la IA mejoró su productividad individual. En el mismo estudio, 37% atribuye algún impacto en EBIT a su uso de IA, una proporción que la propia firma describe como esencialmente igual a la del año anterior. Y solo 6% califica como alto desempeño: los que atribuyen 5% o más del EBIT a la IA y describen el impacto como significativo.
Ocho de cada diez lo sienten. Seis de cada cien lo pueden probar.
Ficha del dato: McKinsey, "The state of AI in 2026: On the road to ROI", publicado el 25 de agosto de 2026. Trabajo de campo del 4 de mayo al 8 de junio de 2026, 1,719 participantes en 97 países, ponderado por aporte al PIB global.
La brecha no es un problema de tecnología
La lectura fácil es que las herramientas todavía no son lo bastante buenas. No creemos que sea eso, y el mismo estudio da una pista: 44% ya reporta que la IA está escalando en toda su empresa, contra 38% el año pasado. La adopción avanza. El resultado financiero no se movió.
Cuando la adopción sube y el resultado se queda plano, el problema no está en la herramienta. Está en el camino entre una cosa y la otra.
Ese camino tiene tres tramos, y cada uno se rompe distinto.
Primer tramo: el tiempo que se ahorra no se reasigna. Si un analista se ahorra seis horas a la semana y esas seis horas se las come el mismo tipo de trabajo, la productividad individual subió y la capacidad de la empresa no. El ahorro existe pero se disuelve. Para que llegue al EBIT tiene que convertirse en algo: más cuentas atendidas, un proceso que antes no se hacía, una posición que no se contrata. Alguien tiene que tomar esa decisión, y normalmente nadie la toma porque nadie está mirando el agregado.
Segundo tramo: no hay línea base. Esta es la que más nos toca. Para decir "la IA aportó X al margen" necesitas saber qué pasaba antes, con qué costo y en cuánto tiempo. La mayoría de las empresas empezó a usar IA sin medir el estado previo del proceso. Cuando llega la pregunta del CFO, la respuesta honesta es que no se puede reconstruir. No porque el impacto no exista, sino porque no quedó contra qué compararlo.
Tercer tramo: se atribuye por cercanía. Es el mismo error que llevamos años viendo en medición de marketing, ahora aplicado a otra cosa. Cuando un trimestre sale bien y el equipo estuvo usando IA, la IA se lleva el crédito. Cuando sale mal, se le echa la culpa al mercado. Eso no es medición, es narrativa. Y funciona hasta que alguien pide el desglose.
Hay un dato más de la misma encuesta que ilustra lo cara que sale la narrativa sin medición: 39% espera reducciones de plantilla por IA el próximo año. El año pasado 32% lo predijo, y solo 14% las tuvo realmente. La predicción falló por más del doble. Si las decisiones de estructura se toman sobre pronósticos con ese margen de error, el costo no es teórico.
Dónde se ve la brecha desde adentro
Hay una señal incómoda en el mismo estudio. Entre mandos medios y colaboradores individuales, 47% reporta haber experimentado alguno de los efectos negativos que el estudio mide. Entre directivos y gerentes senior, ese número baja a 31%.
Quien opera el cambio siente el costo. Quien lo decide, la mitad de las veces no lo ve.
Esa distancia explica bastante. Si la conversación sobre IA en tu empresa ocurre solo en el comité de dirección, estás recibiendo el reporte de la mitad que menos fricción está sintiendo. Y la fricción es información: dice dónde el proceso todavía no está listo para la herramienta que le pusiste encima.
Del otro lado del escritorio, una encuesta de BCG a 152 CEOs publicada en julio de 2026 reporta que 86% ve beneficios de costo o ingreso en áreas específicas, pero solo 14% define claramente el impacto en el P&L de todas sus iniciativas de IA. Un 56% cita como barrera el vínculo poco claro entre las iniciativas y los resultados financieros.
Cómo se ve cuando está bien hecho
Las empresas que sí atribuyen impacto tienen una cosa en común, y no es la herramienta. Es que decidieron qué iban a medir antes de encender nada.
En la práctica se ve así. Antes de automatizar un proceso, alguien escribe tres cosas: cuánto cuesta hoy ese proceso, cuánto tarda, y con qué frecuencia se hace. Tres números, media hora de trabajo. Ese es el punto de comparación, y es lo único que después permite decir algo defendible.
Después se define el mecanismo por el que el ahorro se convierte en resultado. No basta con "vamos a ser más eficientes". Tiene que ser concreto: este equipo va a atender 30% más solicitudes con la misma gente, o vamos a dejar de pagar este servicio externo, o vamos a cerrar el mes tres días antes. Si no puedes nombrar el mecanismo, el ahorro se va a disolver.
Y después se aísla. Si todo el equipo adopta la herramienta el mismo día, nunca vas a poder separar el efecto de la IA del efecto de la temporada, del nuevo gerente o del cliente que se fue. Arrancar por un área y dejar otra comparable sin tocar durante un trimestre cuesta muy poco y es la diferencia entre tener un dato y tener una impresión. Es la misma lógica de un experimento de incrementalidad, aplicada a un proceso interno.
Nada de esto requiere una plataforma nueva. Requiere que alguien decida qué se va a medir, cuándo se va a revisar y quién contesta cuando el número no salga.
Dónde entra esto en el Método 4C
Trabajamos la adopción de IA con el Método 4C®, desarrollado por Eduardo Vázquez, fundador de la Academia de IA. Estoy certificada en el método. Son cuatro fases, y el orden no es decorativo: cada una habilita la siguiente.
Conciencia. La empresa no sabe dónde está ni qué oportunidades reales tiene con IA. Se instala el sistema de gobernanza, se capacita al equipo y se diagnostica el punto de partida con el IMA-4C®, el índice de madurez de Inteligencia Artificial. De ahí salen los casos de uso priorizados.
Construcción. Las ideas se convierten en soluciones que funcionan: asistentes, flujos, automatizaciones, y los primeros resultados medibles.
Conexión. El uso escala con un equipo interno propio y se integra entre áreas, en lugar de quedarse en un departamento.
Consolidación. Se instala el sistema de dirección estratégica: prospectiva a tres o cinco años, Balanced Scorecard 4C® y mapa estratégico con KPIs.
Todo lo que describimos arriba —la línea base, nombrar el mecanismo, saber qué está decidiendo la máquina— es trabajo de la fase 1, Conciencia. Y ahí está el diagnóstico, que es lo que casi nadie hace antes de encender la herramienta.
Por eso el 80% siente y el 6% prueba. La mayoría entra directo a Construcción, se salta Conciencia, y después no tiene contra qué comparar.
El método completo está en metodo4c.ai.
Qué revisar el lunes
Haz la lista de dónde ya se está usando IA en tu empresa. No las licencias contratadas: los procesos reales. Casi siempre la lista sale más larga de lo que dirección cree, porque hay equipos usando herramientas que nadie autorizó formalmente.
Para cada uno, pregunta si existe la línea base. ¿Sabemos cuánto costaba, cuánto tardaba y con qué frecuencia se hacía, antes? Las casillas vacías son las que no vas a poder defender ante el CFO. Empieza a llenarlas hoy, aunque sea hacia adelante.
Nombra el mecanismo. Por cada proceso de la lista, una línea: cómo se convierte ese ahorro en dinero. Si la respuesta es "el equipo tiene más tiempo", no está terminada. Más tiempo, ¿para qué?
Pregúntale a quien opera, no solo a quien decide. El 47% contra 31% de arriba dice que la mitad de la información está abajo. Una ronda de quince minutos con los que usan la herramienta todos los días te va a dar más señal que el reporte de adopción.
Lo que esto no significa
No estamos diciendo que la IA no sirva. El 80% que reporta mayor productividad individual es real y es un dato bueno. Lo que decimos es que la productividad individual y el resultado de empresa son dos cosas distintas, y solo una de las dos aparece en el estado financiero.
La brecha entre las dos no se cierra comprando otra herramienta. Se cierra con lo de siempre: saber qué medías antes, decidir qué vas a medir ahora, y tener a alguien que responda cuando el número llegue.
Si al leer el punto 2 te diste cuenta de que no tienes la línea base de ninguno de tus procesos automatizados, estás en fase 1. Conciencia. No es un mal lugar: es el lugar correcto para empezar. Lo que no funciona es saltárselo.
El diagnóstico de madurez IMA-4C® es justamente eso, y es el punto de partida de cualquier trabajo que hacemos.
Agenda tu llamada de briefing estratégico — 30 minutos, sin costo.
insightminds.com.mx/agenda-tu-llamada
Sobre el método
El Método 4C® y el índice IMA-4C® fueron desarrollados por Eduardo Vázquez, fundador de la Academia de IA y de Agentiza.ai.
Cursé Consultor en IA con el Método 4C® de la Academia de IA, en su primera generación, y tengo la credencial de Consultor en Inteligencia Artificial Método 4C® emitida por CertiProf. La cual aplicó junto con el equipo en los proyectos de adopción de IA de Insight Minds.
Detalle completo del marco en metodo4c.ai.
Fuentes:
McKinsey & Company (QuantumBlack) — The state of AI in 2026: On the road to ROI. Publicado 25 de agosto de 2026. Campo del 4 de mayo al 8 de junio de 2026, n=1,719, 97 países, ponderado por aporte al PIB. Verificado contra el PDF del informe.
Boston Consulting Group — CEOs Are Starting to See Value from AI. Now Comes Execution. Publicado 22 de julio de 2026, n=152 CEOs. BCG no publica fechas de campo ni cobertura geográfica; se usa como refuerzo secundario.
Método 4C® — metodo4c.ai.
