State of AI (McKinsey) 2025: dónde está el dinero y qué casos de uso sí escalan

OPINIÓN & FUTURO · MCKINSEY · IA EN EMPRESA

1. La foto real: casi todos usan IA, pero el dinero sigue concentrado

Si te quedas solo con el titular, te engañas: “la IA ya está en todas partes”. Sí, casi 9 de cada 10 organizaciones declaran uso regular. Pero la otra mitad del titular es la que importa: la mayoría sigue en piloto o experimentación, y solo alrededor de un tercio dice haber empezado a escalar de verdad.

En la encuesta anterior, cuando el foco era genAI en concreto, más de 80% decía no ver todavía impacto tangible en el EBIT a nivel enterprise. Aun así, ya aparecía una señal potente: 17% afirmaba que un 5% o más de su EBIT era atribuible al uso de genAI en los últimos 12 meses. Traducción: el valor existe, pero no está repartido. Está concentrado en quien ha hecho el trabajo duro.

Lo útil de este estudio es que te da una pista clara de “quién gana”: los high performers (los que reportan más de 5% de EBIT atribuible a IA y valor significativo) se comportan distinto. No tienen mejores prompts. Tienen mejores sistemas.

2. Dónde se adopta más IA (y por qué esas funciones escalan antes)

Hay cuatro áreas que salen una y otra vez como “puntas de lanza” de genAI: marketing y ventas, desarrollo de producto/servicio, operaciones de servicio (soporte, atención al cliente, back office), y ingeniería de software. No es casualidad.

Estas funciones tienen tres ventajas: tareas repetibles (muchas iteraciones), output fácil de integrar (texto, respuestas, código, resúmenes) y métricas que permiten demostrar valor rápido (tiempos, conversión, incidencias, velocidad de entrega).

De hecho, en el corte anterior ya se veía algo muy “terrenal”: el contenido más generado por genAI es texto (63%), seguido de imágenes (36%) y código (27%). Video y voz aparecen, pero todavía lejos.

Otro dato que suele pasar desapercibido: las organizaciones dicen usar IA en un promedio de tres funciones. Es decir: no es “en toda la empresa”. Es “en tres rincones donde duele” (o donde hay un champion empujando).

3. Dónde está el dinero: el patrón de los que sí capturan valor

Lo más importante del estudio no es la lista de casos de uso. Es el cómo llegan a EBIT. En 2025, el indicador se hace más nítido: hay beneficios a nivel caso de uso (coste y revenue), y 64% dice que la IA habilita innovación, pero solo 39% reporta impacto en EBIT a nivel enterprise.

¿Qué separa a los que cruzan ese puente? Dos cosas que suenan aburridas, pero son oro:

a) Rediseño de workflows (no “añadir IA encima”)

Los high performers son casi 3 veces más propensos a decir que han rediseñado de forma fundamental sus flujos de trabajo: 55% frente a 20%. Esto es clave: si la IA solo “ayuda”, mejora productividad local. Si la IA cambia el proceso, aparece margen real.

b) Liderazgo y adopción, medidos con KPIs

En la oleada anterior se veía un agujero enorme: menos de 1 de cada 5 organizaciones decía estar trackeando KPIs bien definidos para soluciones de genAI. Si no mides, no puedes priorizar ni escalar. Si quieres una guía práctica para aterrizar métricas (sin caer en “vanity KPIs”), te encaja muy bien este artículo sobre KPIs en proyectos de IA.

Y hay un tercer ingrediente que se repite: human-in-the-loop bien diseñado. No para “revisarlo todo” (eso mata el ROI), sino para definir cuándo hace falta validación humana y cómo se decide. Es una de las prácticas que más correlaciona con impacto significativo.

4. Casos de uso que sí escalan (y cómo convertirlos en valor en 30–60 días)

Si estás buscando “por dónde empiezo”, aquí va una lista que no es sexy, pero sí rentable. Hecha con el criterio que aparece en el estudio: frecuencia alta, integración clara y medición posible.

1) Copiloto para operaciones de servicio (soporte, atención al cliente, back office)

Escala bien porque es una fábrica de tickets. Empieza con sugerencias (no automatización total): clasificación, respuesta propuesta, extracción de campos, resumen y next steps.

KPIs: tiempo medio de resolución, first-contact resolution, recontacto, CSAT. Guardrails: base documental (RAG), plantillas, límites de tono, y reglas claras de escalado a humano.

2) Ingeniería de software (productividad real, no “vibes”)

Aquí el valor aparece rápido si lo integras en el flujo: generación de tests, documentación, migraciones repetitivas, análisis de PRs, búsqueda en repos y ayudas para debugging.

KPIs: lead time, throughput de PR, bugs en producción, cobertura de tests. Truco: empieza por “tareas con verificación” (tests, lint, build) antes de “tareas creativas”.

3) Marketing y ventas (donde el revenue es más directo)

No es “hacer copies”. Es acelerar el ciclo: investigación de mercado, variantes por segmento, propuestas personalizadas, respuestas a objeciones, y análisis de llamadas.

KPIs: conversión por etapa, velocidad de respuesta a leads, win-rate, CAC. Ojo: si no conectas con CRM y datos de producto, se queda en “contenido bonito”.

4) Knowledge management (la “búsqueda enterprise” que por fin funciona)

Este caso de uso suele ganar porque reduce fricción diaria: políticas internas, procesos, documentación, contratos, FAQs técnicas. Si lo haces bien, se convierte en “capa” para todo lo demás.

KPIs: tiempo para encontrar respuesta, volumen de consultas resueltas, reducción de interrupciones a expertos. Clave: permisos bien hechos (si no, lo matas por compliance).

5) Desarrollo de producto: síntesis y decisión (no solo ideación)

Escala cuando se usa para absorber señales: tickets, NPS, entrevistas, reseñas, feedback de sales, roadmaps. La IA no “decide”, pero te deja ver patrones en días, no en semanas.

KPIs: tiempo desde insight a decisión, reducción de retrabajo, acierto de priorización.

6) Agentes para tareas multi-paso (con cuidado, pero ya hay ventana)

La encuesta enseña hambre de agentes: mucha experimentación, menos escalado. Mi recomendación: agentes primero en entornos acotados (IT, soporte interno, operaciones con playbooks), con permisos mínimos y registro de acciones.

Si quieres entender bien el salto de copilotos a agentes (y por qué cambia el riesgo), aquí tienes un buen complemento: de copilotos a agentes autónomos en empresas.

5. Lo que frena a las empresas (y lo que puedes hacer mañana)

Aquí viene la parte incómoda: el freno ya no es “no sabemos qué es un LLM”. El freno es riesgo + gobernanza + datos + adopción.

En 2025, 51% de organizaciones que usan IA dice haber tenido al menos una consecuencia negativa. Y casi un tercio de los encuestados reporta problemas derivados de inexactitud. Lo interesante: las empresas están mitigando más riesgos que antes (se pasa de una media de dos riesgos gestionados en 2022 a cuatro en 2025), pero aún hay huecos: por ejemplo, explicabilidad aparece como un riesgo muy reportado y, aun así, no se mitiga tanto como cabría esperar.

Los 5 frenos típicos (y el antídoto práctico)

• Alucinaciones e inexactitud: evals por tipo de tarea, umbrales de confianza, y rutas claras de “pasa a humano”. Si te interesa profundizar, aquí tienes un buen marco mental sobre errores típicos con IA (alucinaciones y privacidad).
• Seguridad (prompt injection, fugas, permisos): mínimo privilegio, separación de entornos, logging de acciones, y pruebas de abuso (red teaming) antes de producción.
• IP y compliance: reglas de uso por tipo de dato, trazabilidad de fuentes, y filtros para evitar outputs “demasiado parecidos”. Curioso: los high performers, por desplegar más casos, también reportan más problemas de IP y regulación.
• Datos y acceso: sin catálogo documental, permisos y owners, la IA se queda en “demo”. El caso de knowledge management suele ser el primer dominó que hay que colocar.
• Adopción y cambio: el estudio vuelve a insistir en lo de siempre: comunicación interna, formación por rol, incentivos y responsables claros. Si no hay “operating model”, no hay escalado.

Para que todo esto no se quede en buenas intenciones, ayuda muchísimo documentar el uso (qué sistemas, qué datos, qué controles, quién aprueba qué). Si estás montando una capa seria de gobernanza, te encaja esta guía: documentar el uso de IA en la empresa.

6. Checklist para pasar de piloto a valor: lo mínimo que sí funciona

Si quieres una hoja de ruta compacta (y realista), aquí va un checklist que encaja con lo que el estudio sugiere, pero aterrizado a ejecución:

1. Elige un workflow (no una feature) con volumen y dolor claro.
2. Define baseline: cuánto tarda hoy, cuánto cuesta hoy, cuántos errores hay hoy.
3. KPIs de negocio (no solo “ahorro de tiempo”): conversión, AHT, bugs, churn, margen.
4. Datos y permisos: quién puede ver qué, y de dónde sale la “verdad”.
5. Diseña human-in-the-loop por riesgo: qué se automatiza, qué se sugiere, qué se bloquea.
6. Observabilidad: logs, feedback del usuario, métricas de calidad y costes.
7. Guardrails: plantillas, políticas, filtros, rate limits, y pruebas adversarias.
8. Rollout por oleadas: 5% → 25% → 70%, con aprendizaje entre fases.
9. Ownership: alguien con nombre y apellido responsable del outcome.
10. Itera: mejora continua basada en datos (y mata lo que no sube el KPI).

La conclusión de 2025 es bastante limpia: la IA ya está en la empresa. La pregunta es si está en la empresa como “herramienta simpática” o como motor de rendimiento. Y eso se decide menos en el modelo que eliges y más en el proceso que rediseñas, las métricas que persigues y los riesgos que te tomas en serio.