Según los economistas de Stanford, 2026 es el año en que la Inteligencia Artificial deja de vivir de la promesa y tiene que empezar a demostrar, con resultados medibles, que sirve para algo concreto. Llevo 27 años viendo pasar «revoluciones» prometidas en consultoría, y esa frase, dicha así, ya la he oído antes con otro nombre.
Lo que dice Stanford: 2026 es el año en que la Inteligencia Artificial tiene que demostrar, no prometer
El informe «AI Index Report 2026» de Stanford HAI (Human-Centered Artificial Intelligence) y las declaraciones del economista Erik Brynjolfsson, del Stanford Digital Economy Lab, señalan que 2026 marca la transición de la Inteligencia Artificial desde una fase de experimentación hacia una fase de utilidad estructural, con resultados desiguales según el sector y la empresa. No es una afirmación entusiasta, es una constatación con matices, y esos matices son los que de verdad importan.
Que un centro tan influyente como Stanford HAI lo diga con esas palabras, «utilidad estructural» en vez de «promesa», es en sí mismo un dato relevante para cualquiera que lleve tiempo escuchando anuncios grandilocuentes sobre tecnología.
Las cifras que separan la promesa del resultado real
Según ese mismo informe de 2026, los estudios citados muestran ganancias de entre el 14% y el 15% en soporte al cliente, un 26% en desarrollo de software, y hasta un 50% en producción de contenido de marketing cuando la Inteligencia Artificial se aplica a tareas concretas y bien definidas. Son cifras reales, con sector y proceso identificados, no una promesa genérica de «transformación total».
Eso es justamente lo que distingue un dato útil de un eslogan: dice en qué tarea, cuánto y bajo qué condiciones. Cuando alguien te promete una mejora sin decirte en qué proceso concreto se produjo, no tienes un dato, tienes una intención.
El otro dato que nadie repite tanto: solo uno de cada cuatro despliegues da un retorno medible
El mismo contexto de 2026 recoge un estudio del MIT según el cual solo el 23% de los despliegues de Inteligencia Artificial en empresas generan un retorno claramente medible. Es decir, tres de cada cuatro intentos de aplicar Inteligencia Artificial en una organización no consiguen demostrar, con números, que haya merecido la pena.
Este dato no contradice al anterior, lo completa. La Inteligencia Artificial funciona, y funciona bien, cuando se aplica a una tarea concreta con un objetivo medible. Falla, sistemáticamente, cuando se aplica como una promesa general de mejora sin definir antes qué se va a medir y cómo.
El 88% de las empresas ya usa Inteligencia Artificial, pero las ganancias se concentran en pocas
El propio informe de Stanford HAI de 2026 señala que el 88% de las empresas ya utiliza Inteligencia Artificial en algún proceso, pero advierte de que las ganancias de productividad reales se concentran en un grupo reducido de organizaciones que la aplican con criterio, no en el conjunto general. Adoptar la herramienta, por lo visto, nunca fue el paso difícil. El paso difícil sigue siendo saber para qué exactamente la vas a usar.
Esta distinción entre «usarla» y «sacarle un resultado medible» es, en el fondo, la misma distinción que separaba a las empresas que aprovecharon la reingeniería de procesos de las que solo la mencionaron en su memoria anual.
Lo que ya vi con la reingeniería de procesos en los años noventa
A principios de mi carrera en consultoría, la reingeniería de procesos de negocio prometía rediseñar cualquier organización desde cero y multiplicar su eficiencia. Algunas empresas que la aplicaron a procesos concretos, bien delimitados, obtuvieron mejoras reales y duraderas. Otras muchas la convirtieron en un proyecto de despacho, con diagramas bonitos y ningún cambio real en cómo se trabajaba cada día, y terminaron sin nada que mostrar salvo la factura de la consultora.
La diferencia nunca estuvo en la herramienta ni en la moda del momento. Estuvo en si alguien se tomó el trabajo de definir, antes de empezar, qué proceso concreto iba a cambiar y cómo se iba a medir ese cambio.
Lo que ya vi con los ERP: la promesa de que todo se iba a resolver con un solo sistema
Después vinieron los sistemas ERP, vendidos como la solución que iba a integrar y ordenar toda la información de una organización de golpe. Las implantaciones que funcionaron fueron las que se centraron en resolver un problema operativo concreto, con usuarios reales formados para usarlo. Las que fracasaron fueron, casi siempre, las que se compraron como un acto de fe corporativa, sin nadie preguntándose para qué proceso específico se estaba pagando ese sistema.
El patrón se repite con una regularidad que ya no me sorprende: cuanto más grande y general es la promesa, más fácil es que la implantación termine sin resultados que se puedan enseñar a nadie.
Lo que ya vi con el big data: prometer inteligencia y entregar solo volumen
Cuando el big data se puso de moda, la promesa era que tener más datos, casi cualquier cantidad de datos, iba a producir mejores decisiones de forma casi automática. Muchas organizaciones acumularon volúmenes enormes de información sin saber después qué pregunta concreta querían responder con ella. El dato, sin una pregunta detrás, no vale nada por sí solo.
Ese error es el mismo que veo hoy repetirse con la Inteligencia Artificial en algunas organizaciones: se adopta la herramienta antes de decidir qué problema concreto va a resolver, y después se sorprenden de que el retorno no aparezca en ningún informe.
Este patrón, adopción amplia y beneficio concentrado, aparece cada vez que una tecnología nueva se populariza antes de que la mayoría entienda para qué sirve exactamente. Ya lo hemos visto documentado antes en este periódico al analizar cómo se reparten los beneficios reales de la Inteligencia Artificial entre distintos sectores.
Curiosamente, ese mismo informe advierte de un efecto colateral incómodo: el empleo de programadores jóvenes, de entre 22 y 25 años, ha caído casi un 20% desde 2024, justo en las mismas áreas donde la Inteligencia Artificial muestra mayores ganancias de productividad. La utilidad real, cuando llega, no siempre reparte sus beneficios de forma cómoda para todo el mundo, y conviene mirar esa cara del dato con la misma seriedad que la otra.
Cómo distinguir una promesa real de una moda, con 27 años de perspectiva
La pregunta que de verdad separa una oportunidad real de una moda pasajera nunca es «¿qué puede hacer esta tecnología?». Es «¿qué proceso concreto de mi trabajo va a cambiar, y cómo voy a saber si ha mejorado?». Si nadie puede responder a esa segunda pregunta con precisión, lo que hay delante es entusiasmo, no una estrategia.
Las cifras de Stanford de 2026, con ganancias de entre el 14% y el 50% según la tarea, encajan exactamente en ese patrón: donde había una tarea concreta y medible, hubo resultado. Donde solo había una promesa general, como confirma el dato del MIT sobre el 23% de retorno medible, la mayoría de los intentos no tuvieron nada que mostrar.
Algo parecido documentamos en un análisis anterior sobre la utilidad real de la Inteligencia Artificial frente a la promesa comercial que suele acompañarla.
El valor estimado de las herramientas de Inteligencia Artificial generativa para los consumidores estadounidenses alcanzó los 172.000 millones de dólares anuales a comienzos de 2026, según el mismo informe de Stanford HAI, con el valor medio por usuario triplicándose entre 2025 y 2026. Es una cifra que demuestra que hay valor real circulando, pero que convive, sin ninguna contradicción, con el dato de que solo una minoría de despliegues empresariales logra medir ese valor con precisión.
Por qué la mayoría de las organizaciones se quedan en la fase de experimentación
He visto el mismo patrón repetirse en distintas décadas: una organización compra una herramienta nueva, la reparte entre varios equipos, espera resultados generales y, meses después, nadie es capaz de decir con precisión qué ha cambiado. No falla la herramienta, falla la falta de una pregunta previa clara sobre qué proceso concreto se quería mejorar y cómo se iba a comprobar esa mejora.
La fase de experimentación no es mala en sí misma, es necesaria para conocer una tecnología nueva. El problema aparece cuando una organización se queda instalada en esa fase de manera indefinida, confundiendo «estamos probando la Inteligencia Artificial» con «estamos obteniendo resultados de la Inteligencia Artificial», que son cosas completamente distintas.
Qué significa esto para 2026 en concreto
Que 2026 sea el año en que la Inteligencia Artificial tenga que demostrar utilidad real no es una mala noticia, es una buena noticia tardía. Significa que el criterio vuelve a valer más que el entusiasmo, y que quien se pregunte con calma qué problema concreto quiere resolver antes de adoptar cualquier herramienta va a estar en mejor posición que quien simplemente sigue la corriente.
Ninguna de las tecnologías que prometieron cambiarlo todo en mis 27 años de carrera cumplió esa promesa en general. Todas, sin excepción, cumplieron su parte cuando alguien las aplicó a un problema concreto, con un criterio claro y una forma honesta de medir si había funcionado. No tengo motivos para pensar que la Inteligencia Artificial vaya a ser diferente en eso.
Después de 27 años viendo pasar promesas de este tipo, la lección que me queda es sencilla y nada espectacular: la tecnología que de verdad cambia algo nunca es la que promete transformarlo todo, es la que resuelve una cosa concreta y lo demuestra con un número que cualquiera puede comprobar.
Sobre el autor
Javier G. Amblar lleva 27 años dedicado a la consultoría y al liderazgo, con más de 33.000 profesionales formados en 55 países. Fue profesor asociado del IE Business School, donde recibió el Premio a la Excelencia Docente, y ha colaborado como analista en RTVE, Telemadrid, Onda Cero y EsRadio. Es autor del libro Liderazgo (Editatum, 2018), dirige un canal de YouTube con más de 368.000 suscriptores y ha construido, con esa misma comunidad, una audiencia en línea de más de 500.000 personas.
Hoy, Javier G. Amblar dedica su trabajo a dos proyectos. RADAR es su servicio de visibilidad y reputación ante la Inteligencia Artificial, que revisa qué dicen ChatGPT, Gemini, Claude y Perplexity de un profesional concreto. Evolution es su programa de mentoría personalizada para profesionales con experiencia que quieren traducir su trayectoria en autoridad reconocible, mejores clientes e ingresos más estables. Puedes conocer RADAR y el resto del trabajo de Javier G. Amblar en consultoria.uno, y también Evolution aquí.
