Muchas pymes que ya usan inteligencia artificial todavía no pueden explicar cuál es su impacto real: no saben si esa tecnología les está aportando algo o solo ocupa un hueco en el día a día.
- 📌 Usar IA cada día no es lo mismo que ganar dinero con ella.
- 📌 Los chatbots y los copilotos ya no diferencian a nadie. Se han convertido en el mínimo exigible.
- 📌 Sin un sistema de medición, cada proyecto de IA acaba siendo una opinión camuflada de dato.
- 📌 El salto de valor de verdad está en automatizar procesos enteros, no en acelerar tareas sueltas.
- 📌 Medir sin gobernanza no sirve. Hace falta un ritmo fijo de revisión y un criterio claro para parar o escalar.
¿Qué está pasando en las pymes que ya usan IA?
Lo que estamos viendo mayoritariamente en las pymes que ya han metido IA en algún rincón del negocio es un chatbot aquí, un copiloto para propuestas allí, y alguna herramienta suelta que resume actas.
La pregunta que hacemos siempre es sencilla: ¿esto os está ahorrando dinero o tiempo, y cuánto? Recibimos toda clase de respuestas. A veces un poco vagas.
Hay gerentes que nos enseñan con orgullo lo mucho que se usa la herramienta. Cuando preguntamos qué ha cambiado en el proceso que rodea a esa herramienta, el silencio se alarga un poco más de la cuenta.
Uno de los problemas es que la reflexión sobre lo que significaba «funcionar» antes de encender la herramienta a veces no ha existido. Sin esa definición, cualquier resultado sirve para justificar la inversión.
Un informe reciente de QuantumBlack, la unidad de IA de McKinsey, le pone números exactos a este patrón.
¿Por qué la actividad de IA no se traduce en impacto real? El informe de QuantumBlack
El informe se apoya en la última encuesta global de IA de McKinsey, hecha a organizaciones de todo el mundo, la mayoría grandes.
Casi ocho de cada diez de esas empresas encuestadas usan ya inteligencia artificial generativa en alguna función del negocio. Seis de cada diez de esas mismas empresas no han visto impacto en su resultado operativo. Son datos de organizaciones grandes y de alcance internacional, no de la pyme española en concreto, pero en algunos aspectos coinciden con lo que vemos cada semana en las pymes de aquí.
Los autores señalan como causa principal el que muchas empresas despliegan herramientas que se ven mucho y valen poco, como un chatbot que mejora la experiencia del empleado sin tocar la cuenta de resultados.
La diferencia de fondo está entre acelerar una tarea suelta y rediseñar un proceso completo. No es lo mismo meter un asistente que redacta correos, que rehacer de principio a fin cómo se tramita un pedido, desde que entra hasta que se factura.
Lo primero se nota en el día a día. Lo segundo se nota en la cuenta de resultados.
Y aparece un concepto interesante: la trampa del piloto eterno se define como la dinámica en la que las empresas encadenan pruebas de IA una detrás de otra, sin que ninguna llegue a escalarse ni a demostrar nada con solidez. Cada piloto nuevo empieza casi desde cero, olvidando lo que dejó el anterior.
Para poner orden en todo esto, proponen un marco de cinco capas que conecta el funcionamiento técnico de un sistema de IA con el resultado financiero de la empresa, de abajo arriba:
- Rendimiento técnico
- Adopción y uso
- Indicadores operativos
- Resultados estratégicos
- Impacto financiero
En una empresa grande, cada capa tiene un responsable con nombre y apellido. En una pyme, casi nunca tiene dueño ninguna de las cinco. A veces directamente la implantación no tiene dueño.
La línea completa entre las cinco capas ayuda a convencer a quien tiene que aprobar el presupuesto del año que viene.
¿Qué marco mide si tu IA gana dinero o solo aparenta? Las cinco capas de McKinsey
Así se manifiesta cada capa del marco de McKinsey en las pymes españolas que están implantando IA.
¿Basta con que la IA funcione bien? Rendimiento técnico
El primer nivel del marco mide si el sistema funciona bien: si no inventa datos, si responde rápido, si no dispara el gasto en cada consulta. En una empresa grande eso lo vigila un equipo de datos con dedicación exclusiva.
Los técnicos llaman a esto alucinaciones: una IA responde con total seguridad algo que se ha inventado, y lo hace con el mismo tono que usa para acertar.
En una pyme española normalmente no lo vigila nadie. La herramienta se instala, funciona razonablemente bien las primeras semanas, y ahí se queda la revisión.
Hemos visto asistentes que llevan meses dando respuestas erróneas de forma habitual, sin que nadie se haya molestado en contarlas. El dato existe, pero nadie lo ha revisado.
💡 El primer mes de una herramienta nueva casi siempre sale bien. El problema aparece en el mes seis, cuando ya nadie la vigila.
¿La usa de verdad tu equipo? Adopción real
El segundo nivel pregunta algo más simple todavía: ¿la gente usa esto de verdad, o lo usa solo cuando alguien mira?
En talleres y comercios que hemos acompañado, la plantilla adoptó la herramienta durante la formación inicial y, en algunos casos, volvió a su rutina de siempre a las pocas semanas. La licencia sigue activa, pero se abre poco.
La resistencia a veces no viene de la tecnología, sino de que la herramienta no encaja en el flujo real de trabajo, o de que no se ha explicado para qué servía, más allá de la demo del primer día.
💡 Una licencia activa mide el gasto, no el uso. Mejor no confundir las dos cosas.
¿Ha cambiado tu proceso con la IA? KPIs operativos
Este nivel mide si el trabajo se hace más rápido, con menos errores, con menos repetición. Es donde McKinsey dice que se ve si la IA está cambiando algo de verdad.
Aquí encontramos la mayor confusión en las pymes. Cuando preguntamos cuánto ha bajado el tiempo de gestión de un pedido desde que usan IA, la respuesta suele ser una sensación, no una cifra.
Hay empresas que mantienen el mismo proceso de siempre, con la IA metida como un paso más, sin haber tocado el resto del flujo. El cuello de botella sigue exactamente en el mismo sitio de antes.
💡 El tiempo de tu proceso principal es el dato más clarificador, por eso no se debiera perder de vista.
¿La mejora ha llegado al cliente? Resultados estratégicos
El cuarto nivel conecta ese proceso más rápido con algo que le importa al negocio: clientes que repiten, entregas que llegan a tiempo, una satisfacción que se mide con datos.
En más de una pyme hemos visto que un proceso interno mejora, y esa mejora se queda ahí dentro, sin llegar nunca al cliente ni a la cuenta de resultados. La IA acelera el papeleo. El cliente sigue esperando lo mismo de antes.
La pregunta que suele faltar en dirección es qué objetivo de negocio, y no de proceso, debía moverse con esta inversión. Sin esa pregunta, cualquier mejora interna se celebra como un éxito, aunque el cliente no lo note.
💡 El cliente no repite por vuestros procesos internos. Repite por su aumento de valor percibido.
¿Se nota en la cuenta de resultados? Impacto financiero real
El último nivel es el que de verdad importa a quien pone el dinero: menos coste por gestión y más ingreso por un lado, el gasto real de la IA restado de esa misma cuenta por otro.
En el mundo financiero, el coste total de propiedad se define como la suma de la licencia, más el tiempo de quien la supervisa, más lo que cuesta corregir cuando falla.
Muy pocas pymes con las que trabajamos han hecho ese cálculo completo. Se conoce el precio de la licencia. Casi nunca se conoce cuánto ha ahorrado, ni cuánto ha costado el tiempo dedicado a supervisarla.
Sin ese número, cada renovación de contrato se decide por inercia, y es una forma cara de decidir.
💡 El coste total de una IA que no se calcula desvirtúa el impacto financiero final.
¿Cómo medir el impacto sin un departamento de datos? La versión de bolsillo
El marco de McKinsey da métricas pensadas para empresas con equipo de datos propio. Una pyme sin esa estructura necesita otra versión, más pequeña, que se pueda apuntar a mano esta misma semana.
Este es el cuadro que solemos dejar a las empresas con las que empezamos a trabajar en KasandrIA.
No hace falta un cuadro de mando ni una plataforma de analítica para empezar, solo media hora al mes y la voluntad de apuntar el número.
💡 Una pyme no necesita el sistema de medición de McKinsey. Necesita un número al mes y la costumbre de revisarlo.
¿Tu pyme repite estos patrones?
☐ ¿Alguien revisa de forma regular si tu herramienta de IA sigue funcionando bien, o solo lo comprobasteis el primer mes?
☐ ¿Sabes qué porcentaje de tu plantilla usa la IA a diario, más allá de quien la impulsó al principio?
☐ ¿Puedes decir cuánto ha bajado el tiempo o el coste de tu proceso principal desde que metiste IA, con una cifra y no con una sensación?
☐ ¿Esa mejora ha llegado al cliente, o se ha quedado dentro de la empresa sin que nadie fuera lo note?
☐ ¿Sabes cuánto ha ganado o ahorrado tu empresa con la IA, descontando lo que cuesta mantenerla?
Fuente: este artículo toma como referencia el informe de QuantumBlack, AI by McKinsey, «From promise to impact: How companies can measure and realize the full value of AI», de Johannes-Tobias Lorenz, Joshan Cherian Abraham y Robert Levin, con Douglas Ziman, abril de 2026.
¿Quieres saberlo con certeza?
En KasandrIA nos encontramos con esta pregunta en casi todas las primeras conversaciones. La empresa ya ha metido IA en algún sitio y nadie tiene claro si está funcionando de verdad.
Si te reconoces en alguno de los patrones de arriba, hablemos. No hace falta tener la respuesta antes de la conversación. Para eso está.
0 comentarios