Tres años después del “momento ChatGPT”, la IA generativa ha dejado de ser un experimento de laboratorio para convertirse en rutina de oficina. El informe anual de la Wharton School y GBK Collective muestra que la adopción ha pasado de la curiosidad a la disciplina: el 82 % de los líderes la usa al menos una vez por semana y el 46 % a diario, con los casos de uso más extendidos en análisis de datos, resumen/edición de documentos y creación de presentaciones.
De “probar cosas” a “rendir cuentas”
Wharton describe un tránsito en tres etapas —Exploration (2023), Experimentation (2024) y la actual Accountable Acceleration (2025)— y anticipa una cuarta ola en 2026: “performance at scale”. La foto de este año: uso cotidiano, medición formal del ROI y presupuestos que se mueven de pilotos a programas justificados por resultados. Según el resumen ejecutivo, el 72 % ya mide el retorno con métricas de productividad, throughput o beneficios, y tres de cada cuatro afirman ver ROI positivo.
Presupuesto: menos FOMO, más foco
El dinero acompaña, pero con otra mentalidad. De cara a 2026, el 88 % planea aumentar inversión y el 62 % prevé subidas ≥ 10 %; además, alrededor del 30 % del “capex IA” se está destinando a I+D interna, señal de que las empresas empiezan a construir capacidades propias —no sólo a comprar herramientas. En paralelo, crece la re-asignación presupuestaria desde áreas legadas para financiar lo que prueba impacto. (Véanse los gráficos de presupuesto a 12 y 24–60 meses; Executive Summary, págs. 49–52).
La brecha no es técnica: es humana
El freno ya no está en los modelos, sino en las personas y los procesos. El 67 % declara que la cúpula participa directamente en la estrategia de IA y un 60 % ya cuenta con CAIO; al mismo tiempo, la inversión en formación cae 8 puntos y la confianza en que la formación será la vía a la “fluidez IA” cae 14 puntos. Consecuencia: el 49 % tiene dificultades para contratar talento avanzado y el 43 % teme “atrofia de habilidades” si la IA sustituye práctica por “autocompletar”. (Guardarraíles, liderazgo y talento: Executive Summary, págs. 60, 68, 70 y 62).
¿Quién va delante? ¿Quién se queda atrás?
- Sectores líderes: Tecnología/Telecom, Banca/Finanzas y Servicios Profesionales muestran mayor uso semanal (≥ 90 %) y mejor percepción de ROI. Retail y Manufactura progresan, pero más despacio por la complejidad operacional. (Adopción por industria y ROI sectorial; Executive Summary, págs. 20, 24 y 49).
- Funciones: IT y Compras lideran en frecuencia y confianza; Marketing/Ventas y Operaciones van por detrás. Los casos transversales de productividad (análisis, resumen, edición, reporting) concentran tanto uso como buen desempeño percibido. (Everyday AI; págs. 18–19, 29–33).
- Tamaño: las empresas Tier 1 (>$2 B) han recortado la brecha de uso semanal, pero declaran con más frecuencia que el ROI está “aún por demostrarse” por la complejidad del escalado; Tier 2 y 3 reportan retornos más rápidos. (Executive Summary, págs. 21 y 47–48).
- Jerarquía: los VP+ ven la adopción más rápida y ROI más positivo que los mandos intermedios, que tienden a enfatizar el despliegue bottom-up (formación y permisos para experimentar) frente a la visión más “estratégica” del C-suite. (Executive Summary, págs. 25 y 48).
Agentes y gobernanza: eficiencia primero, autonomía después
El informe introduce un termómetro de agentes de IA: el 58 % de los líderes dice que su organización ya los usa en automatización de procesos, soporte interno, analítica o coordinación interdepartamental, con supervisión humana y foco en eficiencia antes que autonomía total. En paralelo, los guardarraíles se endurecen: suben las políticas de privacidad, ética y supervisión humana, y la IA se aplica a gestión de riesgos (ciberseguridad, finanzas, cumplimiento). (Executive Summary, págs. 34, 75–80).
Lo que separa a líderes y rezagados (y qué hacer en 12 meses)
Según Wharton, las empresas que convierten uso en resultado comparten tres hábitos:
- Medir con rigor: pasar de “adopción” a KPI de negocio (productividad, calidad, throughput, beneficio) y comparar proveedores y casos con ROI estructurado. (Executive Summary, págs. 11 y 44–47).
- Invertir en personas: formación aplicada (proyectos y pilots con tiempo protegido), guardarraíles claros y liderazgo visible; complementar con I+D interna para construir ventajas específicas. (Executive Summary, págs. 70–71 y 42–44).
- Gobernar el despliegue: abrir el acceso (“Gen AI for all”) con restricciones inteligentes —privacidad, casos sensibles, aprobación explícita— y escalar lo que demuestra impacto. (Executive Summary, págs. 74–77).
Checklist 2026 (“performance at scale”)
- Portafolio de casos con ROI probado y presupuesto recurrente; sunset de pilotos sin tracción.
- Playbooks por función (IT, Compras, Legal) con métricas de calidad y seguridad integradas.
- Academia interna + runbooks de cambio para evitar la “atrofia de habilidades” (43 %).
- Arquitectura: equilibrio entre chatbots líderes (ChatGPT, Copilot, Gemini) y capacidades propias, alineadas con el stack cloud vigente. (Top tools; Executive Summary, pág. 34).
Por qué importa
El mensaje de Wharton es nítido: la adopción ya es cotidiana, pero el rendimiento depende de las personas. 2026 será el punto de inflexión en el que las empresas que miden, forman y gobiernan su despliegue conviertan la IA en rendimiento a escala; las que sigan en “modo piloto” o confíen sólo en herramientas sin rediseñar procesos mirarás desde la grada.
vía: Informe wharton
