Las empresas que incorporaron inteligencia artificial generativa empiezan a ajustar sus expectativas sobre el costo, el alcance y la velocidad de adopción de esta tecnología. El movimiento emerge en un mercado que parece estar dejando atrás una primera fase de entusiasmo expansivo y comienza a medir con más cuidado qué procesos realmente puede transformar, cuánto cuesta integrarla y qué tipo de organización necesita para producir valor.
La presión ya se observa en los presupuestos de tecnología. De acuerdo con The Information, compañías que están gastando más en Anthropic, OpenAI y otros proveedores de inteligencia artificial buscan recuperar parte de ese presupuesto en contratos tradicionales de software, presionando a firmas del sector para aceptar acuerdos más cortos. El dato muestra que la IA no llegó como un gasto marginal, sino como una nueva partida que empieza a competir con sistemas empresariales ya instalados.
La IA generativa sigue avanzando sobre el mercado laboral global, las estrategias corporativas y los planes de automatización. El ajuste ocurre en otra dimensión: muchas empresas descubren que no basta con comprar acceso a un modelo, pagar licencias o anunciar pilotos. Para obtener resultados sostenidos necesitan rediseñar flujos de trabajo, ordenar datos, definir criterios de revisión humana, modificar procesos internos y volver explícito conocimiento que antes operaba de manera informal.
Esa distancia entre capacidad técnica y adopción real aparece en los propios reportes de Anthropic. En su Economic Index, la compañía señala que existe una diferencia considerable entre el uso individual de herramientas de IA y su incorporación formal en empresas. El reporte cita datos de la Oficina del Censo de Estados Unidos según los cuales nueve de cada diez negocios en el país reportaban no usar IA para producir bienes o servicios, incluso cuando el uso individual entre trabajadores había crecido.
Un empleado puede usar un chatbot para resumir documentos, escribir correos o preparar código. Pero una empresa solo adopta IA de manera sustantiva cuando integra esa capacidad en operaciones medibles: atención al cliente, análisis financiero, programación, cumplimiento normativo, ventas, logística, recursos humanos o toma de decisiones. Entre una cosa y otra hay una brecha de método, infraestructura y confianza.
El problema no parece estar únicamente en los modelos. También está en la forma en que las organizaciones intentan incorporarlos. Un reporte de MIT NANDA sobre el estado de la IA en los negocios en 2025 describió una fuerte brecha entre pilotos e implementación sostenida: solo una fracción reducida de proyectos empresariales de IA generativa lograba impacto medible en productividad o resultados financieros, mientras que la mayoría se estancaba antes de llegar a una integración real.
Ese hallazgo ayuda a explicar por qué el mercado empieza a revisar sus expectativas. Durante la primera fase de adopción, muchas empresas trataron la IA como un producto terminado: una herramienta que podía conectarse a la operación existente para automatizar tareas y reducir costos. Pero la experiencia muestra que la IA se comporta más como un insumo general: una capacidad que solo produce valor cuando se traduce a procesos específicos, con datos adecuados, reglas claras, supervisión humana y cambios organizacionales.
El software empresarial tradicional suele llegar como una herramienta delimitada: un CRM, un sistema contable, una plataforma de recursos humanos, una suite de productividad. La IA generativa, en cambio, puede escribir, programar, resumir, analizar, clasificar, conversar y asistir decisiones, pero esa amplitud también vuelve más difícil definir dónde empieza su valor, cómo se mide y quién responde por sus errores.
Por eso el ajuste actual marca una fase más congruente del uso empresarial de la IA. Después de los pilotos, las demos y los anuncios corporativos, las compañías empiezan a preguntarse qué parte de la promesa puede sostenerse en operaciones reales. La respuesta depende menos del modelo en abstracto y más de la capacidad de cada organización para reorganizarse alrededor de él.
La paradoja es que esta dificultad aparece justo cuando la IA sí empieza a tener efectos laborales concretos. Standard Chartered anunció planes para reducir 7,800 puestos de soporte hacia 2030 como parte de una estrategia de automatización e integración de IA. Su director ejecutivo, Bill Winters, enfrentó críticas después de referirse a algunos roles afectados como “capital humano de menor valor”, comentario por el que luego ofreció disculpas.
La IA no se ha detenido. Al contrario, ya está entrando en decisiones de plantilla, eficiencia y reestructura corporativa. Lo que está cambiando es la comprensión empresarial de sus límites inmediatos. Automatizar una tarea aislada es distinto a transformar un proceso completo; usar un asistente es distinto a rediseñar un departamento; comprar tokens es distinto a construir una nueva arquitectura de trabajo.
La etapa que se abre todavía es inicial. No puede describirse como una fase madura de adopción, pero sí como una fase menos ingenua. Las empresas empiezan a entender que la IA no sustituye automáticamente a los sistemas anteriores: los tensiona. Obliga a revisar contratos, presupuestos, datos, responsabilidades y métodos de trabajo.
También expone una rigidez menos visible: la rigidez cognitiva. Muchos equipos intentan introducir IA en procesos diseñados para otra época, con documentación incompleta, decisiones implícitas, jerarquías lentas y flujos de trabajo que dependen de conocimiento tácito. La tecnología puede parecer poderosa en una demostración, pero se vuelve frágil cuando debe operar dentro de organizaciones que no han preparado sus procesos para ella.
Ese bloqueo no afecta solo a usuarios sin formación técnica. También aparece entre programadores, consultores y equipos expertos que intentan usar modelos generativos bajo lógicas demasiado rígidas: instrucciones pobres, tareas mal definidas, sistemas sin contexto, datos desordenados o expectativas de automatización total donde todavía se necesita colaboración humana. La IA no elimina el método; lo vuelve más exigente.
La primera ola empresarial imaginó la IA como una máquina de automatización inmediata. La fase actual empieza a mostrar otra realidad: la IA funciona mejor cuando se convierte en parte de una arquitectura de trabajo. No basta con preguntarle a un modelo; hay que preparar el entorno para que sus respuestas puedan convertirse en decisiones, productos, análisis o acciones verificables.
La presión sobre contratos de software, los reportes de adopción desigual y los casos de automatización laboral apuntan en la misma dirección. Las empresas no están descubriendo simplemente que la IA hace menos de lo prometido. Están descubriendo que usarla bien exige más transformación interna de la que esperaban.
La pregunta de fondo ya no es si la inteligencia artificial puede cambiar el trabajo. Esa respuesta parece cada vez más clara. La pregunta es qué empresas tendrán la disciplina, los datos, los procesos y la flexibilidad cognitiva para convertir esa capacidad en valor real, antes de que el costo de experimentar supere el beneficio de haber llegado temprano.
