La curva de valor de la IA: la economía de la aplicación de la IA al trabajo existente.

hace 3 horas

20 min de lectura

Muchas organizaciones todavía miden la adopción de IA en lugar del valor. La curva de valor de la IA ayuda a identificar dónde se puede implementar el potencial de automatización de la IA de manera más rentable.

En resumen

La IA se está desplegando ampliamente en las empresas, pero se mide mucho más su adopción que su valor.
La curva de valor de la IA compara el costo de una tarea tal como se realiza hoy con el costo total de hacerla con IA, revelando una oportunidad global anual de aproximadamente 2,5 billones de dólares al desplegar la tecnología en ciertos sectores, regiones y ocupaciones.
Destacan tres patrones: la economía más sólida proviene de potenciar el trabajo altamente calificado y mejor remunerado, en lugar de grandes volúmenes de trabajo de bajos salarios; existe un valor potencial sustancial en numerosos sectores más allá de la tecnología y los servicios financieros, incluidos la salud y la educación; y un mismo caso de uso puede ser rentable en un mercado pero no en otro.
Capturar la oportunidad requiere que los líderes enfoquen las inversiones en IA donde la economía es más sólida, gestionen los costos junto con la adopción y planifiquen cómo reubicar a las personas a las que la IA les libera tiempo.

La revolución de la IA está entrando en una nueva fase, a medida que el enfoque cambia de lo que la tecnología puede hacer a cómo puede crear valor real. Para 2030, se estima que se habrán invertido 7 billones de dólares de capital en infraestructura de IA; para justificar esa inversión, la tecnología necesita generar aproximadamente 760.000 millones de dólares en fondos de ganancias anuales. Los nuevos negocios, productos y servicios de IA contribuirán significativamente, pero gran parte de ese valor tendrá que provenir de cómo las empresas utilizan la IA para rediseñar fundamentalmente el trabajo y mejorar la productividad.

Sin embargo, muchas organizaciones siguen midiendo la adopción de la IA en lugar de su valor. Rastrean usuarios, copilotos desplegados y tokens consumidos. Esto muestra cuánto se está utilizando la IA y si es técnicamente capaz de asumir ciertas tareas o actividades. Lo que no muestra es si la IA está creando valor económico en el proceso. En un momento en que cada vez más empresas lidian con el repentino aumento de los costos de usar IA, enfrentan una pregunta urgente: si la IA puede realizar o apoyar ciertas tareas con una calidad aceptable y a un costo sostenible, dónde puede hacerlo y cómo permite que las personas se concentren más en trabajos de mayor valor. (1)

La curva de valor de la IA ayuda a responder esa pregunta. Nuestra herramienta analítica patentada examina la economía de aplicar la automatización o el aumento impulsados por la IA al trabajo existente, en lugar de toda la gama de valor empresarial que la tecnología puede crear. Basándose en la investigación del McKinsey Global Institute (MGI) sobre el potencial de automatización de la IA generativa, la curva de valor proporciona una lente económica para evaluar dónde se puede desplegar ese potencial de manera rentable. Al combinar esa investigación con los costos laborales y el costo total del trabajo habilitado por IA, la herramienta identifica dónde se puede desplegar la IA económicamente en industrias, ocupaciones y regiones. También se puede adaptar para examinar la oportunidad dentro de empresas individuales. Si bien existe una incertidumbre inherente en nuestras estimaciones actuales dada la amplia gama de resultados posibles asociados con algunos de los supuestos subyacentes, está surgiendo una clara dirección de avance (ver recuadro «Sobre la investigación»).

Recuadro: Sobre la investigación

La curva de valor de la IA se construye utilizando un enfoque ascendente (bottom-up) al nivel más granular, donde cada punto de datos representa una combinación única de Región × Industria × Ocupación (831 clasificaciones de la Clasificación Ocupacional Estándar). Para cada ocupación, el modelo compara el costo laboral completamente cargado por hora (incluidos salarios, beneficios y gastos generales del empleador) con el costo de la IA por hora para determinar el ahorro neto por hora automatizable. Un valor positivo indica que la IA es más rentable que el trabajo humano, mientras que un valor negativo indica lo contrario. Los costos de la IA comprenden tanto los costos de tokens —que varían según la ocupación y la combinación de casos de uso, pero utilizan precios de modelos consistentes a nivel mundial— como los costos no relacionados con tokens, incluidas las actividades humanas de revisión y retrabajo o riesgo.

Luego, el modelo estima el volumen de trabajo que la IA generativa puede hacer automatizable utilizando la proporción efectiva automatizable, extraída de las estimaciones de potencial de automatización de MGI de 2026 —específicamente la proporción de horas que la IA generativa hace automatizables (la aceleración atribuible a la IA generativa) a nivel de ocupación—. Este enfoque aísla el impacto de la IA generativa en lugar del potencial de automatización total en todas las tecnologías. La cifra de la proporción automatizable se combina con el empleo y las horas de trabajo productivas para calcular las horas automatizables efectivas (EAH, por sus siglas en inglés), que representan la carga de trabajo automatizable total. Multiplicar el ahorro neto por hora por las EAH produce el fondo de valor neto, o la oportunidad (o pérdida) económica total para cada ocupación.

Finalmente, los resultados se agregan desde el nivel de ocupación hasta industrias, regiones y arquetipos o grupos ocupacionales de MGI. Las métricas por hora se consolidan utilizando promedios ponderados por EAH, mientras que los fondos de valor se suman. El análisis reporta tanto un fondo de valor positivo (incluyendo solo las ocupaciones con ahorros positivos) como un fondo de valor neto (donde las pérdidas compensan las ganancias). También se incluye una sensibilidad de costo de la IA superior al 30 por ciento para evaluar cómo los costos más altos de la IA afectarían la curva y los fondos de valor generales. El análisis valora únicamente la pila de costos de la IA generativa (tokens más revisión y retrabajo humano); no modela tecnologías de automatización tradicionales como la automatización robótica de procesos (RPA), la respuesta de voz interactiva u otras soluciones digitales, por lo que los resultados reflejan la economía de aplicar la IA generativa a esta base automatizable en lugar de una comparación entre todas las tecnologías de automatización. Los salarios se aplican a nivel de ocupación y se escalan entre regiones utilizando multiplicadores basados en la Organización Internacional del Trabajo por industria, con un factor estándar de gastos generales y beneficios aplicado para llegar al costo laboral completamente cargado; la proporción automatizable y las horas de trabajo productivas se mantienen constantes entre países en esta versión.

Dado que cada empleo en cualquier sector se compone esencialmente de muchas tareas diferentes, nuestro análisis se centra en la combinación de tareas —y no en ocupaciones completas— frente a las cuales se puede desplegar la IA de manera rentable en la actualidad. La curva compara el costo de completar una tarea hoy con el costo total de completarla utilizando IA. Esto incluye los costos de modelos y tokens, así como cualquier revisión, validación y retrabajo humano requeridos.

Una forma relacionada de enmarcar esta economía proviene de David Tepper, director ejecutivo de Ascerta (anteriormente Pay-i), quien argumenta que un agente crea valor cuando su probabilidad de éxito supera la proporción entre el tiempo requerido para verificar su trabajo y el tiempo requerido para que un humano haga el trabajo directamente. La curva de valor aplica la misma lógica subyacente a escala: identificar dónde el costo de la IA, incluido el esfuerzo humano requerido para revisar y rehacer sus resultados, se compara favorablemente con el costo de realizar el trabajo hoy.

El flujo de trabajo habilitado por IA aún puede involucrar juicio humano, revisión, validación, corrección o escalamiento, pero la IA transforma la combinación y la cantidad de trabajo humano requerido. Donde ese flujo de trabajo transformado ofrece un resultado de calidad aceptable a un costo efectivo más bajo, el valor de productividad resultante se captura en la curva. Uno de los hallazgos más claros es que parte de la economía de la IA más sólida proviene de potenciar el trabajo altamente calificado y mejor remunerado, y no simplemente de aplicar la IA en los mayores volúmenes de trabajo de bajos salarios.

Como resultado, muestra que ciertos sectores, ocupaciones y regiones poseen más valor potencial de IA que otros en este momento; en algunos, aplicar la IA a ese trabajo es actualmente más caro que el statu quo con los salarios actuales, aunque a medida que las capacidades de la IA mejoren con el tiempo, una gama más amplia de actividades será abordable por ella. Al identificar las tareas en las que tiene mayor sentido económico desplegar la IA, estimamos que la oportunidad económica global anual de transformar el trabajo mediante la automatización o el aumento con IA asciende a 2,52 billones de dólares.

Sin embargo, la distribución del valor de la IA importa tanto como su tamaño total. Las oportunidades significativas a menudo radican en dos áreas diferentes: donde la IA puede mejorar y ayudar a respaldar grandes volúmenes de trabajo rutinario, y donde puede ayudar a los profesionales altamente calificados de todos los sectores a dedicar más tiempo a aplicar su experiencia y juicio. Esa es parte de la razón por la cual la salud, la educación y el gobierno pueden tener un potencial de creación de valor similar al de los servicios financieros y la tecnología. La clave es la combinación de escala —donde se pueden automatizar o potenciar grandes volúmenes de trabajo— y roles profesionales de alto valor, donde el retorno económico de liberar el tiempo de las personas es mayor.

La curva de valor de la IA también muestra que la economía de la IA es local, no global. Debido a que los costos laborales difieren de un país a otro, el mismo caso de uso de IA puede tener una economía muy diferente en distintos mercados. Un caso de uso que es económicamente atractivo en un mercado puede ofrecer una ventaja de costos menor o incluso negativa en otro. Por lo tanto, las empresas deben tener en cuenta la economía local al evaluar dónde puede crear valor la IA.

Aquellos que no presten mucha atención al costo fluctuante de la IA también podrían sufrir pérdidas. La economía actual de la IA está lejos de ser fija. Basta un movimiento modesto en el costo de la IA para hacer oscilar drásticamente el fondo de valor. Un cambio del 30 por ciento en los costos de la IA —relativamente pequeño dada la amplitud de los movimientos de precios recientes— modifica el fondo de valor de Estados Unidos en aproximadamente 320.000 millones de dólares. Una IA más asequible pone más trabajo dentro del rango rentable; una IA más costosa vuelve a dejarlo fuera. Por lo tanto, cada inversión en IA debe someterse a pruebas de estrés bajo escenarios de costos tanto más bajos como más altos antes de escalarse.

Para los líderes, ciertas implicaciones de nuestra investigación son claras: identificar y mapear dónde crea valor la IA, dimensionar la oportunidad, realizar pruebas de estrés sobre qué tan sensible es a los cambios en los costos de la IA y enfocarse primero en los casos de negocio más sólidos. Sin embargo, un tema crítico y subestimado que se debe considerar y planificar es cómo cambia la combinación de tareas dentro de cada puesto, qué nuevos roles surgen y qué hacen las organizaciones con las personas cuyo trabajo es reconfigurado por la IA.

Para las empresas en su conjunto, estos hallazgos se leen mejor como un mapa direccional de dónde puede ser más atractiva la economía de la IA agéntica, en lugar de un pronóstico específico para cada empresa. La economía del mismo rol puede variar sustancialmente entre organizaciones según factores como los salarios locales, la combinación de tareas, el consumo de tokens, la efectividad de la adopción y los costos no relacionados con tokens, incluidos la revisión humana, el retrabajo y la gobernanza. Por lo tanto, algunas ocupaciones serán inherentemente más susceptibles a la automatización agéntica que otras, mientras que el valor realizado dependerá de cuán efectivamente se despliegue la tecnología. Las empresas pueden utilizar estos resultados para identificar dónde investigar primero, antes de recalibrar el análisis utilizando los datos de su propia fuerza laboral y costos.

Lo que revela la curva de valor por industria.

La curva de valor de la industria muestra los sectores donde la economía actual de la IA indica un mayor potencial para un despliegue económicamente viable (Exhibición 1). Esa distinción es importante; el valor potencial solo incluye tareas dentro de ocupaciones para las cuales se estima que el uso de la IA es económicamente positivo, no ocupaciones o sectores completos. La altura de cada barra representa la ventaja de costo promedio de la IA sobre el trabajo humano. Esta ventaja de valor habilitada por la IA (monto en dólares por hora) es el costo por hora completamente cargado del trabajo humano menos el costo por hora de la IA realizando el mismo trabajo; es positiva siempre que la IA sea más económica que la forma actual en que se realiza el trabajo, después de tener en cuenta el trabajo humano requerido para verificar y comprobar los resultados de la IA. El ancho representa el volumen de trabajo económicamente automatizable dentro de las ocupaciones. En conjunto, el área de cada barra muestra el valor económico total en juego.

La distribución es llamativa. Los servicios financieros (530.000 millones de dólares) y la tecnología, medios y telecomunicaciones (360.000 millones de dólares) exhiben la mayor ventaja de costo de la IA, lo cual es resultado tanto del número de roles donde la IA es relevante como del valor que la IA puede aportar a las personas en esos roles. Pero la curva de valor también muestra que los sectores con ventajas de costo individuales más moderadas también tienen oportunidades sustanciales para la creación de valor impulsada por la IA. Por ejemplo, la educación (410.000 millones de dólares) y la salud (310.000 millones de dólares) representan porciones considerables del fondo de valor, no porque la IA ofrezca los mayores ahorros por tarea, sino porque incluso mejoras modesta de productividad pueden traducirse en ganancias significativas en fuerzas laborales grandes e intensivas en servicios. Esas ganancias podrían provenir de reducir la carga administrativa, ampliar el alcance de las personas o permitir que los profesionales dediquen más tiempo a actividades de mayor valor (Exhibición 2).

Lo que revela la curva de valor por arquetipo ocupacional.

La visión por industria muestra dónde la IA crea más valor. La visión por arquetipo ocupacional muestra qué arquetipos de empleo pueden ganar más con la IA (Exhibición 3), basándose en la combinación distinta de tareas que compone cada puesto. Es importante destacar que las tareas económicamente automatizables no deben interpretarse como ocupaciones automatizables.

Uno de los hallazgos más claros es que la IA a menudo puede crear tanto o más valor al potenciar a profesionales altamente calificados y con salarios relativamente altos que a trabajadores con salarios más bajos. Las ocupaciones legales, de profesionales y técnicos de la salud, de gestión, y de computación y matemáticas se sitúan hacia el extremo superior de la curva, con algunas de las mayores ventajas de valor por hora habilitadas por la IA. Las ventajas para los profesionales de operaciones comerciales y financieras pueden ser ligeramente menores, pero una mayor parte de las tareas rutinarias que componen sus trabajos puede ser apoyada por la IA. Reducciones relativamente pequeñas en su trabajo de menor valor liberan experiencia escasa para actividades más valiosas. El apoyo administrativo, los servicios de protección y el cuidado personal, por el contrario, muestran una ventaja de valor habilitada por la IA más limitada con los salarios actuales; siguen siendo fuertes candidatos para un aumento específico, y se espera que más de sus tareas se vuelvan económicamente viables a medida que caigan los costos de la IA.

Debido a que esta visión aísla el trabajo que la IA generativa hace automatizable, el valor se concentra en roles cognitivos altamente calificados —gestión, legal, profesionales de la salud, computación y matemáticas, y negocios y finanzas—, donde la IA puede asumir la preparación y el análisis rutinarios y liberar experiencia escasa para trabajos de mayor valor. El patrón refuerza el hallazgo central: las mayores ganancias provienen de potenciar experiencia costosa, no de aplicar la IA a los mayores volúmenes de trabajo de bajos salarios.

Liberar experiencia humana de mayor valor: el ejemplo ejecutivo.

Como muestra la curva de valor por arquetipo ocupacional, el diferencial de la IA tiende a ser mayor entre los ejecutivos y profesionales más sénior. Esto es aún más evidente en la curva de valor por tipo de ocupación, que destaca el valor potencial en un subconjunto de roles específicos (Exhibición 4).

Los roles cognitivos intensivos en conocimiento —directores ejecutivos (CEOs), abogados, gerentes financieros, enfermeros registrados y desarrolladores de software— se sitúan hacia la izquierda, donde la ventaja de valor por hora de la IA es mayor y la preparación rutinaria, el análisis y la redacción pueden potenciarse de la manera más rentable. Los roles más físicos y prácticos —meseros, ensambladores, inspectores y clasificadores, y mecánicos de climatización (HVAC)— caen hacia la derecha, donde la economía actual es más ajustada y menos actividades son directamente abordables por la IA sin robótica.

A pesar de su lugar en la cima de la curva, es poco probable que los roles altamente remunerados e intensivos en conocimiento sean reemplazados por la IA. En cambio, esta puede crear un valor sustancial al potenciar y acelerar muchas de las tareas rutinarias que tradicionalmente han representado gran parte de su trabajo: prepararse para reuniones, gestionar el correo electrónico, sintetizar documentos informativos, revisar materiales para el directorio y analizar el panorama competitivo. El beneficio proviene de cómo se utilizan esas horas liberadas; por ejemplo, tomando decisiones estratégicas y juicios de valor o estableciendo y manteniendo relaciones, todo lo cual no puede delegarse ni automatizarse fácilmente.

Del mismo modo, existen varios tipos de puestos en la curva, incluidos los técnicos de farmacia y los asistentes de entretenimiento, donde aplicar la IA a sus tareas es más caro que el statu quo con los salarios vigentes, por lo que el retorno económico a corto plazo es negativo. Esto refleja la economía de hoy, no un techo para el rol. Se espera que la posición mejore a medida que bajen los costos de la IA y más parte del trabajo se vuelva viable de potenciar.

Cómo cambia la curva de valor entre países y regiones.

La economía de la creación de valor de la IA es local. Si bien los costos de la IA son ampliamente similares en todos los mercados, los costos laborales divergen significativamente según el país.

Como resultado, el valor potencial de la IA en diferentes sectores y ocupaciones fluctúa significativamente entre mercados y ocupaciones. Esto significa que no se puede asumir que la economía del despliegue de la IA sea uniforme en todos los mercados; las organizaciones deben tener en cuenta las condiciones y la economía locales al evaluar casos de uso individuales.

Los costos laborales más altos en Estados Unidos dan como resultado mayores diferenciales de costos entre el trabajo humano y los flujos de trabajo habilitados por IA. Como consecuencia, el mismo sector puede mostrar una economía materialmente diferente en las vistas de EE. UU. y global (Exhibición 5). Por lo tanto, las comparaciones directas entre los gráficos deben tener en cuenta la base de costos laborales subyacente, en lugar de depender únicamente de la posición relativa.

La visión global también oculta una variación considerable entre mercados. Es importante destacar que estas curvas miden la economía de aplicar la IA a tareas, no la demanda futura de una ocupación; un potencial económico significativo de la IA puede coexistir con una creciente demanda de trabajadores.

A nivel de tipo de ocupación, los desarrolladores de software ilustran este efecto: siguen siendo un caso de uso atractivo de IA a nivel mundial, pero la creación de valor por hora es un orden de magnitud mayor en Estados Unidos dada su base laboral más costosa (Exhibición 6).

Por lo tanto, el mismo caso de uso puede cruzar el umbral económico en un mercado pero no en otro. Por ejemplo, aplicar la IA a tareas económicamente automatizables en los arquetipos ocupacionales de ventas y de apoyo administrativo y de oficina genera valor bajo los supuestos de costos de EE. UU., pero es posible que aún no lo haga en mercados donde los costos laborales caen por debajo del costo efectivo de la IA (Exhibición 7). La comparación geográfica es, por lo tanto, una lente para evaluar casos de uso individuales de IA bajo las condiciones del mercado local, en lugar de prescribir una estrategia de fuerza laboral por región.

Es importante señalar que el potencial económico no se traduce necesariamente en valor realizable. El análisis no modela restricciones organizacionales, regulatorias o laborales, como las leyes laborales y los acuerdos de negociación colectiva, que pueden afectar la capacidad de una organización para capturar la oportunidad.

¿Qué tan sensible es la curva de valor al costo?

La curva de valores también varía con el tiempo. Esa evolución está impulsada no sólo por cambios en los costos sino también por rápidas mejoras en la capacidad de la IA. Una tarea que hoy es marginal o no económicamente atractiva puede pasar a territorio de valor positivo en un período relativamente corto a medida que los modelos se vuelven más capaces y confiables y requieren menos iteraciones, y reducir la revisión humana y el retrabajo necesarios para ofrecer un resultado de calidad aceptable.

Nuestro análisis se basa en un costo promedio de que la IA asuma tareas específicas, pero el costo de la IA está lejos de ser fijo. Los recientes avances en modelos de código abierto de alto rendimiento, junto con la creciente competencia entre los proveedores de modelos de frontera, han reducido drásticamente los costos de tokens e inferencias. Sin embargo, lo que importa a las organizaciones es el costo efectivo del uso de IA que pagan para realizar el trabajo con los modelos, no el precio principal de un token individual. El componente humano tampoco es fijo: a medida que las organizaciones aprenden a utilizar la IA de manera efectiva preservando al mismo tiempo el juicio humano, el nivel y la naturaleza de la participación humana requerida, y por lo tanto, el costo efectivo de implementación también puede cambiar. Cuando ese costo efectivo cae, más tareas cruzan el umbral económico de la IA y el conjunto de valores se expande. Cuando sube, la piscina se contrae con la misma rapidez.

Los costos más altos no son sólo teóricos. Para muchas empresas, los costos efectivos ya están aumentando, ya que el crecimiento del uso supera la disminución de los precios unitarios. Los precios basados en el consumo también significan que cada nuevo caso de uso aumenta la factura total. Según una estimación, modelo de lenguaje empresarial de gran tamaño El gasto se triplicó durante un período de 12 meses a finales de 2025.³

Más allá del crecimiento del uso, varias fuerzas podrían, bajo ciertas condiciones, aumentar aún más el costo subyacente de la IA: la demanda de computación puede estar superando la oferta de chips especializados; La energía del centro de datos se está volviendo más cara y podría ser más difícil de asegurar a medida que se reduce la capacidad; los modelos más capaces consumen más computación por tarea; y las restricciones comerciales podrían reducir aún más el suministro de hardware. En conjunto, estas fuerzas podrían revertir la tendencia a la baja de los precios que suponen la mayoría de los casos de negocios de IA (ver barra lateral “Cobertura contra la reversión de costos de IA”).

En el Anexo 8, modelamos cómo un aumento del 30% en el costo de la IA afectaría la curva de valor de EE. UU. La figura es una ilustración, no un pronóstico, pero representa una trayectoria moderada y plausible, menor que las oscilaciones que ya han visto los precios de la IA, pero lo suficientemente grande como para mostrar cuán rápido puede cambiar la economía.

El efecto es marcado. De los $960 mil millones de referencia en Estados Unidos, un aumento de costos del 30 por ciento elimina $320 mil millones de la mesa. La ventaja de valor habilitada por IA cae en las 18 industrias de EE. UU., lo que reduce el diferencial de costos; los casos claros de automatización parecen más marginales y algunos se adentran en territorio económico negativo, con la IA costando más que la forma actual de realizar las mismas tareas. A nivel mundial, el efecto es ligeramente menor, pero aún sustancial: el fondo cae de $2,52 billones a $1,67 billones, una caída del 34 por ciento.

Como se indicó anteriormente, la curva de valor solo considera el costo de uso de IA de cada tarea, incluidos no solo los costos del modelo y del token, sino también cualquier revisión, validación y reelaboración humana que aún sea necesaria. Tener en cuenta la inversión única en transformación y habilitación (computación, nube, plataformas, capacitación, gestión de cambios) necesaria para capturar el valor reduciría aún más el fondo neto.

Qué pueden hacer los líderes con la curva de valor.

Los resultados de la curva de valor de la IA sugieren que muchos líderes podrían necesitar perseguir una agenda diferente a la que sus organizaciones están impulsando actualmente.

Como parte de ese cambio, pueden considerar las siguientes acciones:

Mapear la oportunidad dentro de su negocio a nivel de tarea. Los líderes necesitan saber qué tareas absorben el tiempo, cuáles se pueden abordar digitalmente, cuáles requieren juicio humano y dónde la IA cambia el costo o la calidad. Considere una auditoría a nivel de tarea de sus cinco principales centros de costos para identificar dónde se encuentra en la curva.
Tamaño y prioridad los casos de uso de mayor valor antes del escalamiento. Una demostración técnicamente impresionante puede ser una pequeña oportunidad de negocio. Un proceso menos glamoroso puede ser grande si tiene volumen y un diferencial de costos positivo. Clasifique sus inversiones en IA por área bajo la curva, no por lo inspirador que pueda parecer un piloto a primera vista.
Gestionar los costos de la IA junto con la adopción Así que el valor crece más rápido que el gasto. A medida que el gasto en IA se vuelve material, trátelo como cualquier otro costo de factor: administre el enrutamiento del modelo, la longitud del contexto, la gobernanza del token y el costo por resultado útil. La disciplina AI FinOps se está convirtiendo en un requisito, no en una opción.
Casos de negocio de pruebas de estrés y protegerse contra la reversión de costos. El escenario de inflación de costos del 30 por ciento demuestra que la economía de la IA no es unidireccional. Incorpore análisis de sensibilidad en cada caso de inversión en IA: ¿qué sucede si los costos de los tokens aumentan un 30 por ciento? ¿Qué pasa si caen un 30 por ciento? Dimensiona la asimetría.
Redistribución del plan Antes del despliegue. Si la IA libera algunas de las cargas de trabajo actuales de las personas, los líderes necesitan tener una visión de dónde y cómo se puede (re)implementar a esas personas. De lo contrario, la productividad puede desaparecer en una menor utilización y una holgura no medida. Establecer objetivos explícitos de redistribución para cada iniciativa de IA, identificar el trabajo de mayor valor que las personas con más ancho de banda pueden soportar y determinar qué empleados de reciclaje o desarrollo de capacidades necesitarán para asumirlo.

La primera ola de IA generativa ha demostrado lo que la tecnología podría hacer. La siguiente fase consiste en implementarlo en sectores, empleos y regiones donde sus capacidades puedan crear nuevo valor.

El conjunto de valor global anual estimado de $2,52 billones de dólares proveniente de la implementación de IA para aumentar y transformar las tareas que conforman los roles es significativo, pero no está garantizado. Capturarlo depende de que las empresas integren la IA a escala y rediseñen el trabajo en lugar de simplemente agregar nuevas herramientas a los procesos existentes. Y como revela la curva de valor de la IA, también se trata de ser lo suficientemente ágiles para ajustar sus estrategias a medida que fluctúan los costos de la IA.

Las empresas que más se beneficiarán no serán necesariamente las que implementen la IA más ampliamente. Serán las empresas que entiendan las tareas que conforman los empleos donde la economía ya favorece a la IA e inviertan donde la evidencia es más sólida.

Fuente: Mckinsey&Company

Créditos editoriales: Lieven Van der Veken es socio sénior en la oficina de McKinsey en Lyon; Sandra Durth es socia en la oficina de Colonia; Tanguy Catlin es socio sénior en la oficina de Boston; Tarik Alatovic es socio sénior en la oficina de Johannesburgo; y Tom Isherwood es socio sénior en la oficina de Dubái, donde Dmitrii Kazantsev es socio asociado. Dhanush Thirumoorthy es analista sénior de capacidades e información en la oficina de Delhi, y Shaahid Nanabhay es consultor en la oficina de Riad. Editado por Daniel Eisenberg).

Notas:

Nota 1: «Calidad aceptable» significa que el resultado de la IA cumple con los mismos criterios de aceptación con los que se evaluaría un entregable humano para ese caso de uso específico, no que los resultados de la IA y los humanos sean indistinguibles en todas las dimensiones. Para la redacción de documentos rutinarios, esto puede significar precisión fáctica e integridad. Para los resúmenes clínicos, puede incluir umbrales regulatorios y de seguridad. El umbral varía según la tarea).

Nota 2: «Costo versus valor: gestión del rendimiento de los sistemas de IA agéntica», McKinsey Quarterly, 8 de julio de 2026).

Nota 3: «¿Vale la pena ese agente de IA? Economía agéntica y el modelo operativo moderno», McKinsey Quarterly, 13 de julio de 2026).