KPMG ha revelado en su último informe que la inversión global en inteligencia artificial está en auge, pero el valor medible que las empresas obtienen de esta tecnología se está ampliando rápidamente. Según la primera encuesta trimestral Global AI Pulse de KPMG, las organizaciones planean destinar un promedio ponderado de $186 millones a la inteligencia artificial en el próximo año. Sin embargo, solo el 11 por ciento ha llegado a implementar y escalar agentes de IA de manera que generen resultados efectivos en toda la empresa.
A pesar de esto, el 64 por ciento de los encuestados afirma que la IA ya está proporcionando resultados comerciales significativos. No obstante, la palabra 'significativos' es clave, ya que refleja una distancia considerable entre las ganancias de productividad incrementales y la eficiencia operativa que realmente impacta en los márgenes de las organizaciones.
El informe de KPMG clasifica a las empresas en 'líderes de IA', aquellas que escalan y operan activamente con agentes de IA, y a las demás. La diferencia en resultados entre estos dos grupos es notable. Steve Chase, responsable global de IA e Innovación Digital en KPMG Internacional, comentó: 'Los primeros resultados de Global AI Pulse refuerzan que gastar más en IA no equivale a crear valor. Las organizaciones líderes están más allá de la habilitación, implementando agentes de IA para reinventar procesos y transformar la toma de decisiones en toda la empresa.'
Entre los líderes de IA, el 82 por ciento reporta que la IA ya está generando un valor comercial significativo, mientras que entre sus pares, ese número cae al 62 por ciento. Aunque la diferencia de 20 puntos porcentuales puede parecer modesta, se vuelve relevante al considerar que refleja no solo mejores herramientas, sino filosofías de implementación fundamentalmente diferentes.
Las empresas que forman parte del 11 por ciento están utilizando agentes que coordinan el trabajo entre funciones, toman decisiones sin mediación humana en cada paso, extraen información de datos operacionales en tiempo real y flagran anomalías antes de que se conviertan en problemas mayores. En el ámbito de IT e ingeniería, el 75 por ciento de los líderes de IA utilizan agentes para acelerar el desarrollo de código, en comparación con el 64 por ciento de sus competidores. En operaciones, donde la orquestación de la cadena de suministro es el caso de uso principal, la diferencia es del 64 por ciento frente al 55 por ciento.
Estas no son diferencias marginales en la adopción de herramientas; reflejan distintos niveles de reestructuración de procesos. La mayoría de las empresas que han implementado IA lo han hecho añadiendo modelos sobre flujos de trabajo existentes, lo que produce ganancias incrementales. En cambio, las organizaciones que están cerrando la brecha de rendimiento han invertido la estrategia: primero rediseñan los procesos y luego implementan agentes dentro de la nueva estructura.
La diferencia en el retorno de la inversión en IA entre estos dos enfoques, en un horizonte de tres a cinco años, probablemente será un factor competitivo definitorio en varias industrias. En cuanto a la inversión, el promedio global de $186 millones por organización puede parecer significativo, pero las variaciones regionales cuentan una historia más interesante. La región ASPAC lidera con $245 millones, seguida por las Américas con $178 millones y EMEA con $157 millones.
Dentro de ASPAC, las organizaciones en China y Hong Kong invierten un promedio de $235 millones; en las Américas, las empresas estadounidenses alcanzan los $207 millones. Estos montos representan el gasto proyectado en licencias de modelos, infraestructura de computación, servicios profesionales, integración y la gestión de gobernanza y riesgos necesarios para operar la IA de manera responsable a gran escala.
Sin embargo, el verdadero desafío radica en qué proporción de esa inversión se destina a la infraestructura operativa necesaria para extraer valor de los modelos. La mayoría de las organizaciones aún subestiman esta categoría. Los costos de computación y licencias son visibles y fáciles de presupuestar, pero los costos ocultos, como las horas de ingeniería dedicadas a integrar salidas de IA con sistemas ERP heredados o la latencia generada por los procesos de generación aumentada de recuperación, suelen aparecer tarde en los ciclos de implementación y a menudo superan las estimaciones iniciales.
La integración de bases de datos vectoriales es un ejemplo relevante. Muchos flujos de trabajo de agentes dependen de la capacidad de recuperar contexto relevante de grandes repositorios de documentos no estructurados en tiempo real. Construir y mantener la infraestructura necesaria para esto implica seleccionar entre proveedores como Pinecone, Weaviate o Qdrant, indexar datos propietarios y gestionar ciclos de actualización a medida que cambian los datos subyacentes, lo que añade una complejidad de ingeniería y costos operativos que rara vez se reflejan en las propuestas de inversión iniciales.
Cuando esa infraestructura está ausente o mal mantenida, el rendimiento de los agentes se degrada de formas que son difíciles de diagnosticar, ya que el comportamiento del modelo es correcto en relación con el contexto que recibe, pero ese contexto está desactualizado o incompleto. Un hallazgo práctico del estudio de KPMG es la relación entre la madurez de la IA y la confianza en la gestión de riesgos. Entre las organizaciones que aún están en fase de experimentación, solo el 20 por ciento se siente seguro en su capacidad para manejar los riesgos asociados a la IA. En contraste, entre los líderes de IA, esa cifra asciende al 49 por ciento.
A pesar de que el 75 por ciento de los líderes globales cita la seguridad de datos, la privacidad y los riesgos como preocupaciones constantes, la madurez cambia la forma en que se operacionalizan esas preocupaciones. Esta distinción es fundamental para los consejos y funciones de riesgo que tienden a enmarcar la gobernanza de la IA como una restricción a la implementación. Los datos de KPMG sugieren lo contrario: los marcos de gobernanza no frenan la adopción de IA entre las organizaciones maduras; al contrario, facilitan su implementación.
