MIT: US$2,5 billones en IA en 2026 y el ‘cambio agéntico’

La paradoja: US$2,5 billones en IA y un 94% de empresas sin retorno

La inversión global en IA alcanzará US$2,5 billones en 2026, un 44% más que el año anterior, según un informe de MIT Technology Review en español. Sin embargo, ese aluvión de capital no se está traduciendo en resultados empresariales: el 94% de las organizaciones no logra atribuir ningún impacto en su cuenta de resultados al uso de IA, según la encuesta State of AI 2026 de McKinsey, realizada a 1.719 ejecutivos en 97 países. La distancia entre gasto y retorno es, hoy, la grieta estructural de la IA empresarial.

Para los founders, el dato importa más de lo que parece: significa que el problema no es de tecnología —los modelos avanzan más rápido de lo que cualquier empresa puede absorber— sino de arquitectura operativa. Gastar más en licencias e inferencia sin rediseñar procesos solo añade coste variable a un sistema que no aprende.

¿Qué es el 'cambio agéntico' según MIT Technology Review?

El concepto que articula el informe es el de 'cambio agéntico': el paso de tratar la IA como una herramienta puntual a concebirla como el núcleo del modelo operativo de la empresa. En la práctica, eso significa que los agentes de IA dejan de ser asistentes individuales y pasan a ejecutar procesos completos — desde la calificación de un lead hasta la resolución de un ticket — conectando en tiempo real personas, datos y sistemas.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

La encuesta de McKinsey apunta en la misma dirección: solo el 6% de las empresas califica como 'AI high performer', es decir, atribuye al menos un 5% de su EBIT a la IA. Lo que las distingue no es la herramienta, sino la disposición a reorganizar workflows: casi tres cuartas partes de esas empresas reportan haber rediseñado flujos de trabajo por completo, frente a una cuarta parte del resto. La transición agéntica, dice el MIT, empieza en el modelo operativo, no en la selección del modelo.

¿Por qué los datos preparados importan más que los datos abundantes?

El segundo hallazgo del informe es contraintuitivo: tener datos y tener datos listos para IA son cosas distintas. La mayoría de las empresas descubre esa brecha cuando ya ha invertido en infraestructura. La propuesta del MIT es una base de datos soberana y componible que consulte y prepare la información allí donde reside, sin migraciones masivas ni centralizaciones forzadas.

El dato conecta con lo que reportan los proveedores: GoodData, por ejemplo, anunció en abril de 2026 que su servidor MCP permite a los agentes de IA construir y operar análisis de extremo a extremo, con tiempos de obtención de valor entre 10 y 50 veces más rápidos que los flujos manuales de BI, según un comunicado de la compañía. La cifra, atribuida a la propia empresa, ilustra el orden de magnitud que se juega una organización al elegir una capa de datos preparada para agentes.

Soberanía y arquitectura componible: los dos cimientos del cambio agéntico

El tercer eje del informe es la soberanía de IA: dónde se ejecuta la inteligencia, quién la controla y cómo opera a través de fronteras organizativas y jurisdiccionales. El debate ya no es técnico, es estratégico. En el DES 2026 de Málaga, el vicepresidente corporativo de Microsoft, Yongdong Wang, resumió el consenso europeo: 'Los agentes necesitan su propia identidad y controles de acceso'.

La arquitectura componible — sustituir stacks fijos por módulos que evolucionan al ritmo de los modelos— es la otra mitad del planteamiento. Según el MIT, las empresas que basan su ventaja en la elección de un único proveedor quedan atrapadas cuando ese proveedor cambia de precio, de modelo o de roadmap. Una arquitectura componible permite reemplazar piezas sin reconstruir el sistema.

Un estudio de la NBER de febrero de 2026, citado por McKinsey, refuerza la urgencia: sobre casi 6.000 ejecutivos C-level, alrededor del 90% reportó que la IA no había tenido impacto en empleo ni en productividad en los últimos tres años. No es un problema de adopción, es un problema de integración.

¿Qué significa esto para tu startup?

Si diriges una startup en fase de escalar, el informe del MIT y los datos de McKinsey apuntan a tres movimientos que pagan más que añadir más herramientas:

Rediseña un proceso antes de comprar un modelo. Elige un workflow donde un agente pueda ejecutar de extremo a extremo — calificación de leads, revisión de contratos de bajo riesgo, soporte nivel 1 — y mide el baseline antes del despliegue. La diferencia entre el 6% y el 94% empieza ahí.
Audita qué datos están 'listos para IA' y cuáles no. Antes de contratar un lakehouse, mapea qué fuentes necesita el agente en producción, con qué latencia y bajo qué jurisdicción. La soberanía de datos no se resuelve en el contrato, se resuelve en la arquitectura.
Mide el coste de inferencia por tarea, no por mes. Gartner estima, según recoge McKinsey, que un workflow agéntico puede generar entre 5 y 30 veces más tokens de inferencia que un chatbot tradicional. Si tu coste por lead sube al añadir agentes, el problema no es de pricing, es de diseño de flujo.

Conclusión

El 'cambio agéntico' no es un eslogan de marketing: es el reconocimiento de que la IA empresarial lleva dos años gastando mucho y aprendiendo poco. La tecnología ya está; lo que falta en la mayoría de organizaciones es la decisión de rediseñar procesos, preparar datos y elegir arquitecturas que no encierren a la empresa en un único proveedor. Para una startup, eso es a la vez una advertencia y una oportunidad: las que incorporen esa disciplina desde el inicio competirán con una base de coste y de aprendizaje que las demás tardarán años en igualar.