Spanish Articles
La IA no está rindiendo por debajo de lo esperado. Es el liderazgo el que no se ha puesto al día
La inversión en inteligencia artificial se dispara, pero los resultados siguen sin materializarse. El problema no es la tecnología, sino la ausencia de tres capacidades críticas de liderazgo.
Un estudio reciente de 6.000 altos directivos reveló que, aunque el 69% afirmaba que sus empresas utilizaban activamente inteligencia artificial, el 90% decía que esa tecnología no había tenido ningún impacto en la productividad.
Estos resultados reflejan las ganancias de productividad sorprendentemente limitadas que ya afloraron con la revolución digital, cuando la adopción generalizada de tecnologías informáticas produjo un crecimiento apenas perceptible en el conjunto de la economía. Pero aquella etapa deja una lección crucial para hoy. Aunque el crecimiento medio de la productividad fue bajo, el 5% de las empresas de vanguardia obtuvo mejoras más de cuatro veces superiores a las del 95% rezagado. Lo que distinguía a esas empresas no era la tecnología de la que disponían, sino la manera en que adaptaban sus organizaciones para aprovecharla de verdad. Hoy se repite el mismo patrón con la IA. Pero esta vez el cambio organizativo exigido es más profundo y el desafío de liderazgo es más intenso.
La IA atraviesa la organización de una manera que las tecnologías anteriores no hacían. Las innovaciones previas podían implantarse a menudo a escala departamental, con un impacto funcional limitado, porque solían automatizar procesos existentes o mejorar el flujo de información dentro de ellos. La promesa de la IA es mucho más amplia. Incluso iniciativas modestas atraviesan al mismo tiempo la estrategia, las operaciones, la cultura, la gobernanza y la ética, y exigen un enfoque de liderazgo capaz de trabajar precisamente en esas intersecciones, y no solo dentro de los silos tradicionales.
Tres rasgos agudizan este desafío. En primer lugar, a medida que los agentes de IA asumen funciones definidas dentro de las organizaciones, los líderes tendrán que gestionar equipos híbridos compuestos por personas y componentes de IA. Las decisiones sobre cómo diseñar y dirigir esas estructuras y flujos de trabajo no solo reconfigurarán los procesos operativos, sino también la identidad y la cultura de la organización. En segundo lugar, implantar IA obliga a los líderes a enfrentarse a los supuestos de fondo incorporados en las herramientas que adoptan: cuestiones de valores, propósito y conocimiento con consecuencias operativas y estratégicas muy concretas. En tercer lugar, el cambio que trae la IA será continuo, no episódico. Los líderes no podrán gestionar una sola transición y esperar años de estabilidad; tendrán que aprender a navegar una transformación permanente sin perder coherencia organizativa. Y esa dificultad se multiplica cuando varias iniciativas de IA se evalúan, prueban y despliegan en paralelo.
Lo que está en juego ya es considerable, y solo irá a más a medida que maduren los modelos de IA. Las empresas que no se adapten verán cómo su ventaja competitiva se va vaciando, tanto por competidores nativos de IA como por empresas establecidas que se muevan con rapidez para apropiarse de estas capacidades y situarse en la nueva frontera.
El talento y el conocimiento institucional necesarios para llevar a cabo iniciativas eficaces de transformación mediante IA ya existen en la mayoría de las grandes organizaciones.
Tres capacidades esenciales
El talento y el conocimiento institucional necesarios para poner en marcha transformaciones eficaces con IA ya existen dentro de la mayoría de las grandes organizaciones. Lo que falta son las capacidades necesarias para canalizar ese talento y permitirle navegar con seguridad un cambio transformador y continuo.
El desarrollo del liderazgo para la era de la IA debe tratar estrategia, tecnología, cultura y ética como una disciplina integrada. Hay tres capacidades esenciales para unir estos planos: 1) una mentalidad de liderazgo específica para la IA que vaya más allá de la alfabetización técnica; 2) la solvencia filosófica necesaria para abordar cuestiones que ningún algoritmo puede responder; y 3) sistemas de gestión repetibles que conviertan la innovación continua en una competencia organizativa permanente y no en una intervención ocasional. Estas capacidades no son necesarias solo para CEOs y responsables tecnológicos, sino para líderes de todas las funciones de la organización.
Una mentalidad orientada a la transformación considera la IA no como una herramienta que se implementa, sino como una fuerza que reconfigura el funcionamiento de la organización y que, por tanto, constituye una responsabilidad fundamental de todo alto directivo.
Pilar I – Una mentalidad de liderazgo específicamente orientada a la transformación con IA
En la mayoría de las empresas, la IA sigue tratándose como un problema tecnológico. Ese es el primer marco que hay que cambiar. Cuando se entiende la IA, ante todo, como una nueva tecnología que hay que implantar, la reacción natural es dejar la responsabilidad en manos del área tecnológica mientras el resto del equipo directivo observa a distancia.
El resultado es que los efectos sobre la cultura, la composición de la plantilla, la toma de decisiones y la identidad organizativa —dimensiones que la IA transformará en profundidad— se quedan sin un propietario claro. Una mentalidad preparada para la transformación entiende la IA no como una herramienta que se despliega, sino como una fuerza que reconfigura la forma en que trabaja la organización y, por tanto, como una responsabilidad central de todo líder senior.
La persistencia del enfoque antiguo puede detectarse en el desajuste entre los ideales transformadores y las estructuras tradicionales que siguen vivas en muchas organizaciones. Incluso cuando los CIO describen sus funciones en términos cada vez más estratégicos, las dimensiones organizativas y culturales de la transformación con IA siguen sin un responsable claro.
Una encuesta de referencia de 2026 entre líderes de IA y datos halló que el 93% de los responsables de datos de las Fortune 1000 identifican la cultura y la gestión del cambio como la principal barrera para la adopción de IA, mientras que solo el 7% señala la tecnología. Sin embargo, los roles encargados de implantar IA siguen centrados, de forma abrumadora, en lo tecnológico. Mientras la alta dirección no entienda que la transformación con IA es algo que debe liderar ella misma, persistirá la brecha entre inversión y generación de valor.
Un estudio de 2025 realizado con ingenieros de una gran empresa de software mostró dinámicas que siguen presentes en muchas organizaciones, incluso en aquellas que reconocen las dificultades de impulsar la adopción de IA. Cuando la empresa intentó desplegar un nuevo asistente de programación entre más de 28.000 ingenieros, se encontró con una barrera inesperada.
Aunque invirtió recursos significativos en fomentar el uso de la herramienta, el estudio halló que quienes la adoptaban corrían el riesgo de ser percibidos de forma negativa. Cuando se pidió a los participantes que evaluaran la competencia del ingeniero que había producido un fragmento de código, ese ingeniero fue valorado como un 9% menos competente cuando se decía que el código se había producido con ayuda del asistente de IA que cuando se afirmaba que se había hecho sin ayuda. Otra encuesta mostró, de forma nada sorprendente, que los ingenieros se mostraban reacios a adoptar el asistente precisamente porque esperaban ser juzgados como menos competentes si lo hacían.
Este estudio apunta al tipo de desconexiones que exigen algo más que buenas intenciones por parte de la alta dirección. Aunque la empresa alentaba activamente la adopción, el hecho de que el despliegue tecnológico no estuviera integrado en una iniciativa más amplia de cambio cultural hizo que la nueva herramienta se percibiera como una amenaza en dos sentidos distintos: quienes evaluaban el trabajo la veían erróneamente como fuente de código inferior, y los ingenieros interpretaban su uso como algo dañino para su reputación.
La adopción plena y eficaz de la herramienta requería una solución cultural para ambos problemas. Y ese tipo de soluciones no puede delegarse en los responsables tecnológicos, porque las señales que moldean las normas de evaluación y la credibilidad profesional se emiten desde la cúspide.
Cerrar esa brecha exige desarrollar un conjunto específico de competencias de liderazgo. Los líderes deben aprender a dirigir plantillas híbridas en las que las capacidades humanas y las de la IA estén plenamente integradas. Deben entender que los agentes de IA y las personas incorporan cada vez más rasgos de comportamiento, niveles de autoridad decisoria y patrones de interacción que deben diseñarse y gobernarse de forma deliberada.
Y, por último, tienen que asumir la gestión de la respuesta humana a la transformación con IA como una responsabilidad de liderazgo fundamental. Eso significa estar preparados para liderar procesos masivos de recualificación, no como un programa de formación delegable en RRHH, sino como un desafío cultural de toda la organización. Ninguna de estas competencias se adquiere simplemente estudiando tecnología. Se desarrollan aprendiendo a liderar organizaciones definidas por la relación entre las contribuciones humanas y las de la IA.
Pilar II – Solvencia filosófica
La capacidad de hacer explícitos, examinar y defender los supuestos de fondo que modelan las decisiones siempre ha sido una parte valiosa del liderazgo eficaz. Sin embargo, en la mayoría de las empresas, esa solvencia filosófica se desarrolla y se aplica de manera informal, con líderes que operan sobre la base de supuestos implícitos y razonamientos intuitivos.
La adopción generalizada de IA exige ahora que los líderes puedan relacionarse con ideas filosóficas de forma explícita. Cada herramienta de IA que una empresa adopta llega con compromisos filosóficos incorporados: supuestos sobre qué cuenta como comunicación adecuada, qué evidencias deben privilegiarse y cómo deben resolverse los conflictos.
Hoy esos compromisos los están definiendo, consciente o inconscientemente, ingenieros y desarrolladores que quizá nunca lleguen a conocer las organizaciones que usan sus productos. Aun así, afectan al funcionamiento de los modelos a escala y condicionan miles de decisiones cada día. Los líderes que no sean capaces de reconocer e interrogar esos supuestos incrustados descubrirán que sus organizaciones están siendo modeladas por compromisos que nunca examinaron ni eligieron.
Lo que los líderes necesitan no es una carrera de filosofía, sino una competencia operativa en tres grandes áreas de raíz filosófica.
La primera es ontológica, es decir, relativa a la naturaleza de las cosas: ¿qué es una empresa?, ¿qué es un empleado?, ¿qué es un cliente? No son juegos semánticos. Son preguntas que moldean el diseño de producto, los modelos de negocio y la identidad corporativa.
Pensemos en las distintas maneras en que Apple y Meta responden a la pregunta “¿qué son los datos del cliente?”. Para Meta, los datos del cliente son un recurso que puede extraerse y monetizarse. Para Apple, son la encarnación digital de una relación con el cliente. Buena parte del modelo de negocio de Meta se construye sobre la venta de acceso a los datos que extrae. Apple, en cambio, considera la privacidad “un derecho humano fundamental” y evita en gran medida mercantilizar los datos de cliente que posee.
La segunda categoría es epistemológica, y se refiere a qué puede conocerse y qué cuenta como evidencia fiable. Los líderes emiten juicios de tipo epistemológico docenas de veces al día, pero rara vez lo hacen con estándares formalizados en mente. Algunas empresas, sin embargo, se toman muy en serio estos criterios.
El principio de Genchi Genbutsu de Toyota —“ve y compruébalo por ti mismo”— codifica una visión sobre la prioridad del contacto directo con la información relevante frente a la información recogida, digerida y empaquetada por otros. Las preguntas sobre cómo aplicar estándares epistemológicos se vuelven cada vez más urgentes a medida que los modelos de IA asumen funciones analíticas y decisorias.
Estas herramientas llegan con sus propios estándares, escogidos por ingenieros que nunca han trabajado con tu empresa e incorporados al modelo desde el origen. Los líderes que no puedan interrogar los supuestos sobre los que opera un modelo de IA están, en la práctica, cediendo a terceros sin supervisión el derecho a determinar sus criterios de verdad.
La tercera categoría es ética, y se refiere a qué es correcto y qué está dispuesta una empresa a defender incluso a un coste elevado. Cuando el Pentágono exigió a Anthropic que firmara contratos que permitieran “cualquier uso legal” de sus modelos, la empresa se negó.
Un compromiso claro y previo con determinadas líneas rojas éticas hizo que no estuviera dispuesta a ceder en el uso de su tecnología para armamento autónomo o vigilancia doméstica. Anthropic mantuvo sus principios aunque la decisión le acarreó costes importantes, entre ellos la pérdida de un gran contrato y la etiqueta de riesgo para la cadena de suministro por parte del Gobierno estadounidense.
Una claridad ética genuina es una necesidad moral, pero también estratégica: los líderes que no hayan hecho el trabajo duro de determinar dónde están sus líneas se arriesgan a tomar decisiones incoherentes y contraproducentes cuando llegue la crisis.
Lo que las organizaciones necesitan —y lo que solo los altos directivos pueden establecer y mantener— es un sistema de gestión de carteras replicable que trate la innovación en IA como un flujo de trabajo estructurado.
Pilar III – Sistemas de gestión repetibles
La mayoría de las organizaciones afrontan la implantación de IA como una serie de proyectos desconectados entre sí —un piloto aquí, un experimento allá—, sin una forma sistemática de pasar de la identificación de oportunidades al despliegue operativo. El resultado es un ciclo previsible: el entusiasmo inicial genera una ráfaga de pruebas de concepto, la mayoría de las cuales nunca escalan.
Las iniciativas que sí llegan a producción a menudo rinden por debajo de lo esperado porque nunca fueron evaluadas en términos de encaje con la estrategia, la cultura, los procesos o la tecnología existente de la organización. Mientras tanto, proyectos con verdadero potencial para generar valor real languidecen en la cola porque no existe ningún mecanismo que los haga emerger y les dé prioridad.
Con el tiempo, ese patrón erosiona la confianza organizativa en la propia IA. Los equipos que han visto atascarse tres o cuatro pilotos prometedores se vuelven escépticos ante el siguiente, y los líderes que han aprobado presupuestos sin ver retornos se resisten a aprobar más.
La ironía es que el problema nunca fue la tecnología ni siquiera los proyectos concretos. Fue la ausencia de una infraestructura capaz de gestionar la innovación como una disciplina continua.
Lo que las organizaciones necesitan —y lo único que solo los líderes senior pueden instaurar y sostener— es un sistema repetible de gestión de cartera que trate la innovación con IA como un flujo estructurado.
En un sistema así, las ideas entran por un proceso centralizado y se puntúan según criterios objetivos —alineación estratégica, viabilidad, riesgo, necesidades de recursos—, de manera que las decisiones sobre qué perseguir se basen en evidencia y no en capacidad de persuasión o entusiasmo.
Los proyectos que superan el primer filtro pasan a una evaluación más detallada, donde se examina su encaje con la arquitectura global de la organización: su propósito y estrategia, sus personas y cultura, sus procesos y gobernanza, y su tecnología existente. Solo aquellos que muestran alineación en todas estas dimensiones avanzan hacia la experimentación, y solo los que sobreviven a pruebas rigurosas pasan a producción.
Las puertas de decisión en cada transición impiden que se consuman recursos en iniciativas sin viabilidad, mientras que las revisiones periódicas de cartera garantizan que la mezcla global de proyectos siga equilibrada entre horizontes temporales, niveles de riesgo y objetivos estratégicos. Los proyectos iniciales se secuencian deliberadamente para construir la infraestructura de datos, los marcos de gobernanza y las capacidades organizativas que necesitarán las iniciativas posteriores, más ambiciosas.
Lloyds Banking Group ofrece un ejemplo concreto de este enfoque en acción. El banco opera con un órgano transversal, su AI and Ways of Working Control Tower —antes conocido como GenAI Control Tower—, encargado de evaluar y clasificar las iniciativas de IA frente a los objetivos estratégicos de la organización y de dirigir los recursos según esa prioridad.
Ese sistema repetible de gestión incluye un proceso estructurado de evaluación, con la alta dirección conservando los derechos de decisión sobre el equilibrio de la cartera y la progresión de los proyectos. Con esta torre de control como sistema de gestión, Lloyds desplegó más de cincuenta soluciones de IA generativa en 2025 y mantenía más de 200 casos de uso en la cola de cartera, según Rohit Dhawan, responsable de IA del banco. Lloyds espera generar 100 millones de libras de valor en 2026 a partir de estos proyectos, después de haber creado 50 millones en 2025.
Sistemas de gestión de cartera como este no funcionan solos. Requieren que los líderes senior gestionen activamente y asuman la responsabilidad del flujo, imponiendo la disciplina necesaria en cada puerta de decisión y tomando las decisiones difíciles sobre qué iniciativas detener.
Sin la mentalidad descrita en el Pilar I y la claridad filosófica descrita en el Pilar II, incluso el mejor sistema acabará derivando hacia la vía de menor resistencia.
Cuando los algoritmos pueden sintetizar información más rápido que los humanos y ejecutar decisiones eficaces de forma autónoma, el papel del líder cambia.
Una nueva era del liderazgo
Los tres pilares descritos aquí —una mentalidad de liderazgo específica para la IA, solvencia filosófica y sistemas de gestión repetibles— son capacidades prácticas, no abstracciones. Pero, tomados en conjunto, equivalen a una redefinición de lo que implica realmente liderar desde la alta dirección.
Durante buena parte del último medio siglo, la imagen dominante del ejecutivo ha sido la del tomador de decisiones: la persona que sintetiza información, asigna recursos y elige entre opciones preparadas por otros. La IA está remodelando ese papel.
Cuando los algoritmos pueden sintetizar información más rápido que los humanos y ejecutar decisiones eficaces de forma autónoma, el papel del líder deja de consistir sobre todo en decidir y pasa a consistir, cada vez más, en determinar los términos en los que se toman las decisiones.
Sobre los autores
