El informe que McKinsey publicó en marzo de 2025
El 12 de marzo de 2025 McKinsey publicó 'The state of AI: How organizations are rewiring to capture value'. Son 26 páginas, firmadas por Alex Singla, Alexander Sukharevsky, Lareina Yee, Michael Chui y Bryce Hall. La edición de 2025 de su encuesta global anual sobre IA. A diferencia de ediciones anteriores, centradas en adopción y casos de uso, esta se ocupa de algo más interesante: cómo se están rediseñando las organizaciones por dentro para capturar valor económico con IA generativa.
Trece meses después, en abril de 2026, el informe sigue siendo una de las mejores radiografías cuantitativas disponibles. Lo repasamos aquí desde el ángulo que McKinsey no trabaja: el de una PYME española o latinoamericana de más de un millón de euros de facturación. Porque los datos son reveladores si sabes leerlos y son engañosos si los lees como si fueras Accenture.
Los números que importan
McKinsey entrevistó a ejecutivos de organizaciones de todos los tamaños. Los números a retener son pocos y concretos.
Uso extendido, madurez escasa
Más del 75% de las organizaciones encuestadas ya utiliza IA en al menos una función de negocio.
En una encuesta complementaria sobre mercados desarrollados, solo el 1% de los ejecutivos calificó sus despliegues de IA generativa como 'maduros'. El gap entre ambos porcentajes es la historia completa.
Esto significa, en la práctica, que casi todas las grandes empresas están usando IA en algún sitio y casi ninguna ha logrado convertir ese uso en impacto sostenido en EBIT.
Gobierno del CEO y el consejo
El 28% de los encuestados afirma que el CEO es responsable directo de supervisar el uso de IA en la organización.
Otro 17% reporta que la supervisión la lleva la junta directiva o el consejo.
En promedio, hay dos líderes a cargo del gobierno de IA; casi nunca es responsabilidad única.
La supervisión por el CEO correlaciona con mayor impacto en EBIT, y el efecto es especialmente fuerte en empresas con facturación superior a 500 M$.
Rediseño de flujos de trabajo
McKinsey evaluó 25 atributos organizativos y encontró que el más correlacionado con impacto económico atribuible a IA es el rediseño sustancial de flujos de trabajo. No la compra de herramientas. No la formación. No el centro de excelencia. El rediseño. Y sin embargo, solo el 21% de los encuestados afirma que su organización ha rediseñado sustancialmente ciertos flujos con IA generativa.
Léanlo otra vez. La acción con mayor ROI demostrado la están aplicando menos de un cuarto de las organizaciones. El resto está comprando licencias y entregando tutoriales.
Supervisión del output
El 27% de las organizaciones revisa todo el contenido producido por IA generativa antes de ponerlo en producción (por ejemplo, antes de que un cliente vea la respuesta de un chatbot o de usar una imagen generada en marketing).
Una proporción similar afirma que revisa el 20% o menos del contenido. Es decir: o bien se revisa todo, o bien casi nada. Los términos medios son raros.
En firmas de servicios empresariales, legales y profesionales, la proporción de revisión es notoriamente más alta. Lógico: el coste de un error contractual supera ampliamente el coste de revisar.
Riesgos que ya se gestionan activamente
Respecto a 2024, los encuestados son más propensos a gestionar activamente tres riesgos: inexactitudes, ciberseguridad y violación de propiedad intelectual. Son los tres riesgos con consecuencias negativas más frecuentes asociadas a IA generativa. Las empresas grandes gestionan más riesgos que las pequeñas, sobre todo en ciberseguridad y privacidad; no así en exactitud o explicabilidad, donde el tamaño no ayuda.
Las 12 prácticas que correlacionan con impacto
McKinsey preguntó por 12 prácticas vinculadas a adopción y escalamiento, y encontró correlaciones positivas con impacto en EBIT. La práctica con mayor efecto es monitorear KPIs específicos para los despliegues de IA generativa. En empresas grandes, una segunda palanca importante es definir una hoja de ruta clara para impulsar la adopción.
El dato incómodo: menos de un tercio de los encuestados afirma estar aplicando la mayoría de esas 12 prácticas. Menos de uno de cada cinco monitorea KPIs de sus despliegues. Las empresas grandes duplican la ratio de sus pares en planes de acción para adopción (implementación en fases en equipos y unidades de negocio) y en equipos dedicados tipo oficina de transformación o gestión de proyectos.
Las cuatro prácticas que sí mueven el EBIT
Monitorear KPIs específicos por cada despliegue de IA generativa. Sin KPIs no hay palanca de decisión: hay pilotos perpetuos.
Hoja de ruta clara de adopción por equipos y unidades de negocio, no un plan corporativo genérico.
Comunicaciones internas consistentes sobre el valor de las nuevas capacidades de IA, para generar impulso y combatir el escepticismo operativo.
Cursos de capacitación por rol (no genéricos) para que cada equipo use las capacidades que de verdad afectan a su trabajo.
Centralizar o distribuir: el informe es claro
Para riesgo, cumplimiento regulatorio y gestión de datos, McKinsey encuentra que las empresas tienden a centralizar totalmente (típicamente en un centro de excelencia). Para talento tecnológico y adopción de capacidades de IA, el modelo dominante es híbrido o parcialmente centralizado, con algunos recursos gestionados centralmente y otros distribuidos entre funciones o unidades de negocio. Las empresas por debajo de 500 M$ tienden a centralizar más; las grandes distribuyen más.
Para una PYME de más de 1 M€ la lectura es directa: centraliza la parte de gobierno, datos y riesgos (basta con uno o dos responsables dedicados), y distribuye la adopción y el uso cotidiano en cada equipo. Copiar el organigrama de una empresa de 500 M$ es el camino más rápido para que la IA se convierta en un trámite burocrático.
Talento: qué está pasando en el mercado
La encuesta también mapea el mercado laboral de IA. Las organizaciones que usan IA han contratado personal para roles relacionados en los últimos 12 meses en proporciones similares a 2024, con dos excepciones notables: especialistas en visualización de datos y especialistas en diseño, ambos con caída sensible (los está absorbiendo la propia IA).
Emergen dos roles nuevos relacionados con riesgo: el 13% de organizaciones contrató especialistas en cumplimiento regulatorio y el 6% expertos en ética de IA. Las empresas grandes incorporan un abanico más amplio de talento, con las mayores diferencias en científicos de datos, ingenieros de ML e ingenieros de datos.
La dificultad de contratación sigue siendo alta pero ha bajado respecto a 2023-2024. La excepción: científicos de datos de IA. La mitad de los encuestados afirma que necesitará más el año próximo. En términos prácticos, si tu PYME quiere competir en salario con Accenture o Deloitte por un científico de datos senior, vas a perder. Lo único que funciona es ofrecer proyecto con impacto, responsabilidad real y tooling decente.
Lo que al informe le falta para una PYME
El informe de McKinsey es un documento excelente para una empresa de más de 500 M$. Es engañoso si lo lees como dueño o directiva de una PYME que factura entre 1 y 50 M€. Hay tres lecturas diferenciales que hay que hacer.
Lectura diferencial 1: la ventaja de la velocidad
Una PYME no necesita una oficina de transformación ni un centro de excelencia. Necesita que el CEO o el COO se siente dos horas con el equipo que ejecuta y redefinan un flujo. El 21% de rediseño sustancial que McKinsey reporta en las grandes es, en una PYME bien dirigida, alcanzable en seis semanas. La ventaja estructural de la PYME es que la distancia entre decisión y ejecución es corta. Desperdiciarla imitando la arquitectura de una gran firma es el error más frecuente.
Lectura diferencial 2: no puedes competir en talento, sí en claridad
La mitad de las grandes empresas necesita más científicos de datos de IA. Una PYME no va a contratarlos. Lo útil es aceptar la restricción y compensar con claridad: pocos casos de uso, bien elegidos, con KPI medible, con responsable ejecutivo nominal y con herramientas SaaS bien configuradas. Haciendo esto, una PYME captura más valor proporcional por euro invertido que la gran firma que diluye inversión entre quince proyectos mediocres.
Lectura diferencial 3: practices vs decisiones
El informe habla de 12 prácticas correlacionadas con impacto en EBIT. En una PYME las practices son un resultado, no un proceso. Lo que funciona es una secuencia corta de decisiones directas: qué rediseñamos, quién firma, qué medimos, cuándo revisamos. Copiar las 12 prácticas al pie de la letra sin esa secuencia convierte la IA en un trámite más. Y el resultado es el mismo que el del 1% de madurez de McKinsey: actividad sin impacto.
Los tres errores que siguen cometiendo las PYMES trece meses después
Error 1: delegar la IA en IT
El dato de McKinsey es claro: supervisión del CEO correlaciona con mayor EBIT. Y sin embargo la práctica más común en PYMES españolas y latinoamericanas sigue siendo tirar el problema al departamento de IT o al responsable de sistemas. IT puede implementar, pero no puede decidir qué procesos del negocio hay que rediseñar ni qué KPI mueve la aguja. Si el proyecto de IA no está en la agenda del CEO con métrica y fecha, probablemente está en ruta a ser un piloto más que nadie recuerde en seis meses.
Error 2: empezar por la tecnología, no por el proceso
McKinsey es tajante: la palanca que más impacta el EBIT es el rediseño de flujos de trabajo. Empezar por '¿qué modelo usamos?' o '¿cuál es la mejor herramienta?' es empezar por el final. La conversación útil es: qué proceso consume más horas, qué pasos se pueden reducir, qué decisiones repetitivas se pueden automatizar, qué datos ya tenemos para entrenar. La tecnología viene después, como consecuencia.
Error 3: evitar los KPIs porque 'aún es pronto'
McKinsey identifica como principal práctica correlacionada con impacto monitorear KPIs específicos para los despliegues. Menos de 1 de cada 5 organizaciones lo hace. En PYMES la proporción que se resiste es aún mayor, con el argumento recurrente de que 'es pronto para medir'. No lo es. Desde el día uno hay que definir al menos tres KPIs: tiempo ahorrado por proceso, coste por transacción antes y después, y calidad medida por criterio humano. Si no puedes definir esos tres, probablemente el caso de uso no está listo para producción.
Qué hacer esta semana si diriges una PYME
Cinco pasos concretos basados en los datos del informe, adaptados a la realidad de una empresa de entre 1 y 50 millones de euros de facturación.
Decide quién del comité de dirección supervisa la IA. Déjalo por escrito con nombre y apellido. No dos líderes, no un comité rotatorio. Una persona responsable con apoyo del CEO.
Elige un único flujo de trabajo y redíselo de punta a punta con IA generativa. No cinco experimentos dispersos. Un flujo, seis semanas, un responsable ejecutivo.
Define tres KPIs medibles antes de arrancar: horas ahorradas, coste por unidad procesada, tasa de error. Revisión mensual con dueño operativo.
Prepara un plan mínimo de formación por rol, no un curso corporativo anual. Cada equipo que va a usar la IA tiene que saber exactamente qué herramienta, qué para qué, qué no hacer nunca.
Documenta qué riesgos gestionas: inexactitudes, ciberseguridad, propiedad intelectual, privacidad. Y cómo los gestionas. No hace falta una política de 40 páginas: hace falta una tabla de una página con nombre del riesgo, control y responsable.
Trece meses después: qué ha pasado desde el informe
Entre marzo de 2025 y abril de 2026, el contexto que McKinsey describió se ha endurecido. Los modelos han saltado dos generaciones. Los agentes han pasado de demo a producto. Anthropic lanzó Claude Cowork, Perplexity sacó Comet al público, Microsoft firmó con Anthropic en marzo de 2026. OpenAI acaba de publicar su documento de política industrial. Accenture ha despedido 11.000 personas con ultimátum de formación en IA al resto. La ventana de uso sofisticado como ventaja competitiva se ha acortado a 12-18 meses.
Lo que el informe McKinsey identificó en marzo de 2025 como patrón incipiente (uso extendido, baja madurez, poca medición, rediseño escaso) sigue siendo el patrón dominante. La diferencia es que el plazo para corregirlo se está cerrando. Quien redefina sus flujos de trabajo y empiece a medir KPIs este año captura ventaja. Quien siga esperando a que el mercado se estabilice se queda en el 1% de madurez mientras sus competidores pasan al 10%.
Cómo lo trabajamos en Averis
En Averis trabajamos con PYMES de más de 1 millón de euros de facturación que quieren ejecutar exactamente la secuencia que hemos descrito: un responsable del comité de dirección, un flujo de trabajo rediseñado de punta a punta, tres KPIs medibles, formación por rol y riesgos documentados. Lo hacemos en semanas con criterio senior aplicado, no con pirámides de junior ni con centros de excelencia de imitación.
Si tu empresa ya está en la franja del 75% que usa IA en algún sitio pero siente que está lejos del impacto en EBIT que el informe McKinsey promete, escríbenos. El gap entre uso y madurez no se cierra con más herramientas: se cierra con decisiones ejecutivas y con medición.
