Tres años tirando dinero a la IA: el agujero entre el hype y el EBIT

El número que nadie quiere mirar de frente

En 2025, el capital riesgo global metió más de 258.000 millones de dólares en IA. No en tecnología en general. En IA. Eso representa el 61% de toda la inversión mundial de venture capital ese año, según datos recogidos por TNW.

Para que te hagas una idea de la escala: estamos hablando de que de cada 10 euros que un fondo de capital riesgo invirtió en el mundo entero, seis fueron a parar a empresas de inteligencia artificial.

Y con ese contexto encima de la mesa, hay un dato que debería hacer que alguien en alguna sala de juntas se atragantara con el café: solo el 39% de las organizaciones reporta impacto real en su EBIT por la adopción de IA.

El EBIT, por si acaso, es el beneficio antes de intereses e impuestos. La métrica más básica para saber si una empresa gana dinero con lo que hace. No una métrica aspiracional, no un KPI de transformación digital: beneficio real.

El 61% restante está gastando en IA sin que eso se traduzca en dinero contante y sonante. Tres años después del lanzamiento de ChatGPT, con centenares de miles de millones circulando por el sector, más de la mitad de las organizaciones que han adoptado IA no pueden demostrar que les está funcionando en términos financieros.

Por qué esto no es una sorpresa para quien presta atención

Hay una frase de Riva Wilkins, de VUETELLIGENCE, que resume el problema mejor que cualquier gráfico: "El ritmo de inversión en IA ha superado la claridad sobre los resultados."

No lo dice un crítico del sector. Lo dice alguien dentro del sector. Y lo que está describiendo es un problema clásico de cualquier tecnología que entra en fase de hype: el dinero corre más rápido que la comprensión.

Pasó con las puntocom. Pasó con el blockchain empresarial. Y está pasando ahora con la IA, pero a una escala de capital que no tiene precedentes históricos.

La diferencia esta vez es que la tecnología funciona. Los modelos de lenguaje hacen cosas reales y útiles. Eso hace que el problema sea más difícil de ver, porque es fácil confundir "esto es impresionante en una demo" con "esto está generando valor económico medible en mi empresa".

Son dos cosas completamente distintas.

El problema del tokenmaxxing y los presupuestos que se evaporan

Tiffany Luck, socia de NEA, lo explicó en el podcast Equity de TechCrunch: muchas empresas se topan con obstáculos financieros inesperados al implementar IA. El fenómeno tiene hasta nombre: tokenmaxxing.

El tokenmaxxing es la tendencia a los modelos de IA de la manera más intensiva posible, sin tener en cuenta el coste real por token. Cada consulta a un modelo grande tiene un precio. Cuando una empresa empieza a integrar IA en sus procesos, ese precio se multiplica por miles de consultas al día, por cientos de empleados, por docenas de flujos de trabajo.

El resultado es predecible en retrospectiva, aunque nadie lo vio venir en el momento: Uber agotó su presupuesto anual de IA en pocos meses.

Uber. Una de las empresas tecnológicas más sofisticadas del mundo, con equipos de ingeniería de primer nivel y décadas de experiencia escalando sistemas complejos. Se quedó sin presupuesto de IA antes de que acabara el año.

No es un caso aislado. Varias organizaciones han tenido que reducir licencias de herramientas como Claude para sus empleados porque el coste se fue de las manos. Meta cerró su tabla de clasificación interna de IA, lo que sugiere que incluso los gigantes tecnológicos están reevaluando qué iniciativas de IA tienen sentido y cuáles son simplemente caras y ruidosas.

"Las empresas ya no solo buscan comprar modelos de IA, sino herramientas para monitorizar costes y medir eficiencia.", Tiffany Luck, NEA (vía TechCrunch)

Eso es un cambio de mentalidad enorme. El mercado está pasando de "¿cómo implementamos IA?" a "¿cómo sabemos cuánto nos cuesta y si vale la pena?". Tres años tarde, pero al menos está ocurriendo.

La concentración que nadie menciona en las presentaciones de inversores

Aquí viene la parte que pone nerviosa a mucha gente.

Ed Zitron ha publicado un análisis en el que sostiene que el 89% de los ingresos de toda la industria de IA y el 90% de la demanda de cómputo se concentran en OpenAI y Anthropic. Su argumento es que el modelo de negocio descansa sobre suscripciones subvencionadas que no son rentables y una quema de tokens sin control.

Hay que ser claro: las cifras específicas de Zitron son análisis propio, no datos auditados públicamente. Pero la dirección del argumento la corroboran los propios hechos del sector.

OpenAI y Anthropic pierden miles de millones al año. Según Zitron, Anthropic tuvo un único trimestre rentable, y fue gracias a un descuento en cómputo. Ambas empresas están buscando salir a bolsa, lo que pérdidas operativas continuadas se traduce en una necesidad urgente de liquidez.

Y mientras tanto, los ingresos totales reales de toda la industria de IA (OpenAI, Google, Microsoft, Amazon, Anthropic juntos) apenas rozaron los 100.000 millones de dólares en 2026. Compara esa cifra con los 258.000 millones que solo el capital riesgo metió en el sector en 2025.

El dinero que entra es tres veces mayor que el dinero que el sector genera. Eso no es sostenible indefinidamente, aunque no podemos saber cuándo ni cómo se ajusta.

El problema de medir lo que no sabes medir

Volvamos al dato del 39% de impacto en EBIT, porque merece más atención de la que recibe.

Ese estudio tiene limitaciones metodológicas importantes: no conocemos el tamaño muestral exacto, los sectores analizados ni cómo se definió "impacto en EBIT". Un 5% de mejora en margen operativo y un 0,1% cuentan igual en ese porcentaje.

Pero la limitación del estudio no invalida el problema que describe. Lo que sí sabemos con certeza es que la pregunta "¿está generando retorno nuestra inversión en IA?" no tiene respuesta clara en la mayoría de las organizaciones.

¿Por qué? Porque medir el impacto de la IA en productividad real es extraordinariamente difícil.

Cuando implementas un CRM, puedes medir el ciclo de ventas antes y después. Cuando automatizas una línea de producción, cuentas las unidades por hora. Pero cuando le das a un empleado acceso a un asistente de IA, ¿cómo mides si es un 15% más productivo? ¿Qué tareas hace más rápido? ¿Cuáles hace peor porque confía demasiado en el modelo? ¿Cuánto tiempo pierde probando prompts que no funcionan?

Las empresas no tienen la infraestructura de medición para responder a esas preguntas. Y sin esa infraestructura, el presupuesto de IA se convierte en un acto de fe.

Los agentes autónomos: la siguiente apuesta sin base

Si el 39% de impacto en EBIT con IA básica ya es un número preocupante, hay otro dato que debería levantar banderas rojas en cualquier reunión de estrategia: solo el 7% de las organizaciones tiene agentes autónomos en producción.

Los agentes autónomos son sistemas de IA que ejecutan tareas complejas de forma independiente, tomando decisiones encadenadas sin supervisión humana constante. Son el siguiente paso del hype: después de los chatbots y los copilotos, ahora la promesa es la automatización completa de flujos de trabajo enteros.

El problema es doble.

Primero, la fiabilidad. Zitron cita casos concretos de IA generativa rompiendo infraestructura de AWS en múltiples ocasiones y eliminando bases de datos de empresas. Esos no son fallos menores de una demo; son fallos en producción con consecuencias reales. Un agente autónomo que toma decisiones encadenadas en un entorno de producción tiene muchas más oportunidades de hacer daño que un chatbot que responde preguntas.

Segundo, y esto es lo que más debería preocupar: el 90% de las organizaciones que no ha conseguido resultados medibles con IA básica está aumentando su inversión en agentes autónomos.

Piénsalo un momento. No has conseguido demostrar que la IA mejora tu EBIT con casos de uso relativamente simples (asistentes de redacción, búsqueda interna, generación de código). Y tu respuesta es apostar por la versión más compleja, más cara y más difícil de controlar de la misma tecnología.

Eso no es una estrategia. Es una huida hacia adelante.

Por qué las empresas siguen metiendo dinero aunque no funcione

Aquí está la trampa psicológica que nadie quiere reconocer.

Cuando una empresa lleva dos años invirtiendo en IA sin resultados claros, tiene dos opciones:

Opción A: Admitir que no sabe si la inversión ha valido la pena, revisar la estrategia desde cero y construir la infraestructura de medición que debería haber tenido desde el principio.

Opción B: Asumir que el problema es que no han invertido suficiente, que la tecnología todavía está madurando, y que la solución es apostar más fuerte en la siguiente ola.

La opción A implica admitir un error ante el consejo de administración. La opción B permite seguir en el juego y diferir la rendición de cuentas.

No hace falta ser un experto en psicología organizacional para saber cuál eligen la mayoría.

El resultado es un ciclo en el que el fracaso de medir el ROI no frena el gasto, sino que lo justifica. "Necesitamos invertir más para llegar al punto de inflexión." Esa frase ha sido el mantra del sector durante tres años.

Y mientras tanto, los proveedores de IA tienen todo el incentivo del mundo para mantener ese ciclo. Si las empresas empezaran a exigir ROI medible antes de renovar contratos, el modelo de negocio actual de muchos actores del sector se complicaría bastante.

Lo que debería cambiar (y lo que probablemente no cambiará)

El giro que Tiffany Luck describe, el de buscar herramientas para monitorizar costes y medir eficiencia, es la señal más esperanzadora de todo este panorama. Indica que al menos una parte del mercado está empezando a hacer las preguntas correctas.

Las preguntas correctas son incómodas:

• ¿Cuánto nos cuesta por tarea completada con IA versus sin IA?
• ¿Qué porcentaje de las salidas del modelo requieren revisión humana significativa?
• ¿En qué procesos específicos hemos medido mejora de productividad, con qué metodología y con qué grupo de control?
• ¿Cuánto tiempo tardamos en recuperar la inversión en implementación y formación?

Si tu empresa no puede responder a esas preguntas, no tiene una estrategia de IA. Tiene una suscripción cara y una presentación de PowerPoint sobre transformación digital.

El problema estructural es que el sector lleva tres años recompensando la velocidad de adopción sobre la profundidad de implementación. Los titulares celebran a las empresas que "ya usan IA en todos sus departamentos". Nadie escribe artículos sobre la empresa que tardó 18 meses en implementar IA en un solo proceso, lo midió con rigor y consiguió un 23% de reducción de costes verificable.

Esa segunda empresa está haciendo las cosas bien. La primera está generando ruido.

---

El dinero seguirá entrando. Los modelos seguirán mejorando. Y las empresas seguirán anunciando iniciativas de IA en sus earnings calls. Pero la brecha entre los 258.000 millones invertidos y el 39% que ve retorno real no se cierra sola. Se cierra cuando alguien en la sala tiene los cojones de preguntar: ¿y esto en qué se traduce en el EBIT? Y de no aceptar "estamos en la curva de aprendizaje" como respuesta.