- Bain midió 951 compañías en 2026: el 37% se fijó reducir costos entre 11% y 20% con inteligencia artificial, y casi el 40% de las que midieron el resultado aterrizó en el tramo de 0% a 10%.
- Pese a ese resultado, el 90% está aumentando su presupuesto otra vez, y el 44% —el grupo mayoritario— financiará la próxima ola con los ahorros de la anterior: dinero que la propia encuesta muestra que no llegó.
- La barrera más citada del estudio, el acceso a los datos (41%), la nombran más las empresas que sí cumplieron sus metas que las que fallaron, 44% frente a 40% — el obstáculo número uno es justamente el que no separa a unas de otras.
- El punto que ninguna encuesta captura: quién decide, antes del despliegue, a dónde va la capacidad que la automatización libera. Sin ese responsable asignado, el destino por defecto es absorber más de lo mismo.
Cuesta el presupuesto del ciclo siguiente, porque ese presupuesto ya se dimensionó sobre un ahorro que no ocurrió.
En la medición global de Bain de 2026, el grupo mayoritario de empresas financia su próxima ola de inversión en inteligencia artificial con los ahorros de la ola anterior. Y la ola anterior aterrizó por debajo del piso del objetivo que ella misma se había fijado.
Digital Change Advisors llama fuga de productividad de la IA a lo que se interpone entre ambas cifras: la capacidad que la herramienta libera en el puesto individual se disipa en la operación antes de convertirse en un resultado financiero registrable.
El dato
El 1 de junio de 2026, Bain & Company publicó el brief Your AI Budget Is Growing. Your Returns Aren't. Here's Why., firmado por Michael Heric, Purna Doddapaneni y Antoine Debarre.
El documento se apoya en la Automation and AI Pathfinder Survey 2026, una encuesta a 951 compañías globales.
El 37% de esas compañías fijó como objetivo reducciones de costo de entre 11% y 20%. Casi el 40% de las que midieron el resultado aterrizó en el tramo de 0% a 10%.
El 90% de esas mismas compañías está aumentando su presupuesto otra vez. El 44% —el grupo más numeroso— declara que financiará la próxima ola de inversión en IA generativa y agentes con los ahorros de los programas de automatización anteriores.
Y el acceso e integración de datos es la barrera número uno para el avance de la IA: la cita el 41% de los encuestados, por encima del cumplimiento normativo, del presupuesto, de las brechas de competencias y del respaldo ejecutivo.
Lo que el estudio no explica
Bain no se detiene en el síntoma. El subtítulo del brief es explícito: la solución es organizacional, no tecnológica.
La firma nombra la causa y prescribe pagar la deuda de flujo de trabajo antes de automatizar cualquier proceso, auditar los retornos reales —no los proyectados— antes de aprobar el siguiente programa, y rediseñar el modelo operativo y no solo el proceso.
Es un diagnóstico considerablemente más honesto que el promedio de la industria.
Y en el mismo documento aparece un dato que ese diagnóstico no llega a explicar.
La barrera número uno —el acceso a los datos, citada por el 41%— la nombran más las compañías que sí cumplieron sus metas que las que fallaron: 44% frente a 40%.
Las que fallaron citan obstáculos de otro orden: presupuesto insuficiente, ausencia de un centro de excelencia, prioridades en competencia.
Dicho de otro modo: el obstáculo más citado del estudio es precisamente el que no discrimina entre quien capturó el ahorro y quien lo perdió. Quien convirtió chocó con el problema de datos con más fuerza, no con menos, porque estaba desplegando a escala.
Bain registra las dos cosas y avanza.
La pregunta que el brief deja abierta es esta: si la barrera que todos nombran no es la que separa a quien captura el ahorro de quien lo pierde, ¿cuál es — y por qué las organizaciones que la tienen encima no la pueden nombrar?
La tesis de Digital Change Advisors
Porque esa barrera no está en la infraestructura ni en el presupuesto. Está en el punto donde una persona decide qué hacer con el tiempo que la automatización acaba de devolverle.
Ese punto no tiene dueño, no tiene indicador y no aparece en ningún caso de negocio. Por eso no se cita en una encuesta de barreras: nadie nombra como obstáculo algo que nunca se le asignó a nadie.
Un programa de automatización produce dos cosas distintas y las contabiliza como una sola. Produce capacidad liberada —horas, ciclos, atención que antes consumía una tarea— y produce resultado financiero.
La segunda no se sigue de la primera. Se sigue de una decisión previa sobre a dónde va la capacidad liberada, tomada antes del despliegue y con un responsable con nombre.
Cuando esa decisión no existe, la capacidad tiene un destino por defecto, y el destino por defecto es absorber más de lo mismo.
Eso es la fuga de productividad de la IA, y es la razón por la que el ahorro aterriza en el tramo de 0% a 10% mientras la tecnología funciona exactamente como se prometió.
El caso de negocio no falló en su estimación técnica: falló en suponer que la capacidad liberada llega sola al estado de resultados.
Bain prescribe el rediseño. Lo que ninguna encuesta puede decirle a un director financiero es si su organización está en condiciones de sostener ese rediseño antes de que él firme el cheque que lo paga.
Esa condición no es un supuesto blando: son tres variables medibles.
La mentalidad AI de quienes usan la herramienta y deciden, en el día a día, si la capacidad liberada se reinvierte o se absorbe. El liderazgo AI de quienes definen hasta dónde se suelta el control y responden por el destino de esa capacidad. Y el ADN AI que determina si un rediseño sobrevive al primer trimestre difícil o se revierte en silencio.
El Modelo ARIA —Aceleración del Retorno de la IA— existe para medirlas en una línea base concreta e intervenirlas contra un indicador financiero definido de antemano.
Dentro del modelo, la Matriz de validación de impacto cumple una sola función: comprobar que un ahorro declarado corresponde a una línea del estado de resultados y no a una proyección heredada del caso de negocio que lo prometió.
La diferencia entre auditar el retorno y rentabilizarlo está ahí. La auditoría dice cuánto faltó. La validación dice dónde se fue.
Lo que cuesta mantener el curso
Para un director financiero, el dato incómodo del brief de Bain no es el tramo de 0% a 10%. Es el 44%.
Ese 44% no describe un resultado: describe una estructura de financiación.
Significa que el caso de negocio de la ola actual —agentes, IA generativa, la línea que se está aprobando en este momento en la mayoría de los comités— se dimensionó contra un ahorro proyectado que ya se sabe que llegó por debajo del piso del objetivo.
El capital de la ola anterior está ejecutado y no se recupera. El de la siguiente se está comprometiendo hoy sobre un supuesto que la propia medición desmiente.
La mayoría de los pares de cualquier director financiero está exactamente en ese punto. Eso es tranquilizador y engañoso a la vez.
Lo que altera el cálculo es la naturaleza del grupo que sí cumplió sus metas: no compró tecnología distinta, no tuvo un presupuesto mayor y no resolvió antes el problema de datos —de hecho lo cita como barrera más que el resto—.
Decidió, antes de desplegar, a dónde iba la capacidad que el despliegue iba a liberar, y sostuvo esa decisión en el nivel donde se puede sostener.
Y hay una asimetría temporal que ningún modelo financiero captura. El error de un ciclo no se corrige en el siguiente: se hereda.
Cada ola cuyo ahorro se disipa reduce la base real sobre la que se dimensiona la ola posterior, mientras la expectativa y el presupuesto crecen.
La organización entra al ciclo siguiente con más capital comprometido, una meta mayor y una capacidad de conversión idéntica a la que produjo el resultado anterior.
Ese diferencial no se cierra con una corrección presupuestal. Se cierra interviniendo el punto donde el valor se pierde, o no se cierra.
Qué cambia en la gestión a partir de mañana
Un cambio, concreto: ningún programa de automatización se aprueba sin que su ahorro esté validado contra el estado de resultados del programa anterior, y sin que el destino de la capacidad liberada tenga responsable asignado antes del despliegue.
No es una recomendación de gobierno corporativo. Es la inversión del orden de dos firmas.
Hoy el destino de la capacidad liberada se discute después de que la capacidad existe —cuando ya se absorbió y ya no es recuperable— y el ahorro real se audita después de que el presupuesto siguiente se aprobó.
Invertir ese orden no exige presupuesto adicional, no depende de la madurez del dato y es la única intervención que actúa sobre el punto exacto donde el valor se pierde.
Un caso de negocio de inteligencia artificial sin ese campo resuelto no está incompleto en su documentación: está diseñado para producir capacidad y no resultado.
Bain midió en 2026 algo que casi ningún comité audita sobre sí mismo: el 37% de las empresas se fijó reducir costos entre 11% y 20% con inteligencia artificial, y casi el 40% de las que midieron el resultado aterrizó por debajo del 10%.
Pese a eso, el 90% está aumentando el presupuesto otra vez, y el 44% —el grupo mayoritario— financiará la próxima ola con los ahorros de la anterior. Es decir, con dinero que la misma encuesta muestra que no llegó.
El detalle que casi nadie nota está en la barrera número uno: el acceso a los datos lo citan más las empresas que sí cumplieron sus metas que las que fallaron, 44% frente a 40%. Son dos cifras distintas del mismo informe.
De modo que el obstáculo más mencionado del estudio es justamente el que no separa a unas de otras.
La pregunta para cualquier director financiero deja de ser cuánto ahorró la IA y pasa a ser contra qué línea del estado de resultados se validó ese ahorro antes de aprobar el siguiente.
La pregunta que este artículo no responde
Usted puede saber con exactitud cuánto ahorró su último programa de automatización. Lo que este artículo no puede decirle es cuánta de la capacidad que ese programa liberó sigue circulando dentro de su operación sin llegar a ninguna línea de su estado de resultados.
La auditoría dice cuánto faltó. La validación dice dónde se fue.
César Lozano — CEO, Digital Change Advisors
Su propia cifra: el AI Return Test de Digital Change Advisors mide la distancia entre la productividad que su equipo ya está produciendo con inteligencia artificial y el resultado que su organización está registrando. Treinta minutos o menos. El resultado es un diagnóstico equivalente al de una sesión de consultoría de alto valor.
Mide tu propia brecha con el AI Return Test →
