Balance de IA 2026: qué funcionó de verdad y qué decepcionó

El balance de IA de 2026 para empresas se puede resumir sin rodeos: funcionó todo lo que tenía volumen alto, criterio estable y una métrica antes de empezar —extracción de documentos, atención al cliente de primer nivel, seguimiento comercial, redacción y traducción operativa— y decepcionó casi todo lo que se vendió como "un agente que gestiona el departamento". El año no ha separado buenas y malas tecnologías; ha separado buenos y malos alcances.

Este artículo es una retrospectiva honesta, incluidos nuestros propios errores. Somos nuestro primer cliente: operamos varios negocios con agentes que construimos nosotros, así que la mitad de lo que viene son cosas que aprendimos pagándolas. Si buscas una lista de casos de éxito impecables, no es este artículo. Si buscas saber dónde poner el presupuesto de 2027, sigue leyendo.

¿Qué casos de uso demostraron ROI de verdad en 2026?

Los que cumplían tres condiciones a la vez: volumen suficiente para que el ahorro se note, criterio estable escribible en reglas y una línea base medida antes de empezar. Cuando faltaba una de las tres, el proyecto podía funcionar técnicamente y aun así no demostrar nada.

La lectura que nos llevamos del año es que el eje que predice el éxito no es la sofisticación técnica: es lo acotado que esté el problema. Los agentes más "tontos" —los que hacen una cosa concreta muy bien— fueron los que más dinero movieron.

¿Qué decepcionó y por qué?

Decepcionaron tres familias de proyectos, y en las tres el fallo estaba en el planteamiento, no en el modelo.

Los proyectos sin línea base. Es el fallo número uno del año, con diferencia. Sin medir antes cuántas horas costaba el proceso, cuántos errores tenía y cuánto tardaba, al final del piloto nadie puede decir si mejoró. Y lo que no se puede demostrar, no se renueva: hemos visto agentes que funcionaban bien morir en la reunión de presupuesto porque nadie tenía la cifra del "antes".

Los proyectos sin dueño. Un agente necesita una persona del negocio —no de informática— que revise excepciones, apruebe cambios y decida cuándo ampliar su autonomía. Los proyectos donde ese rol no existía terminaron igual: el agente se desajustó, nadie lo corrigió, el equipo dejó de fiarse y volvió a hacerlo a mano "mientras tanto". Ese "mientras tanto" dura para siempre.

Los proyectos que automatizaron el caos. Poner un agente sobre un proceso que no está escrito multiplica el desorden a más velocidad. Lo aprendimos con un proceso interno propio: automatizamos una parte que dependía de convenciones que solo estaban en la cabeza de dos personas, y el resultado fue que el agente ejecutó a la perfección un proceso que era malo. El proyecto tuvo que pararse tres semanas para escribir las reglas que faltaban. Ese trabajo, por cierto, era la mitad del valor.

El resumen de qué no automatizar sigue siendo el mismo que publicamos y que el año ha confirmado punto por punto: procesos sin reglas, decisiones con consecuencias irreversibles y relaciones que dependen de la confianza. Lo desarrollamos en cuándo no automatizar con IA.

¿Qué aprendimos operando nuestros propios negocios?

Cinco lecciones que nos costaron dinero o tiempo y que ahora aplicamos por defecto en todos los proyectos:

1. Empezar por lo aburrido paga más. Nuestro mejor retorno del año no vino de nada espectacular, sino de automatizar la preparación de informes y el cruce de datos entre herramientas. Poco vistoso, muchas horas recuperadas cada semana.
2. El coste de inferencia se controla con arquitectura, no con disciplina. Enrutar por niveles —modelos pequeños para clasificar y extraer, grandes solo donde hay razonamiento— recorta la factura de modelo entre un 50 y un 80%. Confiar en "usarlo con cabeza" no recorta nada.
3. La supervisión hay que diseñarla, no improvisarla. El patrón que mejor nos funciona es el de aprobación explícita: el agente propone, una persona valida, y la revisión se va reduciendo conforme la precisión se demuestra. Sin ese dial, o revisas todo para siempre o dejas de revisar de golpe.
4. Un agente sin panel de coste es un agente que se te va de las manos. Nos pasó: un proceso duplicó su consumo por un contexto que crecía sin control y tardamos semanas en verlo. Ahora ningún agente entra en producción sin coste por proceso visible.
5. Apagar es una decisión legítima. Hemos retirado agentes propios porque el proceso cambió o porque el ahorro no compensaba el mantenimiento. No es un fracaso; es higiene de parque, y libera fee, inferencia y atención para lo siguiente.

¿Cómo se mide si un proyecto de IA funcionó?

Con cuatro números tomados antes y después, y ninguno de ellos es "satisfacción del equipo". La satisfacción importa para la adopción, pero no demuestra retorno:

• Horas dedicadas al proceso por semana, contadas de forma realista incluyendo correcciones y reprocesos.
• Volumen procesado en el mismo periodo, para poder comparar por unidad y no en total.
• Tasa de excepciones: qué porcentaje sale del camino feliz y necesita intervención humana. Es la métrica que mejor predice si el ahorro se sostiene.
• Coste total por unidad procesada, incluyendo fee de mantenimiento e inferencia, no solo el ahorro bruto de horas.

Con esos cuatro, la conversación de renovación dura diez minutos y se decide con datos. Sin ellos, dura una hora y la gana quien hable con más convicción. El marco completo de cálculo está en nuestra guía de ROI de la inteligencia artificial en la empresa.

¿Qué ha cambiado en el mercado durante 2026?

Tres cosas que conviene tener presentes al planificar el año siguiente, con la fecha de verificación de este texto: agosto de 2026.

La transparencia dejó de ser opcional. Desde el 2 de agosto de 2026 aplican las obligaciones de transparencia del Reglamento Europeo de IA: informar de que se interactúa con un sistema de IA y marcar el contenido generado. Muchas empresas llegaron tarde a esto por considerarlo un tema legal lejano; es trabajo de horas y ya es exigible.

El precio por token siguió bajando y la factura siguió subiendo. Es la paradoja del año: las tarifas de lista de los proveedores bajan y ofrecen descuentos grandes por lotes y por caché, pero el consumo crece más rápido cuando el agente funciona y se le da más trabajo. Presupuestar la bajada de precios sin presupuestar el crecimiento de uso fue un error común.

El listón de la compra subió. A finales de 2026 ya casi nadie compra una demo. Se pide ver un proceso operando, su tasa de excepciones y su coste por ejecución. Es una buena noticia: filtra a los proveedores que venden capacidad genérica y favorece a los que enseñan sistemas en producción.

¿Qué haríamos distinto en 2027?

Tres cambios concretos, sacados directamente de los errores de este año:

1. Medir antes de construir, siempre. Una semana de medición de línea base antes de escribir una línea de código. No es burocracia: es lo que hace que el proyecto se renueve al año siguiente.
2. Reducir el alcance del primer despliegue a la mitad. Todos los proyectos que se nos complicaron habían empezado por un alcance demasiado ambicioso. Un agente que hace una cosa en producción vale más que tres que están casi listos.
3. Nombrar al dueño del proceso antes que al proveedor. Si nadie del negocio tiene horas protegidas para supervisar el agente, el proyecto no debería arrancar. Es el filtro más útil que hemos incorporado, y ha hecho que digamos que no a algún encargo.

Los patrones de fallo que hemos visto repetirse este año coinciden casi punto por punto con lo que ya habíamos recopilado en errores de la transformación AI-First, con un matiz nuevo: en 2026 el problema ya no es que la tecnología no llegue, es que la organización no está preparada para operarla. Si quieres revisar tu balance del año y ordenar el plan del siguiente con alguien que opera estos sistemas cada semana, así trabajamos desde nuestra agencia de inteligencia artificial en Madrid.

Preguntas frecuentes

¿Fue 2026 un buen año para invertir en IA?

Fue un buen año para invertir en procesos acotados y un mal año para invertir en promesas de plataforma. La diferencia de resultados entre ambos grupos es enorme, y no dependió del presupuesto: hemos visto proyectos de 6.000€ con retorno claro y proyectos mucho mayores sin una sola métrica que enseñar.

¿Qué caso de uso recomendaríais a quien empieza en 2027?

El que tengas con más volumen y menos criterio: extracción de datos de documentos, respuesta a leads entrantes o cruce de información entre dos sistemas. Son casos con ahorro medible en semanas, riesgo bajo y una curva de aprendizaje que el equipo puede reutilizar después en todo lo demás.

¿Es cierto que la mayoría de los pilotos de IA fracasan?

Los análisis de consultora publicados en 2026 sitúan entre el 80% y el 90% los pilotos de agentes que no llegan a operar de forma estable. Trátalos como encuestas, no como leyes físicas. Lo que sí coincide con nuestra experiencia es la causa: casi ningún fracaso es técnico, la mayoría son de alcance, propiedad y medición.

¿Cuánto tarda en verse el retorno de un proyecto de IA?

Las métricas operativas —tiempo de respuesta, volumen procesado— se mueven en días. Las métricas de negocio necesitan entre 4 y 8 semanas de datos para leerse con seriedad. Si a las 8 semanas no hay ninguna cifra que haya mejorado de forma clara, el problema está en el diseño y conviene pararlo en vez de esperar.

¿Qué hacemos con un agente que ya no aporta?

Apagarlo, documentar por qué y reutilizar lo aprovechable: integraciones, base de conocimiento, reglas escritas. Mantener agentes por inercia consume fee, inferencia y —lo más caro— la atención de la persona que debería estar supervisando el siguiente.