Apollo cuestiona el retorno de la IA: no observa mejoras financieras fuera de las grandes tecnológicas

La inteligencia artificial concentra inversiones, expectativas y planes de expansión en numerosos sectores. Sin embargo, el interés empresarial por la tecnología no siempre se traduce en mejores resultados financieros. La advertencia de Apollo sobre la falta de mejoras visibles fuera de las grandes tecnológicas vuelve a poner el foco en una cuestión central: cuánto valor económico está generando realmente la IA para las compañías que la incorporan.

El entusiasmo por la IA no garantiza beneficios

La adopción de herramientas de inteligencia artificial se ha extendido desde los laboratorios y las empresas tecnológicas hacia actividades como las finanzas, el comercio, la atención al cliente, la industria y los servicios profesionales. En muchos casos, las organizaciones prueban asistentes, sistemas de análisis o automatizaciones con la expectativa de reducir costes y acelerar procesos.

Pero implementar una herramienta no equivale a mejorar las cuentas. Para que la inversión tenga un efecto financiero reconocible, la empresa debe integrarla en tareas relevantes, ajustar sus procesos y conseguir que los empleados la utilicen de forma efectiva. También necesita evaluar los costes asociados, que pueden incluir infraestructura, licencias, seguridad, formación y supervisión humana.

La posición atribuida a Apollo plantea una diferencia entre la promesa tecnológica y la evidencia económica. Las grandes plataformas digitales cuentan con productos, infraestructura y experiencia técnica que pueden facilitar la comercialización de la IA. Para una compañía de otro sector, el camino suele ser menos directo: puede obtener mejoras operativas, pero convertirlas en ingresos adicionales o ahorros sostenidos requiere cambios más amplios.

Por qué las grandes tecnológicas parten con ventaja

Las compañías tecnológicas de gran escala ocupan una posición particular en el mercado de la IA. Algunas desarrollan modelos y servicios, mientras que otras controlan centros de datos, plataformas en la nube, canales de distribución o productos digitales que pueden incorporar nuevas funciones. Esa combinación les permite participar en distintos eslabones de la cadena de valor.

La infraestructura es un factor decisivo. Entrenar y operar sistemas avanzados exige capacidad de computación, redes, almacenamiento y equipos especializados. Las empresas que ya ofrecen servicios en la nube pueden vender parte de esos recursos a otras organizaciones. También pueden integrar funciones de IA en productos que tienen una base amplia de clientes, lo que facilita probar nuevas vías de negocio.

Esta ventaja no significa que todos los proyectos tecnológicos generen beneficios ni que los ingresos estén asegurados. El desarrollo y la operación de modelos implican inversiones considerables, y la competencia puede presionar los precios. Aun así, las grandes tecnológicas pueden repartir ciertos costes entre varios productos y clientes. Una empresa pequeña o de un sector tradicional quizá no tenga esa posibilidad y deba asumir un gasto específico para resolver un problema concreto.

Ingresos directos y mejoras internas

Conviene separar dos formas de retorno. La primera consiste en vender servicios de IA, acceso a modelos o capacidad de computación. La segunda es utilizar esas herramientas dentro de la propia organización para trabajar con más eficiencia. En el primer caso, el resultado puede aparecer como una nueva fuente de ingresos. En el segundo, el efecto depende de si el ahorro supera el coste de la tecnología y de su integración.

Las grandes empresas tecnológicas pueden combinar ambas vías. Una firma de otro sector, en cambio, podría limitarse a comprar herramientas y esperar que mejoren la productividad. Esa mejora no siempre se refleja de inmediato en los estados financieros: puede traducirse en tiempos de respuesta más cortos o en una atención más consistente, sin elevar las ventas ni reducir la plantilla de forma automática.

La brecha entre una prueba y una transformación empresarial

Muchas iniciativas de IA empiezan con programas piloto. Estos permiten explorar casos de uso y detectar limitaciones, pero sus resultados no bastan para demostrar que una solución funciona a escala. Una herramienta puede rendir bien en un grupo reducido y presentar problemas al conectarse con los sistemas de toda la compañía o al enfrentarse a información incompleta.

Para pasar de la prueba a la operación, hacen falta datos adecuados, reglas claras y responsables que revisen el desempeño. La empresa debe definir qué tareas puede ejecutar el sistema, cuándo necesita una validación humana y cómo se gestionan los errores. Sin esas medidas, la automatización puede trasladar el trabajo a otra parte del proceso en vez de eliminarlo.

También importa la naturaleza de cada actividad. Las tareas repetitivas y basadas en información estructurada pueden ser más sencillas de automatizar que los trabajos que requieren criterio, responsabilidad legal o trato delicado con clientes. Incluso en labores aparentemente rutinarias, los errores pueden tener consecuencias si la herramienta produce resultados incorrectos y no existe un control eficaz.

• Coste total: incluye el acceso al servicio, la computación, la integración y el mantenimiento.
• Calidad de los datos: la información desordenada o incompleta reduce la utilidad de los resultados.
• Adopción interna: los equipos necesitan formación y procesos que incorporen la herramienta de forma clara.
• Medición: la empresa debe comparar el rendimiento con una situación de referencia y revisar los efectos secundarios.

El retorno puede existir sin ser visible en las cuentas

La ausencia de una mejora financiera clara no prueba por sí sola que la IA carezca de utilidad. Algunos beneficios son difíciles de medir o aparecen de forma indirecta. Una respuesta más rápida a una consulta, una búsqueda interna más eficiente o una reducción de tareas repetitivas pueden mejorar la experiencia de empleados y clientes sin producir un aumento inmediato de ingresos.

También hay un desfase entre la adopción y los resultados. La incorporación de una herramienta puede exigir rediseñar funciones, cambiar responsabilidades y revisar sistemas. Durante esa transición, los costes pueden aparecer antes que los ahorros. Si la empresa detiene la evaluación demasiado pronto, podría no reconocer una mejora gradual; si mantiene una inversión sin objetivos ni controles, corre el riesgo de financiar una iniciativa sin retorno suficiente.

Por eso, la valoración exige distinguir entre métricas de actividad y resultados de negocio. El número de usuarios que accede a una aplicación o la cantidad de tareas procesadas indican uso, pero no prueban por sí mismos que haya aumentado la productividad. Para analizar el impacto conviene observar indicadores ligados a objetivos concretos, como el coste por operación, los tiempos de resolución, la calidad del servicio o la tasa de errores.

Qué debería medir una empresa

Una evaluación útil parte de un problema definido. En lugar de adoptar la IA por presión competitiva, una organización puede identificar una tarea costosa, lenta o propensa a errores y comprobar si la tecnología la mejora. La comparación debe incluir los recursos necesarios para mantener la solución y los riesgos que introduce.

El análisis también debe contemplar los cambios en el trabajo cotidiano. Si una herramienta ahorra tiempo, la empresa necesita decidir cómo utilizar ese margen: atender más solicitudes, reducir demoras, mejorar la calidad o reasignar personal. Sin una decisión operativa, la productividad potencial puede no convertirse en un resultado económico reconocible.

Una lectura prudente para el mercado

La observación de Apollo invita a moderar las expectativas sin descartar el potencial de la inteligencia artificial. La tecnología puede transformar actividades y abrir oportunidades, pero sus efectos varían según el sector, el tamaño de la empresa y la capacidad de integrar soluciones en procesos reales. No hay una relación automática entre disponer de una herramienta avanzada y aumentar los beneficios.

Para los inversores, la diferencia entre expectativa y rendimiento es especialmente relevante. El interés por la IA puede elevar la atención sobre las compañías que participan en su desarrollo, pero la evaluación de cada negocio también depende de los ingresos que consigue, los costes que asume y la sostenibilidad de su ventaja. En empresas que utilizan IA sin venderla, el análisis debe centrarse en si la adopción mejora de manera verificable la operación.

Para los directivos, el desafío consiste en elegir proyectos con objetivos medibles y evitar despliegues motivados únicamente por la novedad. La prudencia no implica frenar toda experimentación. Supone probar soluciones con alcance controlado, conocer sus límites y ampliar su uso cuando exista evidencia de que resuelven un problema mejor que las alternativas.

El debate sobre el retorno de la IA seguirá dependiendo menos de las promesas generales que de los resultados por empresa y por actividad. Las grandes tecnológicas pueden capturar valor mediante la infraestructura y la venta de servicios; el resto deberá demostrar que la adopción produce mejoras suficientemente concretas para justificar sus costes. Esa diferencia explica por qué el entusiasmo del mercado todavía puede convivir con dudas sobre el impacto financiero fuera de un grupo reducido de compañías.