Casi nueve de cada diez encuestados en la encuesta State of AI 2026 de McKinsey (1.719 participantes, realizada de mayo a junio de 2026) reportan un uso regular de IA en al menos una función del negocio. Cerca de cuatro de cada diez (37%) dicen que la IA ha contribuido positivamente al EBIT de su organización.

La buena noticia es que la investigación apunta en una dirección consistente.
La adopción de IA es el trabajo de cambiar la forma en que operan las personas y los flujos de trabajo para que la IA produzca un resultado de negocio medible. Suele sostenerse cuando el liderazgo toma seis decisiones en orden, empezando por quién es responsable del resultado.
El orden importa. Si su organización empezó por la mitad, con herramientas ya en manos de la gente, vuelva al primer principio antes de sumar otra licencia.
Cada principio viene con su evidencia y con la señal de que se está omitiendo. Una autoevaluación de seis preguntas muestra por dónde empezar.
¿Cuáles son los seis principios de adopción de IA?
Los seis principios de adopción de IA son: que el liderazgo se haga responsable de un resultado de negocio, salvaguardas tempranas, rediseño del flujo de trabajo antes de automatizar, una lista corta de casos de uso priorizados, impacto medido e inversión en las personas. Los principios se aplican en ese orden, y cada uno depende del anterior.
La tabla muestra qué decide el liderazgo en cada principio y la señal de que ese principio falta.
| Principio | Qué decide el liderazgo | Señal de que se está omitiendo |
|---|---|---|
| 1. El liderazgo es responsable de un resultado de negocio | Para qué resultado es la IA, y quién responde por él | La IA queda en manos de TI como un despliegue de herramientas |
| 2. Las salvaguardas llegan temprano | Herramientas aprobadas, datos protegidos, a quién preguntar | El personal usa cuentas personales de IA para el trabajo de la empresa |
| 3. El rediseño va antes que la automatización | Cómo debería funcionar el proceso si se diseñara hoy | El proceso de siempre sigue igual, solo más rápido |
| 4. Primero, unos pocos casos de uso | Cuáles dos o tres llegan a producción | Una docena de pilotos, ninguno en producción |
| 5. El impacto se mide | La línea base, la métrica, la fecha de revisión | Los resultados se cuentan con anécdotas |
| 6. Las personas reciben tiempo y capacitación | A quién se capacita, y en qué flujo de trabajo | Se asignan licencias y el uso sigue bajo |

El marco SCALE℠ de Pisteyo cubre el mismo terreno como cinco pilares que tienen que avanzar juntos. Los seis principios lo plantean como una secuencia de decisiones de liderazgo. En Pisteyo, al camino completo, desde la alineación del liderazgo hasta la gestión del cambio, lo llamamos el Happy Path.
1. Vincule la IA a un resultado de negocio del que el liderazgo sea responsable
La adopción de IA empieza con un ejecutivo con nombre y apellido que es responsable de un resultado de negocio específico, como reducir el tiempo de respuesta de las reclamaciones o cotizar más rápido. Que el liderazgo se haga responsable es uno de los patrones más claros en los datos de las encuestas. Las organizaciones de alto desempeño en IA de la encuesta de McKinsey de 2026 tienen el doble de probabilidad que los demás encuestados de decir que sus líderes sénior demuestran compromiso con las iniciativas de IA.
Investigaciones anteriores apuntan en la misma dirección:
- El informe de McKinsey de 2025 encontró que la supervisión de la gobernanza de IA por parte del CEO fue uno de los elementos más correlacionados con un mayor impacto autorreportado de la IA generativa en los resultados financieros.
- El acuerdo va por delante de la acción. En el 2024 Work Trend Index de Microsoft y LinkedIn, el 79% de los líderes coincidió en que la adopción de IA es fundamental para seguir siendo competitivos, y el 60% dijo que su empresa no tenía una visión ni un plan para implementarla.

Los proyectos de Pisteyo empiezan por alinear al liderazgo. Los objetivos ejecutivos, las salvaguardas y los criterios de éxito se definen antes de cambiar cualquier herramienta o flujo de trabajo.
Una herramienta elegida antes de esa conversación no tiene un resultado contra el cual medirse.
Elija primero el resultado y después al responsable. Un buen primer resultado pasa tres pruebas:
- El negocio ya lo mide
- Pertenece a una sola función, de modo que un ejecutivo puede responder por él
- Puede mostrar un resultado dentro de un trimestre
Luego nombre al responsable: el ejecutivo que ya responde por esa cifra. Un patrocinador sin autoridad sobre el proceso no puede cambiar cómo funciona.
Ser responsable no significa que el CEO dirija el proyecto. Un ejecutivo tiene que responder por el resultado y poder despejar obstáculos este trimestre.
2. Fije salvaguardas antes de que el uso se extienda más
Las salvaguardas de IA son el conjunto breve de reglas que les dice a los empleados qué herramientas están aprobadas, qué datos no deben entrar en ellas y a quién preguntar cuando tengan dudas. Las salvaguardas van al inicio de la adopción de IA porque los empleados suelen empezar a usar herramientas de IA antes de que la empresa tenga reglas para ellas.
El 2024 Work Trend Index encuestó a 31.000 personas en 31 países y se publicó en mayo de 2024. Encontró que el 75% de los trabajadores del conocimiento usaba IA en el trabajo y que el 78% de esos usuarios llevaba sus propias herramientas.
Una primera versión viable cabe en una página:
- Herramientas aprobadas y cómo obtener acceso
- Datos que nunca deben ingresarse
- Requisitos de revisión para todo lo que llegue al cliente
- Un contacto con nombre y apellido para resolver dudas

Acompañe la página con una base común de entendimiento sobre IA, para que la gente sepa por qué existen las reglas.
Tratamos las salvaguardas como un habilitador: quien sabe qué está permitido deja de adivinar y empieza a usar las herramientas.
Una página es un punto de partida. Los registros de salud, financieros y estudiantiles necesitan una revisión legal y de cumplimiento que va más allá.
3. Rediseñe el flujo de trabajo antes de automatizarlo
Rediseñar el flujo de trabajo significa cambiar cómo funciona un proceso antes de sumarle IA. El rediseño es mucho más común entre las organizaciones que ven resultados financieros: casi tres cuartas partes de las organizaciones de alto desempeño en IA de la encuesta de McKinsey de 2026 reportan haber rediseñado de fondo sus flujos de trabajo, frente a cerca de una cuarta parte de los demás encuestados.

El informe de 2025 de McKinsey encontró que, de 25 atributos evaluados, el rediseño de los flujos de trabajo tuvo el mayor efecto en la capacidad de una organización de ver impacto de la IA generativa en el EBIT.
En ese momento, el 21% de los encuestados cuyas organizaciones usaban IA generativa dijo que al menos algunos flujos de trabajo se habían rediseñado de fondo.
Antes de que Pisteyo construya algo, hacemos lo que llamamos la pregunta de la varita mágica:
Si pudiera diseñar este proceso desde cero, ignorando los sistemas y las restricciones actuales, ¿cómo sería?
Luego preguntamos cuánto de ese estado futuro puede entregar la IA hoy.
No hagamos más rápidos los malos procesos.

El rediseño funciona mejor en unidades pequeñas. Para la organización de servicio de un proveedor de salud, Pisteyo desplegó capacidades de IA un flujo de trabajo acotado a la vez, cada uno con supervisión humana.
Una de ellas es un agente de voz que atiende las llamadas rutinarias de proveedores sobre elegibilidad y estado de reclamaciones, descrito en los casos de éxito.
La misma regla vale cuando la IA no es la solución principal. Una empresa global de capacitación recibía las inscripciones mediante formularios de texto libre, y cerca de tres de cada cuatro necesitaban que un coordinador corrigiera datos, conciliara cuentas o ajustara facturas, con 4,5 a 6,5 minutos por cada una. Pisteyo reconstruyó el proceso para que los datos clave se verifiquen al ingresarlos y los pedidos pasen directamente a los sistemas de ventas y finanzas. Los siete mercados entraron en operación en un despliegue de nueve semanas.
Algunos procesos están bien y solo son lentos. Automatícelos tal como están y siga adelante.
4. Priorice unos pocos casos de uso según la rapidez con que generan valor
Priorizar en la adopción de IA significa elegir dos o tres casos de uso y llevarlos a producción antes de empezar otros. Las organizaciones que más provecho sacan de la IA hacen menos cosas. El estudio de BCG de 2024 con 1.000 altos ejecutivos, Where's the Value in AI?, encontró que los líderes en IA persiguen cerca de la mitad de las oportunidades que sus pares menos avanzados.
El mismo estudio encontró:
- El 74% de las empresas aún no había mostrado valor tangible de la IA.
- Los líderes apuntaron al centro del negocio. Generaron el 62% de su valor de IA en los procesos centrales del negocio.

Ordene los casos de uso candidatos según tres cosas:
- Valor en juego
- Preparación de los datos y del proceso
- Tiempo hasta un primer resultado
Luego organice el trabajo por etapas. Lo llamamos gatear, caminar, correr. Empiece con trabajo práctico y de alto valor que produzca una victoria temprana, y luego avance hacia una automatización más profunda y agentes.

Los proyectos de Pisteyo siguen esta regla. Los primeros 90 días llevan un caso de uso a producción, medido y reportado.
Un taller para el liderazgo produce el backlog priorizado, y el marco PROPEL℠ lleva el primer elemento hasta una solución en funcionamiento.
Una lista corta implica decirles que no, por ahora, a buenas ideas. Mantenga el resto en un backlog visible para que quienes las propusieron sepan que fueron escuchados.
5. Mida el impacto y luego decida qué hacer con el tiempo
Medir el impacto de la IA significa fijar una línea base antes del lanzamiento, dar seguimiento a un número reducido de métricas operativas y reportar los resultados en una fecha fija. La medición es poco común. En el informe de McKinsey de 2025, dar seguimiento a KPI bien definidos para la IA generativa tuvo el mayor impacto en los resultados financieros entre las 12 prácticas de adopción y escalamiento evaluadas. Menos de uno de cada cinco encuestados dijo que su organización lo hacía.
Elija métricas que al negocio ya le importan:
- Tiempo de ciclo
- Volumen procesado
- Tasa de errores
- Costo por transacción
- Horas devueltas al equipo
Reporte los resultados medidos por separado de las estimaciones, y cuente lo que cuesta operar la IA.
Un ejemplo que usamos con equipos directivos: $50.000 que no producen retorno no son una mejor inversión que $100.000 que generan $300.000 en valor medible. Sin una línea base, no se puede saber cuál de las dos compró.
La medición también plantea una pregunta estratégica.
La pregunta no es si ahorró el tiempo. La pregunta es qué hará con él.
La capacidad liberada puede destinarse a más volumen, un servicio más rápido o trabajo nuevo, y esa decisión le corresponde al liderazgo.

Las horas son una medida entre varias. La calidad y el apoyo a las decisiones necesitan las suyas, como las tasas de errores o el retrabajo.
6. Invierta en las personas: alfabetización en IA y gestión del cambio
Invertir en las personas significa dar a los empleados capacitación específica para su rol, tiempo para practicar con su propio trabajo y una imagen clara de cómo cambian sus roles. El lado de las personas es donde debe ir la mayor parte del esfuerzo de adopción: los líderes en IA de BCG destinan el 10% de sus recursos a algoritmos, el 20% a tecnología y datos, y el 70% a personas y procesos.

La encuesta de McKinsey de 2026 muestra dónde se tensiona la adopción. El 47% de los mandos medios y colaboradores individuales dice haber experimentado un efecto negativo de la IA, frente al 31% de los ejecutivos y gerentes sénior.

La capacitación funciona cuando usa el flujo de trabajo de la propia persona.
Diseñamos para el momento ajá: el punto en que alguien deja de ver la IA como una novedad y ve cómo mejora su trabajo. Hasta ese momento, la adopción no ocurre.
La alfabetización en IA tiene un efecto multiplicador. Los primeros usuarios con confianza se convierten en las personas a quienes sus equipos piden ayuda. El trabajo de gestión del cambio de IA de Pisteyo desarrolla a esos referentes internos de forma intencional.
La gente va a preguntar qué significa la IA para su trabajo. Responda de forma directa.
Nuestra visión es que la IA amplía lo que las personas son capaces de hacer, y que los líderes deben decir qué cambia en cada rol y qué no.
¿Qué principio se está saltando su organización?
La forma más rápida de encontrar un punto de partida es responder seis preguntas de sí o no con su equipo directivo, en orden. El primer "no" marca el principio de adopción de IA en el que hay que trabajar primero, porque cada principio depende de los anteriores.
- ¿Puede cada ejecutivo nombrar el resultado de negocio para el que es la IA, y a la persona responsable de él?
- ¿Saben los empleados qué herramientas de IA están aprobadas y qué datos no deben entrar en ellas?
- ¿Ha cambiado de forma al menos un proceso gracias a la IA?
- ¿Hay tres o menos iniciativas de IA activas, cada una con un camino a producción?
- ¿Tiene al menos una iniciativa una línea base y un resultado medido?
- ¿Se ha capacitado a las personas que hacen el trabajo en su propio flujo de trabajo?

Preste atención a dos patrones:
- El primer "no" es la pregunta 1, y las herramientas ya están desplegadas. Empezó por la mitad, que es más lejos de lo que llega la mayoría. Conecte lo que ya construyó con la estrategia antes de expandir.
- Las preguntas 1 a 4 son "sí" y la pregunta 5 es "no". Detenga las iniciativas nuevas hasta que se mida un resultado.
¿Cuándo hay que ajustar estos principios?
Los seis principios de adopción de IA se ajustan a organizaciones con procesos repetibles y volumen suficiente para que las pequeñas mejoras sumen. Hay tres salvedades: los equipos muy pequeños pueden comprimir los primeros pasos, las industrias reguladas necesitan salvaguardas antes de cualquier piloto, y la evidencia de las encuestas es correlacional.
- Equipos muy pequeños: Una empresa de diez personas puede resolver los principios 1 y 2 en una sola conversación y saltarse la priorización formal.
- Industrias reguladas: Las salvaguardas van antes de cualquier piloto, con el área de cumplimiento en la sala desde el inicio.
- La evidencia: Las encuestas citadas aquí son autorreportadas y correlacionales. Las organizaciones de alto desempeño rediseñan sus flujos de trabajo con más frecuencia, y una encuesta no puede probar que el rediseño haya causado sus resultados. Use las cifras para decidir a dónde va primero el esfuerzo.
Por dónde empezar
Haga las seis preguntas en su próxima reunión de liderazgo. Si las respuestas son claras, ya tiene su principio de partida y puede actuar sobre él con o sin nosotros.
Si en la sala no hay acuerdo sobre la pregunta 1, tenga primero esa conversación.
El briefing ejecutivo de IA de Pisteyo está hecho para eso: una sesión privada y gratuita de 60 minutos para su equipo directivo, construida alrededor de su industria. La sesión cubre:
- Dónde está su sector con la IA
- Los caminos estratégicos que tiene a su alcance
- Lo que su junta directiva necesita saber sobre gobernanza
- Un marco inicial que puede usar de inmediato
Es una conversación de estrategia para quienes toman las decisiones, y está diseñada para equipos ejecutivos. El personal que busca capacitación práctica en herramientas necesita un formato distinto.
Agende un briefing ejecutivo de IA
Preguntas frecuentes
¿Cuál es la diferencia entre adopción de IA e implementación de IA?
La implementación de IA es lograr que una herramienta o solución funcione. La adopción de IA es que las personas la usen en su trabajo diario para que cambien los resultados del negocio.
Una implementación puede terminar a tiempo y aun así no producir adopción si el flujo de trabajo sigue igual.
¿Cuánto tarda la adopción de IA?
Planee un primer resultado medido en unos 90 días, y luego expanda por etapas. Los proyectos de Pisteyo están diseñados para llevar un caso de uso a producción, medido y reportado, dentro de los primeros tres meses.
La adopción en toda la organización toma más tiempo, y su ritmo depende de cuántos flujos de trabajo cambien.
¿Necesitamos datos limpios antes de empezar?
No para todos los casos de uso. Algunos casos de uso necesitan datos limpios y estructurados, y otros no. Los primeros casos de uso, como redactar, investigar y resumir, se apoyan en documentos y conocimiento que la organización ya tiene.
La automatización que depende de datos de sistemas necesita primero una revisión de preparación, como parte de la priorización.
Fuentes
- McKinsey & Company, The state of AI in 2026: On the road to ROI, 25 de agosto de 2026.
- McKinsey & Company, The state of AI: How organizations are rewiring to capture value, 12 de marzo de 2025.
- Boston Consulting Group, Where's the Value in AI?, octubre de 2024.
- Microsoft y LinkedIn, 2024 Work Trend Index, 8 de mayo de 2024.
