Desde la burbuja de la IA hasta el auge de GenAI como herramienta organizacional, estas son las tendencias que los líderes deben tener en cuenta este año.
Hoy en día, las organizaciones tienden a cambiar mucho más lentamente que la tecnología de IA. Esto significa que pronosticar la adopción de IA por parte de las empresas es un poco más fácil que predecir el cambio tecnológico en este tercer año haciendo predicciones sobre IA.
Ninguno de nosotros es informático ni cognitivo, por lo que generalmente evitamos pronosticar sobre la tecnología de IA o las formas específicas en que nos arruinará el cerebro (¡aunque prevemos que será un fenómeno continuo!).
MIT SMR México se financia mediante anuncios y sociosSin embargo, la IA parece haber dejado de ser una simple tecnología para convertirse en el principal motor del crecimiento económico y del mercado bursátil. Aunque no somos economistas ni analistas de inversiones, eso no nos impedirá hacer nuestra primera predicción.
Pionero, trendy o seguidor, ¿qué rol quieres en 2026?
Estas son las tendencias emergentes de IA para 2026 que los líderes deben comprender y estar preparados para actuar.
El año pasado, el elefante en la habitación de la IA fue el auge de la IA agéntica (y sigue dando que hablar; véase más abajo). Este año, es la burbuja de la IA la que ha monopolizado el debate: ¿Existe una? De ser así, ¿cuándo estallará? ¿El dinero se irá rápido o despacio? ¿Y cuáles son las implicaciones para la economía en general y el uso continuo de la IA?
Ambos llevamos un tiempo en esto y recordamos la deflación de la burbuja puntocom. Es difícil no ver las similitudes con la situación actual, incluyendo las altísimas valoraciones de las startups, el énfasis en el crecimiento de usuarios (¿recuerdan “ojos”?) por encima de las ganancias, el revuelo mediático, la costosa construcción de infraestructura, etcétera.
¿Estallará esta burbuja? Nos parece inevitable que lo haga, y probablemente pronto. No hará falta mucho para que suceda: un mal trimestre para un proveedor importante, un modelo chino de IA mucho más económico e igual de eficaz que los modelos estadounidenses (como vimos con la primera “caída” de DeepSeek en enero de 2025), o algunas reducciones del gasto en IA por parte de grandes empresas.
Esperamos que la deflación sea gradual, lo que podría significar que el mercado bursátil en general tendría tiempo para ajustarse y que los inversionistas retirarían de sus carteras a algunos de los proveedores de IA con precios altamente inflados.
Una caída gradual también nos daría un respiro a todos, con más tiempo para que las empresas absorban las tecnologías que ya tienen y para que los usuarios de IA busquen soluciones que no requieran más gigavatios que todas las luces de Manhattan.
Ambos compartimos la versión de la IA de la Ley de Amara, que afirma:
“Tendemos a sobreestimar el efecto de una tecnología a corto plazo y a subestimar su efecto a largo plazo”.
Creemos que la IA es y seguirá siendo una parte importante de la economía global, pero que hemos sucumbido a la sobreestimación a corto plazo. La industria de la IA y el mundo en general probablemente se beneficiarían de una pequeña y lenta fuga de la burbuja.
Las empresas que apuestan por la IA como ventaja competitiva continua están implementando infraestructura para acelerar el desarrollo de modelos de IA y casos de uso.
No nos referimos a construir grandes centros de datos con decenas de miles de GPU; eso generalmente lo hacen los proveedores. Pero las empresas que utilizan IA en lugar de venderla están creando “fábricas de IA”: combinaciones de plataformas tecnológicas, métodos, datos y algoritmos previamente desarrollados que agilizan y facilitan la creación de sistemas de IA.
Los principales bancos adoptaron este enfoque hace varios años. Contaban con una gran cantidad de datos y numerosas aplicaciones potenciales en áreas como la toma de decisiones crediticias y la prevención del fraude.
Las empresas que carecen de infraestructura interna obligan a sus científicos de datos y profesionales de la IA a replicar el arduo trabajo de determinar qué herramientas usar, qué datos están disponibles y qué métodos y algoritmos emplear. La imposibilidad de construir sobre una base sólida encarece y requiere más tiempo el desarrollo de la IA a gran escala.
Si 2025 fue el año en que nos dimos cuenta de que la IA generativa tiene un problema de generación de valor, 2026 será el año en que se hará algo al respecto (algo que, debemos confesar, predijimos con respecto a los experimentos controlados del año pasado, y realmente no se dieron mucho).
Un enfoque específico para abordar el problema del valor es pasar de implementar GenAI como un enfoque principalmente individual a uno a nivel empresarial.
Cuando GenAI se generalizó, era tan fácil de usar para casi cualquier persona de negocios que muchas compañías simplemente lo pusieron a disposición de cualquiera que estuviera interesado.
La alternativa es considerar la IA generativa principalmente como un recurso empresarial para casos de uso más estratégicos. Si bien estos suelen ser más difíciles de desarrollar e implementar, cuando tienen éxito, pueden ofrecer un valor considerable.
La burbuja de las puntocom contra la Inteligencia Artificial, ¿se repetirá la historia?
El año pasado, como prácticamente todos, predijimos que la IA agéntica estaría en auge. Si bien reconocimos que la tecnología estaba en auge y presentaba algunos desafíos, subestimamos el alcance de ambos.
Los agentes resultaron ser la tendencia más publicitada desde, bueno, la IA generativa. La IA generativa se encuentra ahora en el punto más bajo de la desilusión de Gartner, donde predecimos que los agentes caerán en 2026.
¿Cuál es el problema con los agentes? Simplemente no suelen estar preparados para el mercado de alto rendimiento.
Diversos experimentos realizados por investigadores de proveedores y universidades, como Anthropic y Carnegie Mellon, han descubierto que los agentes de IA cometen demasiados errores como para que las empresas confíen en ellos para cualquier proceso que implique grandes inversiones.
Además, existen problemas de ciberseguridad de los agentes (en particular, la inyección inmediata) y su tendencia a ser engañosos y a no estar alineados con los valores y objetivos humanos.
Sin embargo, esto no significa que la IA agéntica no vaya a mejorar en los próximos años. La mayoría de sus problemas pueden solucionarse de una forma u otra. Confiamos en que los agentes de IA gestionarán la mayoría de las transacciones en numerosos procesos empresariales a gran escala en, digamos, cinco años (una predicción más optimista que la de 10 años del experto en IA y cofundador de OpenAI, Andrej Karpathy ).
Ahora mismo, las empresas deberían empezar a pensar en cómo los agentes pueden facilitar nuevas formas de trabajar. Deberían empezar a desarrollar agentes confiables que puedan reutilizarse en toda la organización y probar agentes interorganizacionales con proveedores o clientes cooperativos.
Las empresas también pueden desarrollar las capacidades internas para crear y probar agentes que involucren IA generativa, analítica y determinista. Una IA agéntica exitosa requerirá todas las herramientas disponibles en la IA.
La última encuesta de Randy a líderes de datos e IA en grandes organizaciones (la encuesta de referencia ejecutiva sobre liderazgo en IA y datos de 2026, realizada por su empresa educativa, Data & AI Leadership Exchange) reveló buenas noticias para la gestión de datos e IA.
Prácticamente todos los encuestados tenían una opinión positiva sobre el papel de la IA, consideraban que las inversiones en datos e IA eran una prioridad máxima y planeaban invertir más en ellas. Casi todos coincidieron en que la IA ha dado lugar a un mayor enfoque en los datos.
Quizás lo más impresionante sea el aumento de más del 20 por ciento (hasta el 70 por ciento) con respecto a los resultados de la encuesta del año pasado (y los de años anteriores) en el porcentaje de encuestados que creen que el director de datos (con o sin analítica e IA incluidas) es un puesto exitoso y establecido en sus organizaciones.
Solo el 3 por ciento cree que el puesto ha sido un fracaso. En resumen, el apoyo a los datos, la IA y el papel de liderazgo para gestionarlos han alcanzado niveles récord en las grandes empresas.
El único problema estructural complejo en este panorama es quién debería gestionar la IA y a quién debería reportar dentro de la organización. No es sorprendente que un porcentaje creciente de empresas haya nombrado directores de IA (o un cargo equivalente); este año, la cifra ha llegado al 39 por ciento.
El problema radica en que existe poco consenso sobre a quién reporta este puesto. Solo el 30 por ciento reporta a un director de datos (donde creemos que debería reportar el puesto); en otras organizaciones, la IA reporta a la dirección empresarial (27 por ciento), la dirección tecnológica (34 por ciento) o la dirección de transformación (9 por ciento).
Creemos que es probable que la diversidad de relaciones jerárquicas contribuya al problema generalizado de que la IA (en particular, la generativa) no aporta suficiente valor.
Los datos de la encuesta de este año indican que más empresas (39 por ciento, frente al 24 por ciento del año pasado y menos del 5 por ciento hace dos años) han implementado la IA en producción a gran escala, lo cual es un requisito previo para generar valor sustancial.
Se están logrando avances en la generación de valor a partir de la IA, pero probablemente no sean suficientes para justificar las altas expectativas sobre la tecnología y las altas valoraciones de sus proveedores. Quizás, si la burbuja de la IA se desinfla un poco, habrá menos interés por parte de los diferentes líderes de las empresas en adquirir la tecnología.
Thomas H. Davenport es Profesor Distinguido del Presidente de Tecnología de la Información y Gestión y director del Instituto Metropoulos de Tecnología y Emprendimiento en Babson College, además de miembro de la Iniciativa del MIT sobre la Economía Digital. Su último libro es The New Science of Customer Relationships: Delivering the One-to-One Promise With AI (Wiley, 2025). Randy Bean ha sido asesor de organizaciones Fortune 1000 en liderazgo de datos e IA durante más de cuatro décadas. Es autor de Fail Fast, Learn Faster: Lessons in Data-Driven Leadership in an Age of Disruption, Big Data, and AI (Wiley, 2021).
