El Banco Central Europeo preguntó a unos 20.000 trabajadores al mes, en 11 países de la zona del euro, cuánto tiempo les ahorra la IA. El usuario mediano respondió tres horas a la semana — alrededor del 7,7 % de la jornada laboral mediana. Después el BCE hizo algo que casi ninguna presentación comercial hace: dividió entre todos. Como solo el 48,8 % de los trabajadores usa la IA y además ahorra tiempo con ella, la ganancia de eficiencia para el conjunto de la economía se acerca al 3,8 % (BCE, 2026).
La misma encuesta. Los mismos encuestados. Dos números separados por un factor cercano a dos.
Tu business case sobre la productividad de la IA está construido casi con certeza sobre el primero. Ese es el error, y no es un error de redondeo: es un error de denominador, y determina si las horas que prometiste al director financiero llegan a materializarse alguna vez.
Qué midió realmente el BCE
Los datos proceden de la Consumer Expectations Survey del BCE, un panel mensual de unas 20.000 personas en 11 países de la zona del euro — un instrumento sobre población general, no una lista de clientes de un proveedor. Eso importa, porque recoge también a quienes probaron la IA y la dejaron, y a quienes nunca empezaron. La mayoría de los datos de productividad de IA que ves no lo hacen.
La tendencia de adopción es realmente pronunciada. La proporción de trabajadores que usa IA en su trabajo pasó del 26 % en 2024 al 41 % en 2025 y al 52 % en 2026, y los usuarios declaran recurrir a ella unos tres días por semana. La adopción está sesgada, como cabía esperar: 61 % entre los trabajadores con estudios superiores frente al 37 % entre quienes tienen niveles educativos más bajos, con los trabajadores jóvenes unos 20 puntos porcentuales por delante de sus colegas de más edad.
Pero una vez dentro, la intensidad converge. Las medias por grupo de uso semanal se sitúan entre 2,5 y 2,9 días, con independencia de la edad o los estudios (BCE, 2026).
Retén esa forma, porque define tu palanca. La varianza en tu organización no depende sobre todo de cuánto empujan tus adoptantes. Depende de cuántos son adoptantes siquiera.
El denominador es todo el argumento
Esta es la aritmética que tu business case está haciendo de forma implícita.
Los proveedores citan ahorros por usuario — las tres horas, el 7,7 %. Finanzas lo multiplica por la plantilla. El número resultante es una afirmación sobre una organización en la que todos usan la herramienta y todos ahorran tiempo. Los datos del BCE dicen que aproximadamente la mitad de la plantilla pertenece a esa población.
El BCE también es cuidadoso con algo que conviene repetir a quien construya el modelo: el tiempo ahorrado solo se convierte en productividad si las horas liberadas se transforman en producción, y esa conversión depende de que el empleador pueda emplear la capacidad extra. Las horas ahorradas que caen en un calendario sin demanda detrás no son una ganancia. Son capacidad ociosa.
Para dar escala, el BCE señala que las estimaciones actuales de crecimiento anual adicional de la productividad gracias a la IA en un horizonte de diez años van del 0,1 % al 3,4 %, y la propia estimación del BCE para la zona del euro es de unos 0,35 puntos porcentuales al año. Si tu caso interno implica un salto un orden de magnitud por encima, la carga de la prueba es tuya, no de los economistas.
La misma brecha, medida en Estados Unidos
Si se tratara de una sola encuesta en una sola unión monetaria, podrías descontarla. No es el caso.
Alexander Bick, Adam Blandin y David Deming, junto con la Federal Reserve Bank of St. Louis, realizaron encuestas representativas a nivel nacional sobre el uso de IA generativa en Estados Unidos y encontraron un ahorro medio de tiempo del 5,2 % de las horas trabajadas entre los usuarios — unas 2,1 horas para quien trabaja 40 horas semanales — pero del 1,4 % del total de horas una vez incluidos los no usuarios. La ganancia de productividad agregada que estima su modelo con el uso actual: 1,2 % (Bick, Blandin & Deming, 2024).
Dos continentes, dos metodologías, dos años de diferencia. Ambos encuentran un número por usuario que parece transformador y un número ajustado por participación que parece incremental. La relación entre ambos no es ruido. Es la forma del fenómeno.
El rendimiento está donde no está el uso
El segundo hallazgo de los datos del BCE es el que debería cambiar lo que haces el lunes, no solo lo que crees.
Las ganancias de eficiencia varían mucho según la tarea, y las mayores no proceden de los usos más comunes. Generar o depurar código rinde casi ocho horas por semana — pero solo alrededor del 8 % de los trabajadores usa IA para eso. El análisis de datos, la automatización de tareas rutinarias y la creación de contenido de audio o vídeo siguen un patrón similar: alto rendimiento, uso escaso. Mientras tanto, los usos más citados — investigación, búsqueda de información, redacción y edición de textos — ahorran bastante menos (BCE, 2026).
Una salvedad que señala el BCE y que repito: los encuestados que ahorran mucho tiempo tienden a seleccionar más tareas, lo que infla mecánicamente las medias por tarea. Trata el orden como fiable y las horas absolutas como generosas.
Incluso descontado, el orden es accionable. La mayoría de las organizaciones han pasado dos años impulsando la adopción de los usos de bajo rendimiento porque son los más fáciles de demostrar en una sesión de formación. Los usos de alto rendimiento requieren acceso a sistemas, datos y código — que es un problema de permisos e integración, no de entusiasmo.
Por qué la otra mitad no se suma
El BCE preguntó directamente a los no usuarios, y las respuestas no son las que asumen la mayoría de los planes de despliegue.
Un tercio dice que la IA es irrelevante para sus tareas actuales. Otros prefieren los métodos existentes, o les frenan las dudas sobre precisión y fiabilidad, o declaran que su empleador no ha facilitado las herramientas. Y el 41 % simplemente no expresa ningún interés por la tecnología — incluido el 34 % de los directivos. Preguntados por qué les haría cambiar de opinión, alrededor de la mitad señala mejor formación y una mejor comprensión de dónde resulta útil la IA.
Por el lado de la oferta, alrededor de la mitad de las empresas prevé invertir en formación en IA en los próximos 12 meses, según la encuesta SAFE del BCE — lo que significa que alrededor de la mitad no lo hará.
El sentimiento también se mueve en la dirección equivocada: la proporción de trabajadores que ve la IA de forma positiva bajó del 43 % al 41 % interanual (BCE, 2026).
Esa es tu tasa de participación, descrita mecánicamente. No es un misterio ni un déficit de motivación. Cerca de un tercio de tus no usuarios está identificando correctamente que la IA no ayuda con sus tareas actuales — y un rediseño de esas tareas, no una licencia, es lo único que lo cambia.
La objeción honesta: son datos autodeclarados
Ahora la salvedad que debilita mi propio argumento, porque es mejor que la oigas de mí y no de tu director financiero.
Todos los números anteriores los declaran los propios trabajadores. Nadie midió con cronómetro. Y en el único contexto en el que las ganancias autodeclaradas de IA se han contrastado directamente con ganancias medidas, las declaraciones perdieron con claridad.
El ensayo controlado aleatorizado de METR con desarrolladores de código abierto experimentados halló que, al usar herramientas de IA de principios de 2025, tardaban un 19 % más — mientras creían haberse acelerado. La encuesta posterior de METR a 349 trabajadores técnicos pone cifra al sesgo: en su estudio de principios de 2025, los participantes sobrestimaron el efecto de la IA sobre su tiempo dedicado a las tareas en 40 puntos porcentuales de media (METR, 2026).
Así que la lectura honesta es que ese 3,8 % para el conjunto de la economía podría ser el extremo optimista del rango, no el pesimista. La cifra por usuario no solo está diluida por la no participación: puede estar inflada en origen.
Existe una comprobación a nivel corporativo. La encuesta McKinsey State of AI 2026 halla que la proporción de encuestados que atribuye a la IA algún impacto en el EBIT permanece prácticamente sin cambios interanuales, en el 37 %, con los AI high performers planos en torno al 6 % (McKinsey, 2026). La adopción se acumula. El impacto financiero declarado, no. Esa es exactamente la firma que esperarías si las horas por usuario son reales pero ni universales ni convertidas.
Nada de esto significa que la IA no ahorre nada. Significa que el número que pones en el business case hay que construirlo, no citarlo.
Reconstruir el business case de productividad de la IA: participación × rendimiento por tarea
Sustituye la multiplicación por usuario por una estimación de tres términos. Lleva una tarde y sobrevive al contacto con finanzas.
- Mide la participación, no las licencias. Cuenta a las personas que usaron IA para trabajar la semana pasada y declaran haber ahorrado tiempo — la construcción del 48,8 % del BCE, aplicada a tu plantilla. Las licencias contratadas son una métrica de compras; no son un denominador.
- Pondera por tarea, no por departamento. Estima las horas ahorradas por separado para el trabajo de alto rendimiento (generación y depuración de código, análisis de datos, automatización de tareas rutinarias) y para el trabajo de alta frecuencia (investigación, redacción, edición). No los mezcles en una única media — la mezcla es lo que esconde la oportunidad.
- Aplica un factor de conversión. Decide explícitamente qué proporción de las horas liberadas se convierte en producción y no en capacidad ociosa, y nombra la demanda que absorberán esas horas. Si no puedes nombrarla, el factor de conversión es cero y conviene decirlo.
Después toma la decisión estratégica que plantean realmente los datos del BCE, y tómala de una vez en lugar de dejarla a la deriva: ampliar la participación o profundizar el rendimiento. Ampliar significa atraer al 41 % desinteresado — lento, cultural, mediado por los directivos y bloqueado de lleno por ese tercio de trabajadores para quienes las herramientas hoy realmente no encajan. Profundizar significa dirigir la IA hacia ese 8 % de trabajo de alto rendimiento, que exige acceso a datos e integración de sistemas pero no encuentra resistencia motivacional alguna.
La mayoría de los equipos de operaciones del mid-market ha hecho una versión diluida de ambas cosas y ha llamado despliegue al resultado. Elige una para los próximos dos trimestres. Instruméntala. Informa al consejo del número ajustado por participación, junto al número por usuario, y deja que sea la brecha entre ambos la que argumente.
Qué decidir este trimestre
El BCE te dio el mismo hallazgo dos veces, a dos alturas: tres horas semanales para la persona, 3,8 % para la economía. Ambos son ciertos. Solo uno lo notará tu cuenta de resultados.
Antes de que cierre este trimestre, saca tu tasa de participación real — usó IA para trabajar la semana pasada y ahorró tiempo — y ponla en la misma diapositiva que las horas por usuario sobre las que se sostiene tu business case de productividad de la IA. Si los dos números están muy separados, no tienes un problema de productividad. Tienes un denominador que nunca has mirado.
