El diez por ciento de las empresas del mid-market ha escalado todas sus iniciativas de IA más allá de la fase piloto (IT Brief UK, 2026). El noventa por ciento restante compra las mismas herramientas, a los mismos proveedores, más o menos al mismo precio.
Ahí está lo que merece una pausa. Si la herramienta produjera el retorno, los retornos no se dispersarían así.
Un nuevo working paper del NBER le pone nombre a esa dispersión. Babina, He y Jiang atribuyen las primeras ganancias de productividad de la IA no a la tecnología sino al capital organizativo: el conocimiento duradero y propio de la empresa que una compañía acumula mediante el aprendizaje por la práctica (NBER, 2026). La herramienta es la ocasión de la ganancia. No es el activo.
La misma inversión, dos décadas distintas
«Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital» fue publicado en agosto de 2026 por Tania Babina, Alex Xi He y Renhao Jiang (NBER, 2026).
El instrumento de medición es la parte interesante. En vez de contar licencias, gasto en proveedores o adopción autodeclarada —todas ellas medidas de distribución—, los autores construyen una medida de inversión en IA a nivel de empresa a partir del empleo con competencias en IA, que abarca desde el machine learning hasta la IA generativa y agéntica. A quién contrata una empresa es más difícil de falsear que lo que una empresa dice estar haciendo.
Aplicado a esa medida, el resultado principal es un contraste más que un coeficiente:
Las inversiones en IA están asociadas al crecimiento de la productividad en los últimos años, pero no en la década anterior.
Misma medida. Misma clase de tecnología. Dos respuestas distintas.
Los autores hacen después el trabajo que la mayoría de la investigación sobre adopción omite: preguntan qué cambió. Su respuesta es la acumulación de capital organizativo, y para contrastarla construyen una segunda medida original, elaborada a partir de las descripciones de puesto de los trabajadores, para identificar qué roles construyen realmente ese capital. Las ganancias de productividad, encuentran, las impulsan los puestos con competencias en IA que construyen capital organizativo. No la plantilla de IA en general. No las herramientas en general.
Una cautela que declaro antes de que alguien monte una diapositiva: el cuerpo del working paper está restringido, y he verificado el diseño y la dirección de los hallazgos, no los tamaños de efecto. Nadie debería adjudicar todavía un porcentaje a este estudio, yo incluida.
Por qué la década anterior no rindió nada no lo resuelve el paper, y señalo mi lectura como inferencia y no como hallazgo: la ola del machine learning compró sobre todo predicción situada al lado del flujo de trabajo: una puntuación, un pronóstico, un cuadro de mando que alguien consulta. La ola actual se sitúa dentro del flujo de trabajo, que es la única posición desde la que una herramienta puede generar aprendizaje sobre cómo se hace realmente el trabajo. Una predicción adyacente a un proceso no te enseña el proceso.
Qué significa realmente «capital organizativo»
El término no es nuevo ni es blando. Eisfeldt y Papanikolaou lo formalizaron en el Journal of Finance: el capital organizativo es un factor de producción incorporado en el talento clave de la empresa, con eficiencia específica de esa empresa y con un derecho sobre sus flujos de caja. Las empresas con más capital organizativo obtuvieron retornos medios aproximadamente un 4,6 % superiores a las que tenían menos (Eisfeldt y Papanikolaou, 2013).
En lenguaje operativo: es el conocimiento acumulado sobre cómo se hace vuestro trabajo. Qué excepciones importan. Qué señales del cliente anticipan la fuga. Qué paso de vuestro proceso de cierre es el que de verdad se rompe.
Una licencia os da una capacidad de propósito general. El capital organizativo es lo que ocurre cuando esa capacidad se dirige repetidamente a vuestro trabajo concreto y el resultado se conserva en algún sitio que no sea la cabeza de una sola persona.
Lo primero se compra. Lo segundo no.
Por qué vuestro competidor compró el mismo stack y no construyó capital organizativo
Poned el hallazgo del NBER junto a la evidencia del mid-market y el patrón deja de ser abstracto.
Klarus encuestó a 500 decisores sénior de empresas del Reino Unido e Irlanda con ingresos de entre 200 millones y 2.000 millones de libras y entre 300 y 3.000 empleados. El setenta y tres por ciento había desplegado IA parcial o totalmente. El diez por ciento había escalado todas sus iniciativas más allá del piloto. El noventa por ciento estaba estancado o aún en fases iniciales (IT Brief UK, 2026).
La misma encuesta contiene una inversión que conviene leer dos veces: el 91 % decía confiar en su experiencia interna en IA, mientras que el 48 % señalaba la falta de experiencia en IA como el principal motivo por el que sus proyectos no avanzaban. La misma población está a la vez segura de tener la capacidad y segura de que la capacidad falta.
Debajo de ambas afirmaciones: el 83 % reportaba mala calidad de datos, y el 69 % decía que los datos deficientes habían impedido o retrasado actividad de IA.
El Heartbeat Index de CLA encontró la misma forma al otro lado del Atlántico. Entre 722 organizaciones pequeñas y del mid-market, el 69,9 % creía que su plantilla tenía las competencias necesarias para el futuro. Solo el 49,5 % reportaba alguna mejora de eficiencia derivada de sus inversiones recientes en tecnología o IA, y apenas el 20,2 % reportaba un impacto muy positivo (CLA, 2026).
Dos muestras independientes del mid-market. Ambas reportan capacidad presente y resultados ausentes.
Esa combinación descarta el diagnóstico que la mayoría de las empresas está financiando. Si las competencias fueran la restricción vinculante, la población estudiada reportaría un déficit de competencias. Reporta lo contrario. Lo que falta no es fluidez de uso: es el mecanismo que convierte esa fluidez en algo que la empresa posee.
Los pilotos no fracasan. No depositan nada.
Valliance encuestó a 1.000 líderes sénior de grandes empresas europeas y encontró que el 40 % de las iniciativas de IA permanece en piloto por diseño: nunca se cancelan, nunca se escalan. En organizaciones con programas de IA maduros y consolidados, la cifra sube al 48 % (Consultancy.uk, 2026).
Más madurez, más pilotos perpetuos. Eso no es el aspecto de una curva de aprendizaje.
El coste está en el mismo conjunto de datos. Las empresas atascadas en piloto reportan un ROI fuerte el 20 % de las veces. Las que escalan lo reportan el 76 %. La cohorte atascada además espera más tiempo para ver valor: 6,6 meses frente a 5,9 (Consultancy.uk, 2026).
Leído con la lente del NBER, la brecha se vuelve legible. Un piloto que termina sin cambiar un proceso documentado, una definición de puesto o una regla de decisión ha producido un resultado y no ha depositado nada. El equipo aprendió. La empresa no. Repetidlo doce veces y tendréis doce experiencias y cero capital organizativo, que es exactamente la configuración que muestra inversión en IA sin crecimiento de productividad asociado.
La prueba del depósito
Hagámoslo aritmético. Una empresa de servicios de 200 FTE lanza seis pilotos de IA en un año, cada uno con unos dos meses de trabajo a tiempo parcial: en la práctica, un año-persona de atención sénior, antes de las licencias. El reporting estándar pregunta cuánto ahorró cada piloto. Preguntad en cambio cuántos produjeron un artefacto duradero: un procedimiento reescrito, un conjunto de prompts y evaluaciones mantenido, una regla de decisión que ahora usan personas que nunca tocaron el piloto.
Si la respuesta es uno, convertisteis unos dos meses de ese año en capital organizativo y gastasteis el resto en matrícula. Los pilotos no fueron fracasos: cinco de ellos simplemente no se capitalizaron. Esa distinción no aparece en ningún ROI deck estándar, que es precisamente por lo que se sigue refinanciando.
El encuadre de Valliance es que el problema no es la experimentación, sino lo que viene después. El paper del NBER explica por qué esa frase es una afirmación contable y no un eslogan. El aprendizaje por la práctica solo compone si el aprendizaje queda capturado en algo duradero.
La objeción honesta
Cuatro límites, dichos con claridad.
Asociación no es causalidad. El resultado del NBER es una asociación entre inversión en IA y crecimiento de la productividad, mediada por una medida construida de capital organizativo. Es plausible que las empresas que construyen bien capital organizativo estén mejor gestionadas de formas que también las hacen mejores adoptantes de IA. El diseño del paper es cuidadoso; no es un ensayo aleatorizado.
Ambas medidas originales son proxies. La inversión en IA inferida de la contratación con competencias en IA subestima a las empresas que compran capacidad en vez de contratarla. El capital organizativo inferido de las descripciones de puesto subestima a las empresas cuyo conocimiento reside en los sistemas más que en el texto de los puestos. Los proxies de este tipo aciertan la dirección con más fiabilidad que la magnitud.
La corroboración del mid-market es regional y autodeclarada. Klarus es Reino Unido e Irlanda; CLA es un panel de clientes estadounidenses. Ambos son autodeclarados. Coinciden entre sí, lo cual es significativo, y ninguno es una muestra probabilística nacional, lo cual importa.
El capital organizativo tiene puerta de salida. Es la objeción más afilada, y Eisfeldt y Papanikolaou la plantearon hace trece años: el capital organizativo está incorporado en el talento clave, y ese talento tiene un derecho sobre sus retornos. El conocimiento que vive en tres personas sénior es propio de la empresa hasta la semana en que una de ellas dimite. Aquí la codificación no es carga burocrática: es la diferencia entre un activo y un riesgo de retención.
Qué decidir este trimestre
Cuatro movimientos. Ninguno requiere un proveedor nuevo.
- Evaluad cada piloto activo por lo que dejó, no por lo que aceleró. Una pregunta por piloto: nombrad el documento de proceso, la regla de decisión o la definición de puesto que cambió gracias a él. Si la respuesta honesta es «el equipo fue más rápido», financiasteis una experiencia. El 40 % de Valliance está hecho enteramente de experiencias.
- Reescribid una descripción de puesto de IA en torno a la codificación. El resultado del NBER pasa por los roles que construyen conocimiento propio de la empresa. La mayoría de las descripciones de puesto vinculadas a IA en el mid-market especifican herramientas. Especificad en cambio el entregable: flujos de trabajo documentados, conjuntos de evaluación mantenidos, reglas de decisión que otros puedan ejecutar.
- Arreglad los cimientos de datos antes de la siguiente licencia. El 83 % de mala calidad de datos no es una nota al margen: es la razón por la que el aprendizaje por la práctica no puede acumularse. Un agente que no alcanza vuestro histórico no puede aprender vuestra empresa. Es una partida del Q4 que compite directamente con la expansión de licencias, y debería ganar.
- Auditad dónde está incorporado vuestro capital organizativo. Listad los cinco procesos que la IA ha mejorado de forma medible este año y después señalad dónde se almacena cada mejora. Cada una que se resuelva en una persona y no en un artefacto es una ganancia de productividad con una carta de dimisión adjunta.
Vuestro competidor puede comprar vuestro stack esta tarde. No puede comprar los dieciocho meses que vuestro equipo pasó aprendiendo qué excepciones importan, salvo que los hayáis dejado sin documentar, en cuyo caso le basta con contratarlos.
El capital organizativo es la única parte de vuestra inversión en IA que es realmente vuestra. Decidid este trimestre si lo estáis construyendo o si solo estáis alquilando la ocasión de hacerlo.
