Torsten Slok advierte de que las mejoras financieras no se extienden al conjunto de las grandes empresas estadounidenses. Su análisis plantea dudas sobre la rentabilidad de la IA, pero no demuestra que cada inversión tenga un retorno nulo.
La distancia entre invertir y obtener resultados
Comprar herramientas de inteligencia artificial es relativamente sencillo. Demostrar que generan beneficios superiores a su coste exige una evaluación mucho más cuidadosa.
El 24 de octubre de 2026, Torsten Slok, economista jefe de Apollo Global Management, publicó un análisis crítico sobre esa distancia. Su argumento se apoya en la evolución de los ingresos por trabajador, los márgenes empresariales y la productividad.
Según Slok, los ingresos por empleado y los márgenes mejoran entre las llamadas Siete Magníficas, mientras permanecen estancados en las otras 493 compañías del S&P 500. A partir de esa comparación, sostiene que el impacto financiero de la IA todavía no se aprecia de forma generalizada fuera de los grandes grupos tecnológicos.
Qué muestran los datos y qué no permiten concluir
El análisis señala una diferencia entre grupos de empresas. No constituye una auditoría del retorno de cada proyecto de inteligencia artificial.
Además, las otras 493 compañías del índice no equivalen exactamente a todas las empresas ajenas al sector tecnológico: ese conjunto también incluye compañías tecnológicas fuera de las Siete Magníficas.
Un margen agregado estable puede coexistir con mejoras en determinadas tareas o empresas. También puede reflejar otros factores, como cambios en los costes, los precios o la demanda.
Por eso, afirmar que la mayoría de las empresas pierde dinero con la IA requiere evidencia adicional. La comparación de Apollo no aísla cuánto habría ganado o perdido cada organización sin adoptar estas herramientas.
Sí existen mejoras de productividad en tareas concretas
La investigación ofrece ejemplos que matizan el diagnóstico más tajante. El estudio Generative AI at Work, de Erik Brynjolfsson, Danielle Li y Lindsey Raymond, analizó la introducción de un asistente en atención al cliente.
Los investigadores observaron una mejora media de aproximadamente el 14–15 % en los casos resueltos por hora, según la versión del estudio. Los beneficios fueron mayores entre los trabajadores menos experimentados.
El sistema sugería respuestas y los empleados conservaban la responsabilidad sobre la conversación. La supervisión humana, por tanto, no impidió que aparecieran mejoras de productividad en ese contexto.
Ese resultado tampoco garantiza beneficios para cualquier empresa. Resolver más consultas por hora y obtener un retorno financiero positivo son medidas relacionadas, pero diferentes.
El coste real va más allá de la licencia
Para evaluar un proyecto, conviene sumar el gasto en software y procesamiento al tiempo dedicado a integrarlo, preparar información, formar al equipo y revisar resultados.
También hay que contabilizar los errores. Si una herramienta acelera la primera versión de un documento, pero exige una revisión extensa, el ahorro relevante es el del proceso completo.
Esto no significa que verificar resultados elimine siempre la ventaja. Depende de cuánto tiempo se ahorre, de la frecuencia de los fallos y de las consecuencias de cada error.
Una tarea repetitiva y fácil de comprobar puede ofrecer una relación entre coste y beneficio muy distinta de una decisión compleja que exige información incompleta y criterio profesional.
Ahorrar minutos no equivale automáticamente a ahorrar dinero
Imagina que una herramienta permite preparar un informe en veinte minutos en lugar de cuarenta. La mejora es útil, pero su traducción económica depende de lo que ocurra después.
Si ese tiempo permite atender más clientes, reducir retrasos o evitar trabajo adicional, puede generar valor. Si el proceso sigue detenido por otra aprobación, el efecto sobre los resultados será menor.
También puede mejorar la calidad o reducir el esfuerzo de una tarea sin producir inmediatamente una reducción de gasto. Conviene identificar esos beneficios sin confundirlos con ingresos o ahorros ya realizados.
El contexto empresarial sigue importando
Slok subraya que las decisiones de negocio dependen del juicio, la confianza y el contexto organizativo. Es una advertencia relevante sobre los límites de delegar decisiones únicamente en un modelo.
Sin embargo, de ella no se desprende que la IA solo pueda redactar borradores o resumir reuniones. Su utilidad debe comprobarse en tareas definidas, con información adecuada y criterios de evaluación claros.
La pregunta práctica es qué parte del trabajo puede mejorar, qué necesita revisión y quién responde por el resultado.
Cómo distinguir una mejora real de una adopción aparente
Contar licencias, consultas o documentos generados mide actividad. Para evaluar el valor de un proyecto hacen falta indicadores vinculados al trabajo terminado.
- Tiempo total: incluir preparación, ejecución, revisión y correcciones.
- Calidad: comparar errores, reclamaciones y resultados aceptados.
- Coste completo: sumar herramientas, integración, mantenimiento y trabajo humano.
- Resultado operativo: observar si mejora la capacidad, la atención o los plazos.
- Resultado económico: identificar qué beneficios se han materializado y cuáles siguen siendo estimaciones.
La rentabilidad debe demostrarse proyecto a proyecto
La advertencia de Apollo cuestiona la idea de que aumentar el gasto en IA garantiza mayores márgenes. Los estudios sobre tareas concretas muestran, al mismo tiempo, que pueden existir mejoras medibles.
Ambas observaciones pueden ser ciertas. Una tecnología puede ayudar a determinados trabajadores y tardar en producir un cambio visible en las cuentas de una empresa o en el conjunto de la economía.
El criterio más útil es comparar cada proyecto con una situación de partida y comprobar si sus beneficios compensan todos sus costes. La adopción, por sí sola, no demuestra rentabilidad; la ausencia de una mejora agregada tampoco demuestra que todos los proyectos hayan fracasado.
Fuentes consultadas
- Apollo, The Daily Spark: No Signs of AI Payoff Outside the Tech Sector, de Torsten Slok, publicado el 24 de octubre de 2026.
- NBER: Generative AI at Work, de Erik Brynjolfsson, Danielle Li y Lindsey Raymond.
- Generative AI at Work: versiones del estudio y resultados sobre productividad en atención al cliente.
Sombra Radio · Apoyo de lectores
Ayuda a mantener viva Sombra Radio
Tu aportación voluntaria nos ayuda a seguir publicando sobre IA. Puedes apoyarnos desde 1 € al mes.
