El valle de la adopción de la IA

Estamos viviendo una de las paradojas de productividad más fascinantes de la historia moderna.

por Gennaro Cuofano

A pesar de una inversión y una adopción sin precedentes, las herramientas de IA están haciendo que muchos trabajadores sean menos productivos, no más.

No se trata de un fallo de la tecnología, sino de un patrón predecible que ocurre con cada innovación transformadora.

Bienvenido al valle de la adopción.

La paradoja que se desarrolla en tiempo real

Los números cuentan una historia sorprendente.

Una investigación del MIT de 2025 reveló que las empresas manufactureras que adoptaron IA industrial experimentaron caídas de productividad de entre 1,33 y 60 puntos porcentuales antes de ver mejoras. En el desarrollo de software, un riguroso estudio de METR reveló que los desarrolladores experimentados que utilizaban herramientas de IA de vanguardia como Cursor Pro con Claude 3.5 Sonnet eran un 19 % más lentos que quienes trabajaban sin IA, aunque creían ser un 20 % más rápidos.

La encuesta para desarrolladores de Stack Overflow de 2025 reveló el núcleo del problema: el 66 % de los desarrolladores informa que su principal frustración son las soluciones de IA que son casi correctas, pero no del todo.

La confianza en la precisión de la IA se ha desplomado del 43% en 2024 a solo el 33% en 2025. Mientras tanto, el 45% dice que depurar el código generado por IA lleva más tiempo del esperado.

Este patrón se extiende mucho más allá de la programación. En todos los sectores, el 77 % de los trabajadores afirma que las herramientas de IA los han vuelto menos productivos, a la vez que aumentan su carga de trabajo. Casi la mitad (47 %) de los trabajadores que utilizan herramientas de IA admite no estar seguros de cómo lograr las mejoras de productividad esperadas por sus empleadores.

El patrón histórico: de Steam a los teléfonos inteligentes

Esta caída de la productividad no es nueva: es el primer acto inevitable de toda revolución tecnológica.

El valle de la adopción sigue una curva en forma de J predecible: entusiasmo inicial, seguido de una caída frustrante en la productividad, antes de que surjan eventualmente avances significativos.

• La era de las computadoras personales (décadas de 1980 y 1990) : Cuando las PC llegaron por primera vez a las oficinas, se usaban como costosas máquinas de escribir. Inicialmente, la productividad disminuyó a medida que los trabajadores se enfrentaban a nuevas interfaces, fallos de software y la complejidad de los flujos de trabajo digitales. Pasaron años antes de que las empresas descubrieran las hojas de cálculo, las bases de datos y la colaboración en red: las aplicaciones nativas que realmente liberaron el potencial de la computadora.
• La revolución de internet (décadas de 1990-2000) : Los primeros sitios web eran folletos digitales: copias estáticas de materiales impresos. Las empresas invirtieron fortunas en construir presencias web que ofrecían poco valor más allá del existente en formato físico. El gran avance se produjo cuando las empresas descubrieron los flujos de trabajo nativos de internet: comercio electrónico, motores de búsqueda, redes sociales y colaboración global en tiempo real.
• Tecnología móvil (década de 2000-década de 2010) : Los primeros teléfonos inteligentes se posicionaron como teléfonos portátiles con correo electrónico. Al principio, las empresas tuvieron dificultades para justificar la inversión, ya que los empleados se enfrentaban a teclados diminutos y conexiones poco fiables. La transformación se produjo cuando los desarrolladores crearon ecosistemas de aplicaciones y las empresas rediseñaron sus operaciones en torno a experiencias nativas móviles.

Cada revolución siguió el mismo patrón: los primeros en adoptarla intentaron imponer nuevas tecnologías en flujos de trabajo antiguos, experimentaron caídas de productividad y luego descubrieron gradualmente aplicaciones transformadoras que eran imposibles de imaginar de antemano.

Por qué estamos atrapados en el valle

El estudio METR revela dos problemas fundamentales que nos mantienen atrapados en el valle de la adopción:

El problema del enfoque

Al integrar herramientas de IA en nuestros flujos de trabajo, perdemos el foco en nuestros objetivos principales. En lugar de centrarnos en resolver problemas de negocio, nos preocupamos por gestionar la propia IA.

Los desarrolladores gastan energía mental en elaborar la propuesta perfecta, revisar código “casi correcto” y depurar soluciones generadas por IA en lugar de pensar en decisiones arquitectónicas o lógica empresarial.

Esta sobrecarga cognitiva es invisible pero costosa.

El estudio mostró que los desarrolladores experimentados (personas que teóricamente deberían beneficiarse más de la asistencia de la IA) se vieron frenados porque tenían que cambiar constantemente de contexto entre su experiencia en el dominio y la gestión de la IA.

El problema del desajuste del flujo de trabajo

Más fundamentalmente, estamos tratando de incorporar herramientas revolucionarias en los procesos evolutivos.

La adopción actual de IA se parece a utilizar un Ferrari para repartir correo: es técnicamente posible, pero no tiene sentido en absoluto.

La mayoría de las organizaciones utilizan IA para lo que los investigadores denominan “implementaciones de bajo valor”: automatizar las respuestas de atención al cliente, generar contenido básico o acelerar tareas rutinarias.

Estas aplicaciones producen modestas mejoras de eficiencia, pero no logran liberar el potencial transformador de la IA.

El gran avance llegará cuando rediseñemos por completo nuestros flujos de trabajo en torno a las capacidades únicas de la IA, en lugar de incorporar IA a procesos existentes.

El camino para salir del valle

La historia sugiere tres cambios clave que marcan la transición desde el valle hacia ganancias de productividad transformadoras:

1. Descubrimiento nativo de flujos de trabajo : Así como las hojas de cálculo no eran mejores máquinas de escribir, sino formas completamente nuevas de analizar los datos, el verdadero poder de la IA reside en aplicaciones que aún no hemos imaginado del todo. Entre las primeras señales se incluyen agentes de IA capaces de razonar en flujos de trabajo complejos, herramientas de diseño generativo que exploran miles de posibilidades simultáneamente y sistemas de inteligencia colaborativa donde los humanos y la IA interactúan en tiempo real.

2. Reestructuración organizacional : Las empresas que logran superar la crisis se reorganizan en torno a las capacidades de la tecnología. Esto podría implicar jerarquías más horizontales que aprovechen la IA para la toma de decisiones, nuevos roles especializados en la colaboración entre humanos e IA, o modelos de negocio completamente diferentes que eran imposibles sin la IA.

3. Evolución de habilidades : Los usuarios de IA más productivos no están aprendiendo a dar mejores indicaciones, sino que están desarrollando nuevas relaciones cognitivas con las máquinas. Esto implica comprender cuándo confiar en la IA, cuándo ignorarla y cómo pensar de forma que complemente la inteligencia artificial en lugar de competir con ella.

Señales del avance

A pesar de las dificultades actuales, hay señales alentadoras de que estamos empezando a salir del valle:

• Los trabajadores que utilizan IA a diario informan mejoras de productividad del 46,2 %, lo que sugiere que la interacción constante ayuda a desarrollar flujos de trabajo nativos.
• El 92% de las empresas planean aumentar las inversiones en IA en los próximos tres años, lo que indica un compromiso a largo plazo a pesar de los desafíos a corto plazo.
• Las empresas más jóvenes y flexibles se están adaptando más rápido que las empresas establecidas, reflejando patrones históricos donde los recién llegados a menudo lideran las transiciones tecnológicas.

Es probable que las ganancias de productividad se produzcan de forma desigual. Las empresas pequeñas y ágiles podrían descubrir primero aplicaciones innovadoras, mientras que las grandes empresas se enfrentan a sistemas heredados y a la inercia organizativa, exactamente el mismo patrón que observamos en revoluciones tecnológicas anteriores.

La Matriz de Adopción de IA: Un Marco para Comprender el Valle

Para entender por qué estamos estancados y cómo escapar, necesitamos un nuevo marco.

La Matriz de Adopción de IA mapea a los usuarios en dos dimensiones críticas: Habilidades de productividad de IA y experiencia en el dominio.

Esto crea cuatro cuadrantes distintos que explican dónde se ubican los diferentes usuarios en el valle de adopción y revela el camino hacia una productividad revolucionaria.

Los cuatro cuadrantes explicados

Bajas habilidades de IA + Escasa experiencia en el dominio: “Los abrumados”

• Nuevos empleados o personas que cambian de carrera y que intentan utilizar herramientas de IA
• Tienen dificultades para comprender su trabajo y gestionar la IA.
• A menudo abandonan las herramientas de IA rápidamente debido a frustraciones crecientes.
• Representan la mayoría de las implementaciones de IA fallidas

Altas habilidades en IA + poca experiencia en el dominio: “Los ingenieros rápidos”

• Usuarios técnicos que dominan las herramientas de IA pero carecen de un contexto empresarial profundo
• Puede generar resultados impresionantes, pero tiene dificultades para crear valor comercial.
• A menudo producen trabajos técnicamente sofisticados pero estratégicamente irrelevantes.
• La clásica trampa de los primeros en adoptar: grandes demostraciones, impacto limitado

Bajas habilidades en IA + Alta experiencia en el dominio: “Los expertos frustrados”

• Profesionales experimentados que saben exactamente lo que necesitan pero no pueden lograr que la IA se lo proporcione.
• Aquí es donde aterrizaron los desarrolladores del estudio METR: expertos en el dominio frenados por las curvas de aprendizaje de la IA.
• Representan el mayor valle de productividad, ya que son los que más tienen que ganar pero enfrentan la curva de aprendizaje más pronunciada.
• Dónde se encuentran estancadas la mayoría de las organizaciones hoy en día

Altas habilidades en IA + Alta experiencia en el dominio: “Los arquitectos de negocios”

• Este es el punto óptimo de productividad
• Usuarios que comprenden profundamente su dominio y cómo diseñar flujos de trabajo de IA
• Comienzan a combinar la experiencia del dominio con la ejecución impulsada por IA, lo que crea importantes ventajas de velocidad.
• Puede rediseñar procesos comerciales completos en torno a las capacidades de IA
• Representa el cuadrante innovador que la mayoría de las organizaciones están tratando de alcanzar

La ventaja del arquitecto empresarial

La magia ocurre en el cuadrante de Arquitecto Empresarial porque estos usuarios dejan de intentar adaptar la IA a los flujos de trabajo existentes y, en cambio, rediseñan los resultados en torno a las fortalezas de la IA.

Comprenden su dominio lo suficientemente bien como para saber qué significa lo bueno, y comprenden la IA lo suficientemente bien como para diseñar nuevos caminos para llegar allí.

Por ejemplo, en lugar de usar IA para escribir mejores correos electrónicos (mejora incremental), un arquitecto empresarial podría rediseñar toda la estrategia de comunicación con el cliente en torno a la personalización impulsada por IA a escala (cambio transformacional).

No sólo son más rápidos en tareas antiguas, sino que también están logrando resultados que antes eran imposibles.

El estudio de METR reveló por qué este cuadrante es tan difícil de alcanzar: los desarrolladores experimentados (alta experiencia en el dominio) se vieron frenados precisamente porque todavía estaban en la curva de aprendizaje del desarrollo de habilidades de IA.

Sabían cómo era un código excelente, pero aún no habían aprendido cómo diseñar flujos de trabajo de IA que pudieran producirlo de manera confiable.

Patrones históricos: La matriz a través de las revoluciones tecnológicas

Este patrón de matriz se repite en cada adopción de tecnología importante:

Computadoras personales (décadas de 1980 y 1990)

• Expertos frustrados: altos ejecutivos que entendían los negocios pero tenían dificultades con las interfaces
• Ingenieros rápidos: especialistas en TI que podrían demostrar capacidades técnicas sin contexto comercial
• Arquitectos empresariales: Los usuarios innovadores que diseñaron modelos financieros basados ​​en hojas de cálculo y operaciones basadas en bases de datos

Internet (década de 1990-2000)

• Expertos frustrados: minoristas tradicionales que entendieron el comercio pero no pudieron construir un comercio electrónico efectivo
• Prompt Engineers: desarrolladores web que crearon sitios impresionantes sin comprender la optimización de la conversión
• Arquitectos empresariales: Amazon, eBay, pioneros que rediseñaron modelos de negocio enteros en torno a las capacidades de Internet

Móvil (década de 2000-década de 2010)

• Expertos frustrados: empresas de medios tradicionales con excelente contenido pero malas experiencias móviles
• Prompt Engineers: desarrolladores de aplicaciones que crearon aplicaciones técnicamente impresionantes pero comercialmente fallidas
• Arquitectos empresariales: fundadores de Instagram y Uber que diseñaron modelos de negocio nativos para dispositivos móviles

El avance de cada revolución se produjo cuando suficientes personas alcanzaron el cuadrante de Arquitecto Empresarial para crear nuevos estándares y flujos de trabajo de la industria.

¿Por qué la mayoría de los usuarios se quedan atrapados en “Experto frustrado”?

El estudio METR proporciona información crucial sobre por qué el grupo de usuarios más grande y valioso (los expertos en el dominio) está experimentando los mayores impactos en la productividad:

El problema del enfoque revisado

Cuando los expertos en un dominio utilizan herramientas de IA, pierden el foco de su experiencia principal porque al mismo tiempo intentan:

• Resolver su problema de negocio real (su fortaleza)
• Aprenda la mecánica de las herramientas de IA (su debilidad)
• Cerrar la brecha entre los resultados de la IA y los requisitos del dominio (territorio inexplorado)

Esta carga cognitiva es la razón por la que los desarrolladores experimentados fueron un 19% más lentos (operaban en tres dominios de conocimiento diferentes simultáneamente).

El problema del desajuste del flujo de trabajo revisado

Los expertos en el sector intentan preservar sus flujos de trabajo probados a la vez que incorporan la IA como herramienta auxiliar. Pero el verdadero avance les exige cuestionar su enfoque fundamental y rediseñar los resultados en torno a las capacidades de la IA.

Un arquitecto empresarial no pregunta “¿Cómo puede la IA ayudarme a codificar más rápido?”, sino “¿Cómo puedo diseñar procesos de desarrollo de software que aprovechen las fortalezas de la IA y compensen sus debilidades?”.

El camino hacia el estatus de arquitecto empresarial

Pasar de experto frustrado a arquitecto empresarial requiere desarrollar lo que llamamos “habilidades de integración del dominio de IA”: la capacidad de rediseñar resultados en lugar de mejorar procesos.

Etapa 1: Competencia en herramientas

• Aprenda la mecánica de las herramientas de IA sin preocuparse por la optimización del dominio.
• Centrarse en comprender las fortalezas y limitaciones de la IA
• Desarrollar la memoria muscular para interacciones básicas de IA

Etapa 2: Traducción del dominio

• Mapear las capacidades de IA con los desafíos de dominios específicos
• Identificar dónde las fortalezas de la IA se alinean con los cuellos de botella del dominio
• Inicie pequeños experimentos que rediseñen flujos de trabajo específicos

Etapa 3: Arquitectura de resultados

• Cuestionar los supuestos fundamentales sobre cómo debe realizarse el trabajo
• Diseñar enfoques completamente nuevos que serían imposibles sin IA
• Crear bucles de retroalimentación entre las capacidades de IA y la experiencia del dominio

Etapa 4: Integración del sistema

• Escala flujos de trabajo nativos de IA exitosos en procesos comerciales más amplios
• Capacitar a otros en enfoques de integración del dominio de la IA
• Desarrollar continuamente las prácticas a medida que avanzan las capacidades de IA

Cruzando el abismo de la adopción a través de la Matrix

El marco “Cruzando el abismo” de Geoffrey Moore se adapta perfectamente a nuestra matriz.

El abismo existe porque la mayoría de las organizaciones tienen muchos ingenieros rápidos y expertos frustrados, pero muy pocos arquitectos de negocios.

La mayoría inicial no adoptará la IA hasta que vea pruebas de que personas como ellos (expertos en su campo) han alcanzado con éxito el estatus de arquitectos empresariales.

Necesitan clientes de referencia que demuestren no sólo que la IA funciona, sino que permite resultados fundamentalmente mejores para los desafíos de su dominio específico.

Esta es la razón por la que la adopción de IA parece estancada: tenemos demostraciones técnicas impresionantes (ingenieros rápidos) y una experimentación generalizada (expertos frustrados), pero pruebas insuficientes de valor comercial transformacional (arquitectos comerciales).

Señales de movimiento de la matriz

A pesar de las dificultades actuales, hay señales alentadoras de que más usuarios están progresando hacia el estado de Arquitecto Empresarial:

• Los trabajadores que utilizan IA a diario informan mejoras de productividad del 46,2 %, lo que sugiere que la práctica constante ayuda a desarrollar habilidades de integración.
• Las empresas jóvenes y flexibles se están adaptando más rápido que las empresas establecidas: tienen menos flujos de trabajo heredados que preservar.
• Están surgiendo herramientas de IA específicas de la industria, lo que facilita que los expertos del dominio adquieran competencia en herramientas.
• Están apareciendo nuevos roles como “Gerente de producto de IA” y “Líder de estrategia de IA”, puestos explícitos de Arquitecto de negocios.

Implicaciones estratégicas para las organizaciones

La matriz revela por qué falla el entrenamiento tradicional en IA: la mayoría de los programas se centran en mover a las personas de habilidades bajas en IA a habilidades altas en IA (movimiento horizontal) sin tener en cuenta su nivel de experiencia en el dominio (posición vertical).

Una transformación eficaz de la IA requiere estrategias específicas para cada cuadrante:

Para los expertos frustrados (el grupo más grande):

• Proporcionar capacitación en IA específica del dominio, no ingeniería de indicaciones genéricas
• Crear espacios seguros para la experimentación sin presión de rendimiento
• Combínelos con Prompt Engineers para la transferencia de conocimientos
• Centrarse en el rediseño de resultados, no en la optimización de procesos

Para ingenieros rápidos:

• Incorpórelos con equipos de expertos en el dominio
• Centrar sus habilidades en los desafíos relevantes para el negocio
• Recompensa el impacto empresarial, no la sofisticación técnica
• Desarrollar su conocimiento del dominio junto con las habilidades de IA

Para el desarrollo de arquitectos empresariales:

• Darles una plataforma y recursos para experimentar con audacia.
• Captura y comparte sus flujos de trabajo innovadores
• Úsalos como consultores internos para otros equipos.
• Invertir en ampliar sus enfoques en toda la organización

El marco definitivo

El valle de adopción no es solo una cuestión de tiempo: se trata de que los usuarios progresen a través de la matriz hasta alcanzar el estado de Arquitecto de Negocios.

Las organizaciones que sistemáticamente ayudan a los expertos en el dominio a desarrollar habilidades de integración de IA escaparán del valle más rápido y de manera más completa que aquellas que simplemente esperan que las herramientas de IA mejoren.

La idea innovadora: las ganancias de productividad no provienen solo de mejores herramientas de IA o de un mayor conocimiento del dominio, sino de la intersección: usuarios que pueden diseñar enfoques completamente nuevos que aprovechen las capacidades de IA para lograr resultados de dominio que antes eran imposibles.

El valle es temporal, pero la matriz es permanente.

Comprender dónde se ubican sus usuarios en la matriz y cómo ayudarlos a progresar hacia el estado de Arquitecto de Negocios determinará si usted emerge como un líder o un rezagado en la economía transformada por la IA.

El valle de la adopción no es un problema del progreso tecnológico, sino una característica. Y la matriz nos muestra exactamente cómo navegarlo.

Resumen: ¡En este número!

La paradoja de la productividad

• A pesar de la gran adopción e inversión en IA, la productividad está disminuyendo para muchos trabajadores.
• MIT (2025): La IA industrial en la manufactura provocó caídas de productividad de entre el 1,33 % y el 60 %, antes de producirse ganancias posteriores.
• METR: Los desarrolladores experimentados que utilizan herramientas de IA fueron un 19% más lentos a pesar de pensar que eran más rápidos.
• El 77% de los trabajadores afirma que la IA los hizo menos productivos y aumentó la carga de trabajo.

Patrón histórico: El «valle de la adopción»

• Refleja cambios tecnológicos pasados ​​(PC, Internet, dispositivos móviles) donde la adopción temprana causó caídas antes de que se produjeran grandes avances.
• Etapa inicial: viejos flujos de trabajo forzados a utilizar nuevas herramientas → frustración, bajo ROI.
• Etapa innovadora: surgen flujos de trabajo nativos que transforman las industrias.

Por qué estamos estancados

• Problema de enfoque : la gestión de la IA distrae de la resolución de problemas centrales.
• Desajuste en el flujo de trabajo : la IA se integra en procesos antiguos en lugar de impulsar el rediseño nativo de la IA.

Camino de salida del valle

• Descubrimiento de flujo de trabajo nativo : cree aplicaciones que solo son posibles con IA (por ejemplo, agentes de IA, diseño generativo).
• Reestructuración organizacional : aplanar jerarquías, crear roles de colaboración de IA, cambiar modelos de negocios.
• Evolución de habilidades : crear asociaciones cognitivas entre humanos e IA, sabiendo cuándo usar o anular la IA.

La matriz de adopción de IA

• Grafica a los usuarios según habilidades de IA (bajas-altas) y experiencia en el dominio (bajas-altas).
  1. Abrumado : Pocas habilidades, poca experiencia.
  2. Ingenieros rápidos : altos conocimientos de IA y poca experiencia en el dominio.
  3. Expertos frustrados : alto conocimiento del dominio, bajas habilidades en IA (el grupo con mayor caída de productividad).
  4. Arquitectos empresariales : Altos en ambos; rediseñan flujos de trabajo para obtener resultados transformacionales.

Convertirse en arquitecto empresarial

• Etapa 1 : Competencia en herramientas: aprender la mecánica de la IA.
• Etapa 2 : Traducción del dominio: asignar la IA a los desafíos del dominio.
• Etapa 3 : Arquitectura de resultados: repensar cómo se trabaja con las fortalezas de la IA.
• Etapa 4 : Integración del sistema: escalar y capacitar a otros en procesos nativos de IA.

Implicaciones estratégicas para las organizaciones

• La capacitación debe ser específica para cada cuadrante y no uniforme para todos.
• Expertos frustrados: Entrenamiento de IA específico del dominio + rediseño de resultados.
• Ingenieros rápidos: integrarse en equipos de dominio + desarrollar conocimiento del dominio.
• Arquitectos empresariales: brindar recursos, plataformas y autoridad para escalar avances.

Perspectiva básica

• Las ganancias de productividad no provienen únicamente de mejores herramientas de IA o de un mayor conocimiento del dominio.
• Las ganancias surgen de la intersección : personas que pueden diseñar enfoques totalmente nuevos, nativos de IA, que logran resultados anteriormente imposibles.

Fuente: https://substack.com/@thebusinessengineer