El reporte State of AI in Business 2025 documenta la transición de la fase de experimentación con modelos de lenguaje hacia la integración de sistemas de agentes autónomos en las estructuras corporativas. Los datos indican que el 72% de las organizaciones consultadas han incorporado inteligencia artificial (IA) en al menos una función comercial, lo que representa un incremento respecto al 55% registrado en el periodo anterior.
Despliegue de modelos y asignación de presupuestos corporativos
La inversión en inteligencia artificial ha experimentado una reconfiguración en la distribución de los presupuestos de tecnología de la información (TI). Según el reporte State of AI in Business 2025, en el apartado de métricas financieras, “las organizaciones destinan actualmente un promedio del 15% de su presupuesto total de TI exclusivamente a iniciativas de IA, frente al 9% registrado en 2023”. Esta asignación de recursos se concentra en la adquisición de potencia de cómputo y en la contratación de servicios de proveedores de modelos en la nube.
La tabla a continuación detalla la distribución del presupuesto de IA por categorías dentro de las empresas:
Tabla 1: Distribución del Presupuesto de IA (2025)
| Categoría de Gasto | Porcentaje del Presupuesto de IA |
| Infraestructura y Cómputo (Cloud) | 35% |
| Adquisición y Preparación de Datos | 25% |
| Desarrollo y Ajuste de Modelos (Fine-tuning) | 20% |
| Seguridad y Cumplimiento Normativo | 12% |
| Capacitación de Personal | 8% |
El análisis de los datos muestra que el retorno de inversión (ROI) se manifiesta con mayor frecuencia en sectores con altos volúmenes de procesamiento de datos. Según el estudio State of AI in Business 2025, “el 42% de las empresas de servicios financieros reportan una reducción de costos operativos superior al 10% tras la implementación de sistemas de IA para la detección de anomalías”.
En el ámbito de las ventas y el marketing, el reporte señala que la personalización mediante algoritmos ha generado un incremento en la tasa de conversión. “El uso de modelos predictivos para la segmentación de audiencia ha resultado en un aumento del 14% en los ingresos por usuario en el sector de comercio electrónico”, se lee en el apartado de resultados sectoriales del informe.
Integración de agentes autónomos en flujos de trabajo operativos
La tendencia principal identificada en el reporte para 2025 es la transición de los “chatbots” de propósito general hacia los “agentes de IA” con capacidad de ejecución de tareas. A diferencia de las interfaces de chat de 2023, los agentes actuales poseen autonomía para interactuar con herramientas externas, bases de datos y software de terceros.
Según MLQ.ai en el estudio State of AI in Business 2025, “el 60% de las empresas líderes en adopción tecnológica están desplegando flujos de trabajo basados en agentes (Agentic Workflows) que no requieren intervención humana constante para procesos de nivel 1 y nivel 2”. Estos procesos incluyen la gestión de inventarios, la programación de logística y la resolución técnica básica en atención al cliente.
Tabla 2: Adopción de Agentes de IA por Función Empresarial
| Función | Porcentaje de Implementación de Agentes | Nivel de Autonomía (1-5) |
| Atención al Cliente | 78% | 4.2 |
| Operaciones / Logística | 54% | 3.8 |
| Desarrollo de Software | 65% | 4.5 |
| Recursos Humanos | 30% | 2.5 |
| Finanzas y Contabilidad | 48% | 3.9 |
El reporte destaca que la eficiencia en el desarrollo de software ha sido el área con mayor impacto directo. “La integración de agentes que realizan tareas de depuración de código y generación de pruebas unitarias ha permitido una reducción del 30% en el tiempo de ciclo de desarrollo”, afirma el estudio en su sección de eficiencia operativa. Sin embargo, la supervisión humana se mantiene en el 95% de los casos para la aprobación final de despliegues en producción.
En el sector logístico, los agentes de IA se encargan de la optimización de rutas en tiempo real. Los datos recolectados muestran que la aplicación de estos sistemas ha disminuido el consumo de combustible en un 12% en las flotas de transporte analizadas. La toma de decisiones de estos agentes se basa en el procesamiento de variables como el clima, el tráfico y la demanda de mercado de manera simultánea.
Infraestructura técnica y selección de proveedores de modelos
La elección de modelos de lenguaje (LLM) se ha diversificado. Mientras que en 2023 existía una dependencia de un único proveedor, el reporte de 2025 indica una inclinación hacia estrategias de “multi-modelo”. Las empresas utilizan diferentes proveedores según la tarea, el costo por token y la latencia requerida.
Según el estudio State of AI in Business 2025, “el 45% de las organizaciones utilizan modelos de código abierto (Open Source) para tareas internas de procesamiento de documentos, mientras que reservan los modelos propietarios de mayor escala para funciones de cara al cliente”. Esta decisión responde a la necesidad de controlar la privacidad de los datos y reducir los costos operativos.
Tabla 3: Preferencia de Modelos de IA en el Entorno Corporativo
| Tipo de Modelo | Cuota de Uso | Razón Principal de Elección |
| Modelos Propietarios (GPT-4, Claude 3.5) | 52 % | Capacidades de Razonamiento |
| Modelos Open Source (Llama 3, Mistral) | 38 % | Privacidad y Costo |
| Modelos Propios (Entrenados in-house) | 10 % | Especialización en Dominio |
El costo de la inferencia sigue siendo una variable para la escala de estos sistemas. El reporte indica que “el precio promedio por millón de tokens ha disminuido en un 60 % en los últimos 18 meses, facilitando la viabilidad económica de procesar grandes volúmenes de información”. A pesar de esta reducción, las empresas destinan recursos a la optimización de “prompts” y técnicas de “Retrieval-Augmented Generation” (RAG) para limitar el consumo innecesario de recursos computacionales.
En términos de hardware, el estudio menciona que el 20% de las empresas del índice Global 2000 han iniciado la adquisición de infraestructura propia para el entrenamiento de modelos específicos, reduciendo su dependencia total de los proveedores de nube pública. “La soberanía de datos y la latencia son los factores que impulsan la inversión en centros de datos privados para IA”, señala el informe en el apartado de infraestructura física.
Riesgos identificados y marcos de gobernanza institucional
La expansión de la IA en los negocios ha introducido riesgos que las organizaciones están comenzando a formalizar en sus estructuras de cumplimiento. El reporte identifica tres riesgos principales: la seguridad de los datos, las alucinaciones de los modelos y el sesgo algorítmico.
Según el autor del estudio State of AI in Business 2025, “el 58% de los directivos de tecnología identifican la ‘exfiltración de datos sensibles a través de modelos públicos’ como su mayor preocupación en términos de ciberseguridad”. Esto ha llevado a la creación de políticas de uso que prohíben la entrada de información propietaria en interfaces de IA de consumo general.
Tabla 4: Principales Riesgos de la IA en la Empresa
| Riesgo Detectado | Nivel de Preocupación (1-10) | Empresas con Mitigación Activa |
| Privacidad de Datos | 9.2 | 85% |
| Falta de Talento Calificado | 8.5 | 40% |
| Alucinaciones / Errores de Hecho | 7.9 | 62% |
| Cumplimiento de Regulaciones (EU AI Act, etc.) | 8.1 | 70% |
El reporte detalla que la regulación está moldeando la implementación tecnológica. En la Unión Europea, el cumplimiento con la Ley de IA (EU AI Act) ha obligado al 70% de las empresas a auditar sus sistemas de “alto riesgo”. Según el estudio, “las organizaciones están destinando un 12% adicional de su presupuesto de IA a la contratación de auditores externos y especialistas en ética algorítmica”.
La precisión de los modelos sigue siendo un punto de fricción. El informe documenta que, en tareas de análisis legal y contable, la tasa de error (alucinación) se sitúa en un 5% cuando se utilizan técnicas de RAG, comparado con el 15% de los modelos base sin acceso a fuentes externas. “La reducción de la tasa de error es un requisito previo para la automatización total de procesos críticos”, afirma el documento en su sección de gobernanza.
Impacto en la fuerza laboral y especialización de funciones
El efecto de la inteligencia artificial sobre el empleo se caracteriza por una transformación de las tareas más que por una sustitución total de puestos de trabajo. El reporte State of AI in Business 2025 indica que el 40% de los empleados necesitarán una actualización de sus habilidades (reskilling) en los próximos tres años debido a la integración de la IA en sus flujos de trabajo.
Según MLQ.ai en el apartado de capital humano del estudio State of AI in Business 2025, “la demanda de roles como ‘Ingenieros de IA’, ‘Arquitectos de Datos’ y ‘Especialistas en Ética de IA’ ha crecido un 45% interanual, mientras que los roles administrativos de entrada han visto una reducción en la creación de nuevas vacantes del 15%”.
Tabla 5: Impacto de la IA en la Productividad del Empleado (Horas Ahorradas por Semana)
| Departamento | Horas Ahorradas (Promedio) | Tarea más Impactada |
| Ventas | 6.5 | Redacción de correos y seguimiento |
| Tecnología / IT | 10.2 | Generación y depuración de código |
| Legal | 8.0 | Revisión de contratos |
| Marketing | 7.5 | Creación de contenido y análisis de datos |
| Finanzas | 5.5 | Conciliación de cuentas |
El análisis de productividad revela que los empleados que utilizan herramientas de IA de manera cotidiana completan sus tareas un 25% más rápido que aquellos que no las utilizan. Sin embargo, el reporte advierte sobre la “brecha de habilidades”. “Solo el 30% de las empresas han implementado programas de formación en IA estructurados para su personal no técnico”, indica el estudio.
En cuanto a la estructura organizacional, se observa el surgimiento de la figura del Chief AI Officer (CAIO). El reporte indica que el 25% de las empresas del Fortune 500 ya han designado a una persona en este cargo para centralizar la estrategia de IA, lo que representa un aumento frente al 5% registrado en 2023. La función de este rol es coordinar la inversión tecnológica con los objetivos de negocio y los marcos legales.
El abismo del ROI: análisis del 95 % de pérdidas en iniciativas de IA
La cifra que indica que el 95 % de los proyectos de IA presentaron pérdidas en 2025 sitúa el panorama tecnológico en un punto de inflexión financiera. Este dato, extraído del estudio State of AI in Business 2025, no implica necesariamente una falla en la capacidad técnica de los modelos, sino un desequilibrio entre el gasto de capital (CapEx) y la generación de valor directo.
La inversión inicial requerida para la infraestructura, el entrenamiento de datos y la adquisición de talento ha superado, en la gran mayoría de los casos, los retornos obtenidos en el primer año de implementación. Según el estudio State of AI in Business 2025, en su sección de sostenibilidad económica, “el 95 % de los proyectos de IA presentaron pérdidas en 2025 debido a la incapacidad de las organizaciones para trasladar las pruebas de concepto (PoC) a entornos de producción a gran escala sin incurrir en costos operativos insostenibles”.
Factores que explican el déficit operativo
Para comprender por qué casi la totalidad de las iniciativas no han alcanzado el umbral de rentabilidad, es necesario desglosar los componentes de costo que afectan a las empresas:
- El fenómeno del “PoC Purgatory” (Purgatorio de las Pruebas de Concepto): Muchas empresas desarrollaron prototipos funcionales que operaban con eficiencia en entornos controlados. Sin embargo, al intentar escalar estas soluciones a miles de usuarios o procesos, los costos de inferencia y la necesidad de supervisión humana constante anularon los márgenes de ahorro.
- Costos de Inferencia y GPU: La ejecución de modelos de lenguaje de gran tamaño (LLM) requiere una potencia de cómputo constante. El reporte señala que “el costo marginal de cada tarea ejecutada por un agente de IA todavía supera el costo del trabajo humano equivalente en procesos que no requieren alta velocidad de procesamiento”.
- Mantenimiento de la Calidad del Dato: La arquitectura de sistemas como RAG (Retrieval-Augmented Generation) exige una actualización y limpieza de bases de datos perpetua. El 25% del presupuesto de IA mencionado anteriormente se consume en esta fase, lo que retrasa la llegada al punto de equilibrio financiero.
Análisis del margen de contribución
La siguiente tabla ilustra la brecha entre la inversión y el retorno en proyectos estándar de nivel empresarial durante el año 2025:
Tabla 6: Estructura de Costos vs. Ingresos en Proyectos de IA (Promedio Industrial)
| Concepto | Costo/Ingreso por Unidad de Tarea (USD) | Estado Financiero |
| Inversión en Infraestructura y Licencias | $1,50 | Gasto Fijo Elevado |
| Costo de Inferencia por Operación | $0,45 | Gasto Variable |
| Valor Generado / Ahorro en Eficiencia | $0,65 | Ingreso Estimado |
| Margen Neto Operativo | -$1,30 | Déficit por Operación |
Este déficit operativo explica por qué, a pesar de la alta tasa de adopción (72%), el impacto en el balance general de las compañías ha sido mayoritariamente negativo. Según el MIT, “las empresas han priorizado la captura de cuota de mercado y el aprendizaje tecnológico sobre la rentabilidad inmediata, tratando el año 2025 como un periodo de inversión en infraestructura crítica”.
La viabilidad futura de este 95 % de proyectos bajo pérdida depende, según el análisis técnico, de la optimización del hardware y de la transición hacia modelos más pequeños y especializados (SLM) que reduzcan el costo de inferencia por debajo del valor generado por la tarea.
