Stanford · Con la misma tecnología, unas empresas transforman y otras no

Autores: Elisa Pereira, Alvin W. Graylin y Erik Brynjolfsson
Entidad: Stanford Digital Economy Lab
Referencia: The Enterprise AI Playbook: Lessons from 51 Successful Developments · 2026

Hay una comparación especialmente útil en este informe de Stanford.

Los investigadores analizaron 51 casos empresariales de IA que habían conseguido generar valor. Encontraron transformaciones que tardaron semanas y otras que necesitaron años. Y encontraron algo todavía más importante: tecnologías y casos de uso parecidos podían producir resultados muy diferentes.

Según los autores, la diferencia no estaba en el modelo. Estaba en la organización: su preparación, sus procesos, su liderazgo y su disposición a cambiar y a fallar mientras aprendía.

Cuando todos pueden comprar herramientas parecidas, la organización empieza a importar más

La primera ola de adopción empresarial se ha concentrado mucho en escoger plataformas y proveedores.

Eso era lógico mientras el acceso a los mejores modelos parecía una ventaja escasa.

Pero esa diferencia puede durar poco. Las capacidades se difunden, los proveedores incorporan funciones similares y las herramientas que hoy parecen extraordinarias pueden convertirse mañana en algo común.

Entonces la ventaja se desplaza.

No hacia quién tiene IA, sino hacia quién consigue convertirla más rápido en una manera mejor de trabajar.

El caso de uso no existe fuera de la empresa

Decir «vamos a utilizar IA en atención al cliente» parece describir un proyecto.

En realidad solo abre preguntas.

¿Qué clientes? ¿Qué problemas? ¿Qué información puede utilizar el sistema? ¿Cuándo debe pasar a una persona? ¿Quién revisa errores? ¿Cómo se mide el resultado? ¿Qué aprende la organización de las conversaciones? ¿Qué cambia en el puesto de quien antes hacía esa tarea?

La misma tecnología puede entrar en dos empresas diferentes y encontrar procesos, datos, responsabilidades y culturas completamente distintas.

Por eso copiar el caso de éxito de otro no garantiza copiar su resultado.

Transformar exige aceptar aprendizaje real

Una de las ideas valiosas del playbook es que las empresas que consiguen valor no están únicamente «implementando» algo que ya conocen de antemano.

Están aprendiendo durante el proceso.

Eso significa tolerar pruebas que no funcionan, modificar el diseño, cambiar expectativas y revisar incluso la definición inicial del problema.

Una organización que exige demostrar el resultado completo antes de permitir una prueba puede llegar tarde. Una que experimenta sin medir puede gastar indefinidamente.

La capacidad está entre ambas: probar con rapidez, aprender y convertir lo aprendido en una decisión.

Oportunidades que abre esta diferencia

Si el resultado depende tanto de la organización, aparece una enorme cantidad de trabajo alrededor de la tecnología.

Especialistas en procesos pueden preparar un workflow para que la IA tenga sentido.

Expertos de datos pueden conseguir que la información necesaria sea accesible, fiable y gobernada.

Profesionales de recursos humanos pueden rediseñar funciones y aprendizaje cuando cambian las tareas.

Abogados y responsables de riesgo pueden integrar límites y responsabilidad desde el inicio.

Formadores pueden trabajar con equipos durante la adopción, no solamente impartir un curso previo.

Consultores y pequeños equipos especializados pueden ayudar a una empresa a recorrer los primeros ciclos hasta que adquiera capacidad propia.

Y los propios profesionales del sector pueden tener una oportunidad enorme porque conocen los detalles que una plataforma general no conoce.

El servicio nuevo puede ser enseñar a transformar

Hay una consecuencia especialmente interesante para nuestro mercado.

Una empresa no necesitará eternamente que un tercero haga todo por ella. Puede necesitar que alguien la ayude a aprender a hacerlo.

Eso cambia la naturaleza de algunos servicios profesionales.

El valor deja de estar solamente en entregar una solución y puede pasar a estar en dejar una capacidad: un proceso, unos criterios, una memoria, un equipo capaz de continuar y una manera de medir si lo siguiente funciona.

Un buen proveedor puede terminar siendo más valioso precisamente cuando consigue que el cliente dependa menos de él para repetir el aprendizaje.

Qué nos dice esta pieza sobre Lo que viene

Stanford no está diciendo que exista una receta universal para la transformación con IA.

Está mostrando casi lo contrario.

Casos parecidos producen resultados distintos porque la tecnología entra en organizaciones distintas.

Eso favorece con mucha fuerza una idea central del Observatorio: el problema ya no es solamente acceder a capacidades nuevas, sino ser capaz de incorporarlas, aprender con ellas y modificar la manera de trabajar.

Cuanto más común se vuelva la tecnología, más valor tendrá esa capacidad difícil de comprar de un día para otro.

Y alrededor de la dificultad para construirla se abre una oportunidad enorme para profesionales, equipos y empresas que sepan ayudar a otros a cambiar de verdad.