TL;DR (3 líneas): Un experimento con 515 startups dio a todas las mismas herramientas de IA, y la mitad que además vio casos de otras empresas declaró un 44 % más de usos. HBR recomienda empezar por mapear los flujos y después experimentar y estudiar a otras empresas. Compartimos que el freno está en saber dónde usar la IA. Discrepamos de empezar por ese mapa, porque lo que dio resultado fue enseñar casos ajenos para que cada uno viera dónde le sirve la IA. Eso se aprende en el curso Trabajando con IA.
Harvard Business Review dedica un artículo de su número de noviembre-diciembre a un experimento de diez semanas con 515 startups de una aceleradora de INSEAD en el que la mitad declaró un 44 % más de usos de IA que la otra. Todas tenían las mismas herramientas de IA, los mismos créditos y la misma formación técnica, y a esa mitad se le enseñaron además casos de empresas que habían reorganizado su trabajo en torno a la IA.
El estudio, de Hyunjin Kim y Dahyeon Kim (INSEAD) y Rembrand Koning (Harvard Business School), está en revisión en Management Science. Como medimos impacto y no uso, nos importa más lo que vino después.
Según declararon los fundadores, las startups que vieron los casos completaron un 12 % más de tareas y el 74 % tenía clientes, frente al 63 % del resto. Sus ingresos declarados fueron 1,9 veces mayores, pero es la cifra más frágil de las que destacan los autores, porque sale de unas pocas que se dispararon. También dijeron que pedirían menos capital a inversores.
HBR propone empezar por «mapear los flujos de trabajo existentes de principio a fin» y buscar dónde cambia de manos el trabajo. Lo ilustra con Robert Oh, de International Motors, cuya empresa animó primero a la plantilla a probar la IA y mejoró las tareas sueltas más que el negocio. Luego el comité de dirección mapeó los flujos entre áreas, sacó 21 oportunidades y priorizó cinco. HBR también pide experimentar y estudiar a otras empresas, aunque después del mapa.
Estamos de acuerdo en el diagnóstico. Como dicen los autores, el cuello de botella está en descubrir dónde crea valor la IA en la empresa. Y las startups que vieron los casos no cambiaron los puestos que pensaban abrir, lo que encaja con usar la IA para que el mismo equipo llegue más lejos.
No estamos de acuerdo en empezar por el mapa, porque en el experimento lo que dio resultado fue enseñar casos ajenos, con diagramas del antes y el después, para que cada fundador los llevara a su empresa. HBR habla además de casi el doble de ingresos y de bastante menos capital sin los matices del estudio.
La mediana de las 515 era de cuatro personas, así que quien ve el caso suele ser quien decide y quien hace el trabajo. Los autores reconocen no poder decir qué pasa cuando la decisión se reparte, y creen que en las empresas consolidadas el reto es mayor.
Aquí Robert Oh nos obliga a matizar, porque los traspasos entre áreas se ven mal desde un solo puesto de trabajo, y que el comité de dirección se siente a mapearlos es el empuje de arriba que defendemos. Pero el comité solo puede dibujar los usos que conoce, y los conoce cuando la plantilla ya ha visto casos y ha probado, y sus mandos se lo han hecho llegar. La escalera se barre de arriba a abajo y se rompe en el medio.
En los equipos que hacen el curso Trabajando con IA se repite que hay gente que quiere aplicar la IA a su trabajo y no sabe por dónde empezar, y saber ver dónde sirve no viene con la licencia.
Antes del viernes, pregunta a tres personas de áreas distintas en qué han probado la IA en el último mes. Si todas las respuestas caben en redactar y resumir, tu empresa usa la IA en uno o dos de los siete tipos de uso que distingue el estudio. Las startups que no vieron los casos estrenaron usos en unos tres, de media.
Identificar las oportunidades de la IA en el día a día de cada persona y salir con un plan para aplicarlas es lo que hacemos en Trabajando con IA, y también se puede hacer con tu equipo.
Si haces la pregunta, contesta a este correo y cuéntanos qué respuesta no esperabas.
Referencias
Harvard Business Review, «For Real Performance Gains with AI, Start by Mapping Your Workflows», número de noviembre-diciembre de 2026, en línea desde el 1 de noviembre. Pieza de la redacción, sin firma, que resume la investigación y cita a Hyunjin Kim; incluye la entrevista a Robert Oh, de International Motors. La traducción de la cita es nuestra.
Hyunjin Kim, Dahyeon Kim y Rembrand Koning, «Mapping AI into Production: A Field Experiment on Firm Performance», INSEAD Working Paper 2026/20/STR, 30 de marzo de 2026, en revisión en Management Science. Experimento de campo con 515 startups del AI Founder Sprint de INSEAD entre agosto y octubre de 2025, con una ventana de diez semanas. La diferencia en ingresos solo es significativa al 10 %.
Contrapunto. Fabrizio Dell'Acqua, Edward McFowland III, Ethan Mollick y otros, «Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality», Organization Science, 2026 (circuló como working paper en 2023). En un experimento con 758 profesionales de la consultora BCG, el acceso a GPT-4, con o sin una introducción a cómo escribirle, bastó para que, en lo que la IA hace bien, completaran un 12,2 % más de tareas y fueran un 25,1 % más rápidos. En una tarea fuera de ese terreno, quienes usaron IA dieron con la solución correcta 19 puntos porcentuales menos que quienes no la tenían.
Por si te lo perdiste
