Por qué la IA no se adopta igual en todos los trabajos

El esquema previsible en la conversación sobre inteligencia artificial ha girado en torno a una idea implícita: una vez que los modelos fueran lo bastante buenos, la adopción seguiría de forma casi automática. Más capacidad, más usos. Más precisión, más integración. Ese supuesto empieza a fallar. No porque la tecnología se haya estancado, sino porque ha entrado en una fase distinta. La IA ya está integrada en las capas donde ocurre el trabajo, los modelos funcionan de forma fiable y las grandes plataformas han tomado posiciones claras. Y, aun así, la adopción no crece de manera uniforme sino que se fragmenta, se concentra y se selecciona.

La pregunta ya no es por qué la IA existe o qué puede hacer. Es por qué solo algunos contextos consiguen usarla de forma sostenida, mientras otros permanecen al margen, incluso cuando el acceso es amplio y el discurso es omnipresente.

El trabajo adopta solo cuando no puede romperse

La adopción real de IA no se decide en demostraciones espectaculares ni en promesas de agentes autónomos. Se decide en entornos cotidianos, repetitivos y frágiles, donde un error no es un fallo aislado, sino un problema operativo. Herramientas como Excel siguen siendo el campo de batalla porque concentran trabajo crítico, datos vivos y responsabilidad distribuida. Ahí no basta con que el asistente “sepa hacer cosas”. Tiene que hacerlo sin romper nada.

El salto de experimento a uso diario ocurre cuando la IA entra en estas herramientas universales con garantías claras de no destructividad. Memoria persistente, sesiones largas, comprensión de múltiples hojas y, sobre todo, protección explícita frente a sobreescrituras accidentales. Son mejoras poco glamurosas, pero revelan dónde estaba el bloqueo real: no en la inteligencia del sistema, sino en la confianza necesaria para delegar.

Cuando esas garantías existen, el comportamiento del usuario cambia. La IA deja de ser un lugar donde se formulan preguntas y pasa a ser un espacio donde se delegan tareas. Ese umbral explica por qué muchas organizaciones no avanzan pese a tener acceso a modelos potentes. No es resistencia cultural ni falta de formación. Es una evaluación racional del riesgo. Si el coste potencial de un error supera el beneficio inmediato, la adopción se detiene.

Cuando los modelos se convierten en coste, no en ventaja

Este mismo criterio de selección opera a escala de plataforma. La reciente decisión de Apple de apoyarse en Google para impulsar la nueva generación de Siri ilustra bien el cambio de fase. La elección no se explica por una supuesta superioridad técnica aislada, sino por encaje financiero, estabilidad contractual y capacidad de absorber dependencia a largo plazo. En ese contexto, el modelo deja de ser una ventaja competitiva y pasa a ser un coste que hay que gestionar.

La consecuencia es una jerarquía clara. Hay una inteligencia por defecto, integrada y continua, y otra inteligencia opt-in, reservada para casos específicos y bajo consentimiento explícito. OpenAI no desaparece del ecosistema, pero su papel se desplaza hacia usos de alto valor añadido, no hacia la capa base. Anthropic, pese a su calidad técnica, queda fuera del rol central porque el problema ya no es responder mejor, sino encajar en un sistema de incentivos y dependencias preexistentes.

Este movimiento confirma algo que se intuía desde hace tiempo: los modelos tienden a ser productos básicos (o commodities). La diferencia no está en quién razona un poco mejor, sino en quién controla el territorio donde ese razonamiento se activa. La inteligencia se compra; la integración se gobierna.

Invertir en mundo mientras el mercado discute chat

Mientras el debate público sigue girando en torno a asistentes conversacionales, algunas decisiones estratégicas apuntan en otra dirección. La inversión de Google en Sakana AI y la adquisición de Common Sense Machines no buscan mejorar el chat actual, sino ampliar el tipo de cosas que la IA puede representar y operar.

Por un lado, se exploran arquitecturas de razonamiento alternativas, pensadas para continuidad, planificación y adaptación. Por otro, se refuerza la capacidad de generar y manipular objetos tridimensionales a partir de información bidimensional. Juntas, estas apuestas sugieren una estrategia de cartera: mantener el presente conversacional mientras se prepara un futuro donde el valor no esté en responder, sino en construir entornos, escenas y simulaciones.

Este desplazamiento es coherente con la comoditización del modelo. Cuando la inteligencia básica deja de diferenciar, el valor se mueve hacia lo que esa inteligencia permite hacer dentro del sistema. Pasar del lenguaje a los objetos, y de los objetos a los entornos, no es un capricho futurista. Es una forma de ensanchar el territorio operativo de la IA más allá del intercambio textual.

Gallup y el límite empírico del entusiasmo

La consecuencia de todo lo anterior se observa con claridad cuando se mira el trabajo real. El informe AI in the Workplace de Gallup (Q4 2025) muestra un dato incómodo: tras dos años de crecimiento acelerado, la adopción de IA en el entorno laboral estadounidense se estanca. Casi la mitad de los trabajadores afirma no usarla nunca en su empleo, incluso cuando una minoría intensifica su uso.

La fragmentación es evidente. Los roles tecnológicos lideran, pero su crecimiento empieza a frenarse. Finanzas, educación y servicios profesionales siguen a distancia. Retail y manufactura quedan rezagados. La brecha se acentúa por tipo de trabajo: remoto frente a presencial, cognitivo frente a físico. Y, de forma especialmente significativa, por jerarquía: los líderes adoptan mucho antes que los contribuidores individuales.

Gallup identifica una causa principal entre los no usuarios: falta de utilidad clara. No miedo, no rechazo ideológico, no desconocimiento básico. Simplemente, ausencia de un caso de uso que justifique el cambio. Esto rompe la narrativa de adopción automática por exposición. La IA no se expande como una marea que lo cubre todo. Avanza donde encaja y se detiene donde no encuentra sentido operativo.

Adopción selectiva en un territorio compartido

La imagen que queda no es la de una tecnología fallida, sino la de un sistema que selecciona. La IA está integrada en las capas donde ocurre el trabajo, funciona con solvencia y concentra inversión y poder. Pero no todos los roles, sectores o contextos pueden extraer valor del mismo territorio. Algunos disponen de margen, control y continuidad suficientes para delegar. Otros operan en entornos donde el riesgo, la presencia física o la fragmentación del trabajo hacen que esa delegación no compense.

En esta fase, la adopción deja de ser un fenómeno expansivo y se convierte en un proceso de criba. No decide quién tiene acceso, sino quién puede sostener el uso sin perder más de lo que gana. Entender esa selección, más que celebrar la capacidad técnica, es lo que permite leer con claridad el momento actual.