Blog InfluxIA

¿Es la IA una burbuja? 8 claves con datos (MIT, McKinsey y métricas de OpenAI) para responder con rigor

¿Es la IA una burbuja? 8 claves con datos (MIT, McKinsey y métricas de OpenAI) para responder con rigor

¿Es la IA una burbuja? 8 claves con datos (MIT, McKinsey y métricas de OpenAI) para responder con rigor

Tiempo de lectura estimado: 12 minutos

Key takeaways

  • No hay “burbuja general”: hay bolsillos donde la inversión supera el valor creado, pero el uso y los ingresos crecen en actores líderes.
  • Los datos del Estudio MIT sobre ROI de proyectos de IA y del Informe McKinsey adopción de IA en empresas exigen foco en casos angostos y métricas claras.
  • “OpenAI usuarios activos e ingresos 2025” sugiere tracción de uso e ingresos a escala, en contraste con la narrativa de “pura burbuja”.
  • El valor muchas veces es invisible en el P&L: productividad, velocidad y calidad (excedente del consumidor) no siempre se reflejan de inmediato.
  • La receta operativa: 90 días, una métrica, cohortes A/B, gobernanza mínima y evitar lock-in temprano.

Tabla de contenidos

Introducción: ¿es la IA una burbuja?

La nueva edición de imágenes de Google (apodo “Nano Banana”) mejora sombras, bordes y detalle fino. No es magia. Es progreso útil, paso a paso. Pero el feed cambia: semanas sin grandes lanzamientos y vuelven los titulares de “invierno”. Entonces, la pregunta: ¿es la IA una burbuja?

Burbuja, aquí, significa tres cosas a la vez:

  • Expectativas desbordadas.
  • Valoraciones altas.
  • Poco flujo de caja real que lo sostenga.

Para responder con rigor, miramos evidencia, no hype:

Nuestra tesis: no hay una burbuja general en el agregado; sí “bolsillos de burbuja” donde expectativas e inversión superan el valor creado. El progreso es semanal e incremental; el valor, a menudo invisible en el P&L.

Sigue leyendo: en 8 puntos separamos ruido de evidencia y te damos criterios prácticos para evaluar tu propio ROI.

Punto 1. Lo que sí (y no) dijeron los CEOs

Los titulares rotundos venden: “la IA es una burbuja”, “todo es humo”, “esto es el nuevo .com”. Pero las citas, fuera de contexto, engañan.

  • Algunos CEOs critican la sobreexcitación inversora, no la tecnología base. Decir “hay exceso de capital en labs sin producto” no equivale a “la IA no sirve”.
  • En fase temprana, surgen valoraciones de laboratorios sin ingresos. Eso sesga la percepción. Vemos cheques grandes antes de ver producto público. Pasa en ciencias profundas.
  • Las declaraciones cambian con el trimestre. El discurso de PR no es un buen barómetro técnico.

Qué hacer:

  • Pondera más a investigadores, hojas de ruta técnicas y señales operativas (uso, retención, margen) que a frases sueltas de ejecutivos.
  • Observa lo que hacen, no lo que dicen: presupuestos de cómputo, contrataciones de infra, y despliegues reales.

Idea clave: los precios pueden gritar; los datos operativos susurran. Escucha los susurros.

Punto 2. Medios y predicciones: el sesgo de “gritar burbuja” cada mes

Cada mes hay titulares que prometen colapso inminente. A la vez, otras métricas suben en silencio: uso, ingresos, eficiencia.

  • Hace un año, muchos pronosticaron “pico de adopción”. Hoy, más equipos usan IA en el día a día (IA en la sombra, plugins, copilotos).
  • Las notas que subestimaron ingresos ahora se corrigen. El mercado no es eficiente en tiempo real.

OpenAI usuarios activos e ingresos 2025

  • Datos reportados por prensa en 2025 sitúan a OpenAI en alrededor de 700 millones de usuarios activos semanales y unos 12.000 millones de dólares de ingresos anualizados. Las cifras exactas varían por fuente; la empresa no detalla todo en público.
  • Implicación: cuando el uso y la facturación mantienen tracción sostenida, la analogía simple con la burbuja puntocom pierde fuerza. En la .com, los usuarios no llegaban; aquí, el uso existe y crece.

Matiz necesario:

  • Hay dudas sobre valoraciones y retornos futuros. Ejemplo: cobertura sobre temores de burbuja y valoraciones secundarias muy altas, incluso sin desglose oficial de métricas (temores de burbuja).

Lección: titulares volátiles no son veredicto tecnológico. Mira curvas de uso, ingresos recurrentes y retención. Si crecen de forma compuesta, el símil con 1999 flojea.

Punto 3. Qué dicen realmente los estudios sobre ROI

Informe McKinsey adopción de IA en empresas

  • Hallazgo citado: adopción amplia, pero 8 de cada 10 compañías no reportan beneficios medibles al escalar. Muchos pilotos; pocos impactos en P&L.
  • Integración desigual: grandes tardan ~9 meses; medianas, ~12 semanas. La fricción organizativa pesa. (Informe McKinsey adopción de IA en empresas)

Estudio MIT sobre ROI de proyectos de IA

  • Cifra que duele: solo ~5% exprime valor claro; el resto no ve mejoras en ingresos o beneficio. (Estudio MIT sobre ROI de proyectos de IA)
  • Traducción práctica: la mayoría de despliegues top‑down fallan en operar a escala, o atacan problemas mal definidos.
  • Donde sí hay ROI: automatización administrativa, BPO y marketing muestran ahorros concretos y mejoras de retención. (Informe McKinsey adopción de IA en empresas)

“IA en la sombra” y excedente del consumidor

  • El MIT y análisis recientes apuntan a un punto ciego: medir el ROI solo con contabilidad clásica no captura todo el valor. (Cómo medir el valor más allá del ROI inmediato)
  • IA en la sombra: uso personal de herramientas (prompts, scripts, copilotos) fuera de iniciativas formales. Suele dar mejor ROI porque:
    • Nace de necesidades reales del usuario.
    • Itera rápido y adopta lo que funciona.
  • Excedente del consumidor: valor económico que no aparece en tu P&L. Ejemplo:
    • Un analista ahorra 90 minutos al día con un copiloto. No verás “ingresos” por eso, pero sí más entregables, menos errores y respuestas más rápidas.

Lectura práctica:

  • No mates la IA en la sombra; encausa su energía con seguridad y datos.
  • Usa ese “laboratorio vivo” para definir MVPs y requisitos de calidad.

Por qué fallan los despliegues top‑down

  • Problema mal definido (objetivos vagos).
  • Métricas débiles (sin SLA, sin tasa de error target).
  • Falta de dueño de producto (nadie itera).
  • Cadena de datos rota (no hay trazabilidad de prompts y revisiones).

Qué funciona (adopción bottom‑up):

  • Casos angostos con métrica clara: tiempo de ciclo, TAT, coste por tarea, NPS interno.
  • Entrenamiento “en caliente”: captura feedback del usuario y actualiza semanalmente.
  • Gobernanza simple: memoria, permisos, auditoría.

Punto 4. Progreso incremental vs “saltos” anuales

La experiencia de usuario mejora a ritmo corto; lo técnico, a ritmo compuesto. El resultado, anual, se nota mucho.

  • Nano Banana otra vez: mejor sombreado y detalle. No es show; reduce post‑edición y errores visuales. Menos tiempo de re‑trabajo es valor real.
  • Voz: transcripción y generación ya son “clic y listo”. Soporte y ventas usan esto hoy para notas, QA y guiones.
  • Herramientas interactivas: exploración visual tipo “Genie” y asistentes con herramientas (RAG, acciones) convierten prompts en flujos de trabajo.

Benchmarks: instantáneas útiles, no la película completa

  • MMU (razonamiento multimodal) muestra tendencia clara: de “nivel humano medio” a superar medianas de expertos en tareas definidas.
  • Ojo: un benchmark mide un trozo. La experiencia total es tareas, contexto y herramientas. Aun así, la pendiente de mejora es consistente.

Impacto operativo (lo que no sale en notas de prensa)

  • En operaciones internas, pequeños ahorros a gran escala importan. Reducir latencia, aciertos a la primera y coste por token cambia la cuenta. Un caso reportado: un sistema interno tipo “Alpha Evolve” ahorró cerca de 0,7% del cómputo global de una compañía; es poco por día, enorme por año.
  • En chats escritos, pruebas de indistinguibilidad ya se superan con modelos 2025 en dominios acotados. Traducción: tareas de backoffice y soporte de bajo riesgo delegan más.

Qué significa para ti

  • No persigas “el salto”. Persigue la pendiente. Si cada trimestre reduces 10–20% el tiempo de ciclo en un flujo crítico, en un año cambias tu P&L.
  • Mide por cohortes: antes/después, tasa de error, retrabajo, tickets reabiertos.
  • Integra herramientas, no solo modelos: memoria, acciones y contexto son la mitad del valor.

Hasta aquí, hemos mirado expectativas, titulares, uso real y ROI. Lo siguiente sube el listón: razonamiento y qué capacidades nuevas están apareciendo… sigue bajando en la Parte 2 para ver dónde están hoy los límites y cómo elegir tu hoja de ruta técnica.

Punto 5. Razonamiento: de “no pueden” a resultados que exigen nueva taxonomía

Durante años se dijo que los modelos no “razonan”, solo predicen la siguiente palabra. El último ciclo cambió el tono: aparecen señales de estrategia, verificación y uso de herramientas.

  • De Blocksworld a Mystery Blocksworld: cuando cambias el vocabulario del problema, los modelos antiguos caen. Los centrados en razonamiento recuperan parte del rendimiento porque construyen pasos intermedios y verifican hipótesis.
  • Familias de modelos orientados a pensar en pasos (p. ej., líneas recientes tipo o1 y o3, o aproximaciones GBC-5) empujan más allá de “memorizar patrones”. No es magia; es mejor planificación y control de errores.
  • Benchmarks “duros” como ARGI1 o variantes multimodales castigan atajos. Muchos resultados públicos muestran avances sostenidos cuando hay:
    • Descomposición de tareas (chain-of-thought verificable).
    • Búsqueda y recuperación (RAG) con fuentes citadas.
    • Herramientas externas (código, calculadora, navegador) bien orquestadas.

Límites actuales

  • Datos “a gran altitud”: aún faltan corpus extensos para tareas donde el contexto es disperso y cambiante (operaciones, normas locales, sistemas internos).
  • Coste y energía: entrenar e inferir sigue siendo caro y con latencia. Optimizar tamaño, mezcla de expertos y cacheo es clave.
  • Robustez fuera de distribución: al cambiar formato o reglas sutiles, aparecen fallos. La validación cruzada con “perturbaciones” es obligatoria.

Qué significa para equipos de producto

  • Piensa en “agentes con herramientas” más que en “modelo suelto”. La calidad viene de cómo divide el trabajo y valida.
  • Mide pasos de razonamiento, no solo respuesta final. Cuenta cuántas veces consulta fuentes y cuántas corrige.

Punto 6. Por qué los CEOs pueden no ser la mejor brújula técnica

Una CEO o un CFO cargan con muchas señales a la vez: PR, reguladores, clientes y mercados. Su mensaje público cambia con el trimestre.

  • Ritmo interno vs externo: los equipos técnicos ven prototipos y hojas de ruta 3–6 meses antes que el mercado. El discurso público llega después.
  • Incentivos de comunicación: suavizar promesas cuando hay riesgo legal; subir el tono antes de rondas o lanzamientos. No es malicia; es gobernanza.

Cómo orientarte mejor

  • Pondera roadmaps técnicos, publicaciones y lanzamientos con cadencia. Lee changelogs y “release notes” más que titulares de entrevista.
  • Sigue señales operativas: gasto en cómputo, contratación de infra y seguridad, inversión en herramientas internas. Hablan más que cualquier quote.

Punto 7. El mercado financiero no es el veredicto

Los precios de acciones suben y bajan con rumores, tipos y geopolítica. La volatilidad no es diagnóstico tecnológico.

  • Tras los titulares del MIT y alertas de economistas, hubo caídas y rebotes en grandes tecnológicas; la narrativa de “burbuja” ganó espacio, pero el uso siguió creciendo en paralelo. (Estudio MIT sobre ROI de proyectos de IA)
  • Analistas como Torsten Slok y Ray Dalio avisan de sobrevaloración estructural en el sector. Ese riesgo financiero coexiste con adopción real en producto. Ambas cosas pueden ser ciertas a la vez. (temores de burbuja)

Regla práctica

  • Separa precio y producto. Tu decisión operativa debe basarse en valor de usuario y métricas internas, no en la vela diaria del mercado.

Punto 8. Incertidumbre honesta

Hay preguntas abiertas que nadie puede cerrar hoy.

  • ¿Hasta dónde escalan las LLM sin nuevas ideas? ¿Hace falta más búsqueda, memoria a largo plazo o agentes con herramientas?
  • Coexisten “medallas de oro” en dominios angostos y fallos básicos en otros. No es contradicción; es señal de límites de distribución.
  • Próximas generaciones pueden traer salto o mejoras graduales. Mantén escepticismo informado: prueba y mide.

Guía práctica: evalúa si tu iniciativa crea valor (o si huele a burbuja)

1) Empieza angosto y con métrica clara

  • Define un único outcome: tiempo de ciclo, tasa de error, TAT, coste por tarea o conversión.
  • Limita el alcance: un formulario, una categoría de tickets, un segmento de clientes.

2) Diseña el experimento en 90 días

  • Línea base robusta: 2–4 semanas de datos “pre”.
  • Prueba A/B o por cohortes con guarda de calidad.
  • Meta realista: 10–20% de mejora sostenida.

3) Mide el excedente invisible

  • Encuesta de disposición a pagar interna: “¿cuánto costaría perder esta herramienta?” y “¿qué tareas dejarías de hacer?”.
  • Indicadores proxy:
    • Minutos ahorrados por persona y día.
    • Menos retrabajo y tickets reabiertos.
    • NPS interno y satisfacción del equipo.
    • SLA cumplidos con menos horas extras.
    • Uso diario activo y retención de 4 semanas.

4) Aprovecha la IA en la sombra de forma segura

  • Detecta qué flujos ya funcionan en equipos. Formalízalos con permisos, trazabilidad y política de datos.
  • Crea un “catálogo” de prompts, plantillas y macros revisados.

5) No persigas benchmarks; persigue outcomes

  • Benchmarks ayudan a comparar modelos, no a cerrar OKRs.
  • Integra herramientas: memoria, RAG, acciones y validadores. La mitad del valor está ahí.

6) Gobernanza mínima que desbloquea

  • Registro de prompts y revisiones humanas.
  • Control de versiones de flujos y datos.
  • Auditoría de fuentes citadas y cálculo.

7) Roadmap iterativo trimestral

  • Revisa el mercado de modelos cada 90 días; los costes y calidades cambian tus decisiones.
  • Evita el lock-in temprano. Usa adaptadores, APIs y capas de abstracción.

8) Caso de negocio transparente

Conclusión

¿Es la IA una burbuja? La evidencia sugiere bolsillos de burbuja: inversión y expectativas por encima del valor capturado en muchos despliegues. A la vez, hay adopción real, ingresos crecientes en algunos actores y progreso técnico sostenido. El choque viene de medir todo solo con P&L trimestral, ignorando excedente del consumidor y mejoras compuestas.

Qué hacer ahora:

  • Audita 1–2 flujos críticos. Define métrica, ejecuta 90 días, compara con línea base.
  • Incuba la IA en la sombra con seguridad y datos.
  • Revisa modelos y costes cada trimestre; evita lock-in temprano.
  • Cuenta la historia con números: SLA, NPS interno, coste por tarea y errores evitados.

Descarga nuestro checklist “ROI de IA en 90 días” y cuéntanos: en tu equipo, ¿la IA en la sombra supera a las herramientas corporativas? ¿Por qué?

Fuentes citadas (Partes 1 y 2)

FAQ

1) ¿Cómo sé si mi proyecto está en una mini-burbuja?

Tres señales: objetivo vago, sin métrica de negocio y sin dueño de producto. Si además no hay uso semanal real, pausa y replantea. (Informe McKinsey adopción de IA en empresas)

2) ¿Qué métricas debo seguir desde el día 1?

Tiempo de ciclo, tasa de error, coste por tarea, NPS interno, tickets reabiertos. Añade uso diario activo y retención 4 semanas. Si no mejoran 10–20% en 90 días, pivota.

3) ¿Cuándo tiene sentido un copiloto interno?

Si tu gente repite tareas con texto, hojas de cálculo o CRM y puedes auditar las salidas. Empezar en backoffice suele dar ROI antes que en frontales sensibles.

4) ¿Cómo estimo el “excedente del consumidor” en la empresa?

Encuestas breves: “¿cuánto tiempo ahorras por día?” y “¿cuánto pagarías por no perder esta herramienta?”. Cruza respuestas con salarios y volúmenes. (Cómo medir el valor más allá del ROI inmediato)

5) ¿Qué hago con la IA en la sombra?

No la prohíbas sin alternativa. Crea un marco: herramientas aprobadas, política de datos, registros de prompts y una “galería” de flujos validados. Convierte el caos en laboratorio vivo.

6) ¿Cada cuánto reviso mi stack de modelos?

Trimestral. El mercado cambia precios y calidad a gran velocidad. Evalúa 3–4 opciones con el mismo set de pruebas y decide por coste total, latencia y calidad.

7) ¿Cómo encaja “OpenAI usuarios activos e ingresos 2025” en mi lectura del mercado?

Muestra que uso e ingresos pueden crecer a escala mientras otras áreas fallan. Úsalo como señal de tracción del sector, no como garantía para tu caso. (temores de burbuja)

8) Entonces… ¿es la IA una burbuja?

En agregado, no hay veredicto de “pura burbuja”. Hay mini-burbujas por vertical y etapa. Los datos del Estudio MIT sobre ROI de proyectos de IA y del Informe McKinsey adopción de IA en empresas piden disciplina; las métricas de uso e ingresos en líderes indican valor real. La respuesta útil es operativa: casos angostos, métricas, 90 días y aprender.

Cover Image