Tendencias de IA para empresas en 2026: qué adoptar, qué probar y qué esperar

Las tendencias de IA para empresas en 2026 que importan de verdad son siete: agentes en producción, el aplazamiento parcial del AI Act, el desplome del coste por token, el equilibrio entre modelos abiertos y cerrados, la brecha entre adopción y retorno, la productividad medida y la consolidación del mercado de herramientas. Este análisis las verifica una a una con fuente primaria y fechada, y cierra cada una igual: qué hacer y qué no hacer todavía si diriges una pyme o una empresa mediana en España o Latinoamérica.

No vas a encontrar futurismo. Vas a encontrar dos datos en tensión: el 20% de las empresas de la UE ya usa IA (Eurostat, 2025) y el 95% de las organizaciones no obtiene retorno medible de la IA generativa (MIT, 2025). Entre esos dos números se juega tu decisión de este año.

¿Qué tendencias de IA importan de verdad a una pyme en 2026?

Siete tendencias tienen consecuencia práctica para una pyme en 2026: los agentes de IA entrando en producción con fricción real, el aplazamiento parcial del AI Act, el desplome del coste por token, el pragmatismo entre modelos abiertos y cerrados, la brecha entre adopción y retorno, la productividad medida (mucho menor que la declarada) y la consolidación acelerada de herramientas. Todas están verificadas con fuente primaria en este análisis.

Esta tabla es el resumen ejecutivo. El resto del artículo desarrolla cada fila con su fuente, su matiz y su decisión.

Una advertencia de método: aquí no se repiten titulares. Cada tendencia sigue la misma estructura: qué está pasando con fuente, por qué importa, qué significa para tu empresa, qué hacer y qué no hacer todavía.

Agentes de IA: del piloto a producción, con la letra pequeña

Los agentes de IA están pasando de piloto a producción, pero de forma muy desigual. McKinsey (2026) mide que el 40% de las organizaciones con más de 1.000 millones de dólares de ingresos ya escala agentes, frente al 27% del año anterior. Gartner (2025) prevé a la vez que más del 40% de los proyectos de IA agéntica se cancelará antes de que termine 2027.

Las dos cifras no se contradicen: describen el mismo mercado desde ángulos distintos. The State of AI: Global Survey 2026 de McKinsey muestra tracción real en las grandes cuentas, y añade un dato que debería interesarte más: cerca de un tercio de las organizaciones decidió no comprar cierto software y construir esa funcionalidad con herramientas de código agéntico. Gartner (2025) describe la otra cara: proyectos empujados por el hype, con costes crecientes y valor difuso, y un mercado lleno de "agent washing" en el que estima que solo unos 130 proveedores de los miles que se anuncian como agénticos lo son de verdad.

Para una pyme la lectura es concreta: no necesitas la escala de una gran cuenta para tener un agente en producción, necesitas un proceso acotado y documentado. En Godius lo vemos a diario: Patitas, un asistente de IA en salud animal, responde con datos reales del negocio y cobra online sin intervención humana. Funciona por el proceso que tiene debajo, no por el modelo de moda que lo ejecuta.

Qué hacer: elige un proceso con volumen y métrica clara (consultas repetitivas, cualificación de leads, gestión de citas), define desde el primer día cuándo escala a un humano y mide resolución, no conversaciones. Cómo elegirlo y montarlo lo detallamos en la guía de agentes de IA para empresas.

Qué no hacer todavía: agentes multipropósito con permisos amplios sobre tus sistemas, o delegar decisiones cuyo coste de error no puedes absorber (precios, compromisos legales, diagnósticos). Ahí es donde se fabrican las cancelaciones que predice Gartner.

El AI Act se aplaza, pero no para ti: lo que sí aplica desde agosto de 2026

El Reglamento (UE) 2026/1744, el llamado Digital Omnibus, aplazó en julio de 2026 las obligaciones de alto riesgo del AI Act hasta diciembre de 2027 y agosto de 2028. Lo que no se aplazó te afecta ya: transparencia de chatbots, etiquetado de contenido generado por IA, alfabetización del personal y prohibiciones. Si tu web tiene un asistente de IA, esto va contigo desde el 2 de agosto de 2026.

El calendario real, tras la reforma publicada en el Diario Oficial el 24 de julio de 2026 y en vigor desde el 27 de julio (resumen actualizado de SIG, 2026), queda así: los sistemas de alto riesgo del Anexo III (selección de personal, evaluación crediticia, educación, infraestructuras críticas) pasan al 2 de diciembre de 2027; los integrados en productos regulados del Anexo I, al 2 de agosto de 2028. Las obligaciones de transparencia del artículo 50 entraron según lo previsto el 2 de agosto de 2026, con una única concesión: los sistemas que ya estaban en el mercado tienen hasta el 2 de diciembre de 2026 para el marcado legible por máquina del contenido sintético.

Por qué importa: la prensa tituló "Bruselas aplaza el AI Act" y muchas empresas archivaron el tema entero. Error. Lo aplazado es la parte que casi ninguna pyme tiene (sistemas de alto riesgo); lo vigente es la parte que casi todas tienen (un chatbot, contenido generado con IA, empleados usando ChatGPT).

Tu lista para el lunes:

1. Inventaría qué sistemas de IA usas ya, incluidos los SaaS con IA embebida.
2. Si un cliente puede hablar con tu chatbot, añade el aviso de que interactúa con una IA.
3. Marca como sintético el contenido de IA que publiques (imagen, audio, vídeo).
4. Deja constancia de una formación básica en IA de tu equipo: la obligación de alfabetización aplica desde 2025.

Qué no hacer todavía: pagar auditorías de "alto riesgo" con urgencia si tu sistema no entra en el Anexo III. Tienes hasta diciembre de 2027, y el estándar técnico aún se está asentando.

¿Me afecta el AI Act si solo uso ChatGPT o un chatbot en la web?

Sí, en la capa ligera. Usar ChatGPT como herramienta interna te exige alfabetización del personal y sentido común con datos personales; un chatbot de cara al cliente te exige avisar de que es una IA; publicar contenido sintético te exige etiquetarlo. Nada de eso requiere consultores caros: requiere orden y dejarlo por escrito.

El coste por token se desploma y aun así tu factura sube

El coste unitario de la inteligencia cae en picado: consultar un modelo de nivel GPT-3.5 pasó de 20 dólares a 0,07 dólares por millón de tokens entre 2022 y 2024, una caída de 280 veces (Stanford AI Index, 2025). Y aun así el gasto empresarial total en APIs de modelos se duplicó en seis meses hasta 8.400 millones de dólares (Menlo Ventures, 2025).

Las dos series son compatibles y esa es la trampa. Epoch AI (2025) midió que el precio de igualar el rendimiento de GPT-4 en preguntas científicas de nivel doctorado cayó 40 veces por año, con un rango de 9 a 900 veces anuales según la tarea. Pero los agentes encadenan decenas de llamadas donde antes había una, y los modelos de razonamiento consumen muchos más tokens por respuesta. Resultado medido por Menlo Ventures (2025): el gasto en APIs pasó de 3.500 a 8.400 millones de dólares en medio año. Y en la encuesta de McKinsey (2026) el 20% de las organizaciones ya señala el coste operativo de la IA como freno.

Para tu empresa esto significa que la métrica correcta no es el precio por token sino el coste por tarea completada: cuánto te cuesta resolver una consulta, extraer una factura, cualificar un lead. Con esa métrica puedes enrutar: modelo barato para lo simple, modelo caro solo para lo que lo justifica.

Qué hacer: exige a tu proveedor (interno o externo) el coste por tarea de cada automatización, y revisa precios cada trimestre, porque bajan más rápido que tus ciclos de presupuesto.

Qué no hacer todavía: comprometer consumos anuales de tokens para conseguir descuento, u optimizar el coste de un proceso que todavía no has validado. Primero valida, luego abarata.

¿Modelos abiertos o cerrados? Lo que las empresas eligen cuando pagan

Contra el discurso dominante, las empresas que pagan eligen modelos cerrados: la cuota de modelos abiertos en cargas de trabajo empresariales bajó del 19% al 13% en la primera mitad de 2025 (Menlo Ventures, 2025). La razón medida es el rendimiento. Para una pyme la respuesta corta es API cerrada por defecto, y modelo abierto solo con un motivo concreto de datos o de coste.

El mismo informe de Menlo Ventures (2025) retrata un mercado que rota rápido incluso dentro de los cerrados: Anthropic lidera el uso empresarial con el 32%, OpenAI cae al 25% desde el 50% que tenía a finales de 2023, y Google sube al 20%. La conclusión del informe es literal: el rendimiento manda sobre el precio en la decisión de compra. Los modelos abiertos han mejorado mucho y tienen ventajas reales (despliegue en tu propia infraestructura, personalización, coste marginal), pero en 2025 seguían por detrás de la frontera cerrada en rendimiento, y la cuota lo refleja.

Qué significa para ti: la pregunta "¿abierto o cerrado?" está mal planteada para una pyme. La buena es "¿qué proceso, con qué datos y con qué presupuesto de mantenimiento?". Un modelo abierto autoalojado te convierte en tu propio proveedor de infraestructura: alguien tiene que actualizarlo, securizarlo y pagarlo. Ese alguien suele no existir en una empresa de 20 personas. El criterio completo de selección, con comparativa, está en nuestra guía de herramientas de IA para empresas.

Qué hacer: empieza con API cerrada y diseña el proceso para poder cambiar de modelo: si tu automatización depende de un prompt y no de una plataforma entera, migrar cuesta días, no meses.

Qué no hacer todavía: montar servidores con GPU por principio ("mis datos, mi modelo") sin un requisito legal o un volumen que lo justifique con números delante.

¿Por qué casi nadie ve retorno? El dato del MIT que se cita mal

El estudio del MIT no dice que el 95% de los proyectos de IA fracase. Dice que el 95% de las organizaciones no obtiene un retorno medible en su cuenta de resultados pese a una inversión de 30.000 a 40.000 millones de dólares (MIT NANDA, 2025). La diferencia importa: los pilotos suelen funcionar, lo que falla es la integración en el proceso de negocio.

En España y Latinoamérica el dato circula deformado como "el 95% de los proyectos de IA fracasa", y sobre esa frase se venden tanto el pánico como el escepticismo. El informe original, The GenAI Divide (MIT NANDA, 2025), describe otra cosa: adopción altísima, transformación escasa. El 5% que sí extrae valor comparte patrón: integra la IA en un flujo de trabajo concreto, con memoria del contexto del negocio, y compra a especialistas en lugar de construir demos internas que nadie mantiene.

La encuesta de McKinsey (2026) dibuja el mismo embudo con otra muestra: el 37% de las organizaciones atribuye ya algún impacto de la IA en su EBIT, pero solo el 6% califica como high performer con un impacto igual o superior al 5%. Adoptar es fácil; que aparezca en la cuenta de resultados es lo difícil.

Para una pyme esto es una ventaja competitiva disfrazada de mala noticia: tu competencia también está en el 95%. No necesitas más IA que ella, necesitas un caso con retorno medible antes que ella. El orden exacto para conseguirlo (diagnóstico, caso de negocio, piloto, medición) lo desarrollamos en la guía de implantar IA en una empresa.

Qué hacer: antes de firmar nada, escribe en una línea dónde esperas ver el retorno: menos horas en X, más conversión en Y, menos errores en Z. Si no puedes escribir esa línea, no tienes un proyecto, tienes una curiosidad.

Qué no hacer todavía: repetir el "95% fracasa" en tu comité para frenarlo todo, o ignorarlo para aprobarlo todo. El dato bien leído pide otra cosa: pilotos pequeños con métrica dura.

Productividad real en el puesto de trabajo: lo que dicen los datos medidos

Los estudios que miden en vez de preguntar pintan un cuadro más modesto que las encuestas. Un ensayo controlado de METR (2025) encontró que desarrolladores experimentados tardaban un 19% más usando IA, aunque creían ir un 20% más rápido. En Dinamarca, el mayor estudio con registros laborales reales (NBER, 2025) midió un ahorro medio del 2,8% de las horas y ningún efecto detectable en salarios.

Los detalles importan. METR (2025) hizo un ensayo aleatorizado con 16 desarrolladores expertos y 246 tareas reales en sus propios repositorios: con IA tardaron un 19% más, pese a que antes del estudio predecían acelerarse un 24% y después seguían creyendo que habían ido un 20% más rápido. El estudio danés (NBER, 2025) cruzó encuestas con registros administrativos de 7.000 centros de trabajo en ocupaciones expuestas (derecho, periodismo, contabilidad) y encontró efectos nulos precisos sobre salarios y horas, descartando impactos mayores del 1-2% dos años después del lanzamiento de ChatGPT.

Frente a eso, el 80% de los usuarios de IA declara ser más productivo (McKinsey, 2026). Esa distancia entre percepción y medición es la tendencia en sí: la sensación de velocidad no es velocidad, y los business case construidos sobre encuestas de sensación se caen cuando llega la auditoría.

No significa que la IA no sirva en el puesto de trabajo. Significa que el beneficio no llega solo por repartir licencias: llega cuando la tarea se rediseña alrededor de la herramienta y se mide antes y después.

Qué hacer: elige uno o dos procesos, toma línea base de tiempo y errores durante dos semanas, introduce la IA y vuelve a medir. Es aburrido y es lo único que distingue ahorro real de placebo.

Qué no hacer todavía: proyectar reducciones de plantilla desde percepciones. En la propia encuesta de McKinsey (2026), el 39% espera recortes ligados a IA; los datos daneses sugieren que, de momento, el efecto medible en empleo y salarios es mucho menor que el anunciado.

Consolidación de herramientas: tu proveedor puede cambiar de dueño mañana

El mercado de herramientas de IA se está consolidando a una velocidad que afecta a tu decisión de compra. En julio de 2025, Windsurf pasó en 72 horas de negociar su venta a OpenAI a ver cómo Google pagaba 2.400 millones de dólares por licencia y fundadores, y cómo Cognition compraba lo que quedaba (CNBC, 2025). La herramienta que contratas hoy puede tener otro dueño mañana.

El caso Windsurf (CNBC, 2025) no fue una anomalía sino el patrón: OpenAI negociaba comprarla por unos 3.000 millones, la operación se cayó, Google se llevó al CEO y la licencia tecnológica por 2.400 millones y Cognition adquirió producto, marca y equipo restante días después. Dos meses más tarde, OpenAI compró Statsig por 1.100 millones de dólares (CNBC, 2025). Y el reparto de cuotas del propio mercado de modelos (OpenAI del 50% al 25% en menos de dos años, según Menlo Ventures, 2025) confirma que ni siquiera los líderes tienen la posición asegurada.

Para una pyme, la consecuencia no es "no compres": es "compra como si tu proveedor pudiera desaparecer, subir precios o ser absorbido en 18 meses". Porque puede.

Qué hacer: antes de contratar cualquier herramienta de IA, verifica tres salidas: que puedes exportar tus datos en formato estándar, que el proceso está documentado fuera de la herramienta y que el contrato es mensual o anual, no plurianual. Un proceso bien mapeado sobrevive al cambio de herramienta; una herramienta sin proceso no sobrevive a nada.

Qué no hacer todavía: firmar contratos largos a cambio de descuento, o construir tu operación dentro de un formato propietario sin ruta de exportación. El descuento no compensa el rescate.

Qué hacer el lunes con estas tendencias de IA en tu empresa

El orden correcto no cambia con las tendencias: inventario de lo que ya usas, mapa del proceso, un caso con impacto medible, línea base, piloto acotado y decisión con datos. Las tendencias de IA para empresas en 2026 solo cambian dónde poner el foco: transparencia del AI Act ya, agentes en procesos acotados y contratos cortos con proveedores en plena consolidación.

Convertido en plan:

1. Inventaría la IA que ya usas (herramientas, SaaS con IA embebida, cuentas personales de ChatGPT del equipo). Te lo pide el AI Act y te lo pide el control de gasto.
2. Mapea el proceso antes de elegir herramienta. Es el paso que el 95% se salta y la razón por la que no ve retorno. El método está en por qué mapear procesos antes de automatizar.
3. Elige un solo caso con impacto visible en la cuenta de resultados: horas ahorradas, conversión, errores evitados. Uno, no cinco.
4. Mide la línea base dos semanas antes de tocar nada. Sin línea base, cualquier resultado posterior es opinión.
5. Lanza un piloto de 60 a 90 días con presupuesto cerrado y criterio de éxito escrito de antemano.
6. Decide con el dato: escalar, ajustar o matar. Matar un piloto a tiempo es un éxito operativo, no un fracaso.
7. Revisa cada trimestre estas tendencias contra tu caso: precios de modelos, plazos del AI Act y salud de tus proveedores.

Empezar por medir no es una frase: es una práctica. Por eso en Godius, consultoría de inteligencia artificial aplicada a empresas reales, la primera herramienta que construimos para nosotros mismos fue audit.godius.io, que audita una web de forma autónoma: rendimiento, SEO y visibilidad dentro de las respuestas de la IA. Diagnóstico antes que receta, también cuando la receta la vendemos nosotros.

Si quieres aterrizar estas tendencias en tu caso concreto (qué proceso, qué coste, qué plazo), en nuestros servicios explicamos cómo trabajamos: diagnóstico de procesos primero, propuesta con cifras después y sin permanencia.