La inversión en infraestructura de inteligencia artificial crece a una escala que plantea una cuestión cada vez más difícil de ignorar: de dónde saldrán los ingresos que permitan sostenerla. Las aplicaciones de IA actualmente identificadas podrían generar entre 1,2 y 1,8 billones de dólares anuales en 2031, frente a los 6 billones que requeriría la capacidad de computación prevista para ese momento. La diferencia obliga a mirar más allá de la productividad y poner el foco en nuevos productos, servicios y modelos de negocio.
El debate empresarial sobre inteligencia artificial suele empezar por la productividad: cuánto tiempo ahorra, qué tareas automatiza o qué costes permite reducir. La presentación del séptimo Global Technology Report de Bain & Company, difundida el 29 de septiembre de 2026, plantea una cuestión de mayor escala. Para financiar la demanda de computación asociada a la IA, el mercado tendría que generar alrededor de 6 billones de dólares de ingresos anuales en 2031.
La cifra debe leerse como una estimación prospectiva, no como un déficit actual ni como una previsión garantizada. El comunicado público de Bain resume los resultados del informe, pero no detalla toda la metodología de la proyección. Aun con esa cautela, el ejercicio sirve para poner dimensión a una pregunta que ya afecta a los comités de dirección: qué parte de la inversión en IA puede justificarse con eficiencia y qué parte necesitará crear ingresos que hoy todavía no existen.
Una brecha que no se cubre solo con ahorro de costes
Bain calcula que las aplicaciones ya reconocibles de IA —suscripciones y publicidad para consumidores, junto con usos empresariales en desarrollo de software, ventas, marketing, atención al cliente y operaciones de TI— podrían aportar entre 1,2 y 1,8 billones de dólares anuales en 2031. Incluso en el extremo alto del rango, quedarían unos 4,2 billones por generar para alcanzar la escala que el informe considera necesaria.
Ese espacio no se cubriría únicamente haciendo las mismas tareas con menos recursos. Bain identifica cuatro fuentes de crecimiento: publicidad integrada en los propios modelos y asistentes; vehículos, drones y sistemas industriales autónomos; la llamada IA física, que incluye simulaciones, gemelos digitales y robótica; y mercados todavía emergentes o difíciles de dimensionar, como el descubrimiento de fármacos, determinadas aplicaciones de salud o nuevas soluciones energéticas.
La última categoría es también la más incierta, porque depende de productos y usos que aún no están consolidados. Por eso, la lectura más útil para una empresa no consiste en trasladar los 4,2 billones a su presupuesto, sino en entender el cambio de lógica: una parte relevante del retorno futuro de la IA tendría que venir de nuevo negocio, no solo de productividad interna.
El ROI pasa de la tarea al modelo de negocio
Ese desplazamiento obliga a separar mejor los distintos tipos de retorno. Automatizar una tarea puede liberar horas, pero esas horas no se convierten automáticamente en margen o crecimiento. El valor aparece cuando la organización decide qué hacer con esa capacidad: atender más demanda, acelerar lanzamientos, mejorar el servicio, reducir errores o abrir una nueva fuente de ingresos.
Dir&Ge ya ha abordado esta diferencia entre adopción tecnológica y rentabilidad de la IA en las empresas. El informe de Bain amplía la misma discusión a escala de mercado: si la infraestructura crece antes que los ingresos, medir el éxito por licencias desplegadas, usuarios activos o tareas aceleradas ofrece una visión incompleta.
Para los equipos directivos, esto refuerza la necesidad de construir casos de negocio con métricas distintas según el objetivo. Un proyecto orientado a eficiencia debería demostrar reducción de coste o aumento de capacidad; uno comercial, crecimiento de ventas o mejora de conversión; y uno de innovación, una hipótesis concreta sobre producto, cliente y disposición a pagar. Agrupar todos esos efectos bajo una única etiqueta de “productividad” dificulta saber dónde se está creando valor.
La velocidad de absorción se convierte en una variable competitiva
Bain denomina “velocidad de absorción” al ritmo al que una compañía consigue incorporar la IA a su funcionamiento real. La expresión es relevante porque desplaza la atención desde la compra de modelos hacia la capacidad de conectarlos con datos, aplicaciones, procesos y equipos. Según el informe, los proveedores están reforzando precisamente esas capas de integración y acompañamiento para acelerar la adopción empresarial.
El desarrollo de software muestra bien el problema. En una encuesta de Bain a 293 responsables tecnológicos sénior, los participantes anticipan para los próximos uno o dos años una mejora del 148% en la velocidad de los ciclos de lanzamiento y del 95% en la productividad de los desarrolladores. Son expectativas declaradas, no resultados observados. De hecho, el propio comunicado sitúa las mejoras que se están obteniendo hoy entre el 20% y el 27% en métricas clave.
La distancia entre ambas cifras ayuda a explicar por qué acelerar el código no basta. Bain advierte de que, cuando la IA reduce el tiempo de programación, los cuellos de botella pueden trasladarse a la revisión, la coordinación, la calidad y la gobernanza. Optimizar una tarea sin rediseñar el flujo completo puede mover la fricción en lugar de eliminarla. La ventaja no está solo en disponer de un modelo más potente, sino en reorganizar el sistema de trabajo para que esa capacidad llegue al resultado final.
La escala de la IA también cambia compras, hardware y riesgo
El informe extiende esa transformación más allá del software. Bain señala que la capitalización de las compañías de hardware y semiconductores creció a una tasa anual compuesta del 24% entre 2020 y 2026, frente al 6% del software, impulsada por la demanda de memoria de alto ancho de banda, empaquetado avanzado y chips especializados. Para los compradores empresariales, esta concentración de demanda introduce cuestiones de disponibilidad, precio, dependencia de proveedores y diversificación geográfica.
La ciberseguridad añade otra capa. Bain estima que la IA ha comprimido el tiempo de un ciberataque típico desde unas cuatro semanas hasta alrededor de 18 horas y advierte de que los agentes amplían la superficie de exposición. El dato procede del propio análisis de la consultora y el comunicado no ofrece en este punto una metodología detallada, pero la consecuencia organizativa que plantea es clara: los ciclos de control basados en revisiones esporádicas pierden eficacia cuando modelos y software cambian a diario.
La lectura conjunta del informe no es que todas las empresas deban perseguir nuevos mercados multimillonarios. Es más concreta: cuanto mayor es la inversión en IA, menos útil resulta medirla solo por adopción o ahorro de tiempo. Los proyectos que lleguen a escala tendrán que conectar tecnología con ingresos, procesos completos, capacidad operativa y riesgo. El retorno deja así de ser una cuestión exclusiva del área tecnológica y pasa a formar parte del diseño del negocio.
