La inteligencia artificial avanza a una velocidad que obliga a revisar muchas de las certezas con las que las empresas han trabajado hasta ahora.

El nuevo Stanford AI Index 2026 refleja una aceleración extraordinaria de las capacidades técnicas, una adopción empresarial cada vez más extendida y una frontera de rendimiento irregular. Los sistemas pueden resolver tareas de gran complejidad y, al mismo tiempo, presentar dificultades ante situaciones que una persona interpreta con naturalidad.

Esta aparente contradicción contiene una de las principales claves para las organizaciones: el progreso de la IA eleva el valor del criterio humano.

Una aceleración difícil de comparar con cualquier tecnología anterior

La IA generativa alcanzó cerca del 53% de adopción entre la población en apenas tres años, a un ritmo superior al del ordenador personal o internet. En el ámbito empresarial, la adopción organizativa llegó al 88%.

También crece el rendimiento técnico. En SWE-bench Verified, un benchmark que evalúa la capacidad de resolver incidencias reales de software extraídas de GitHub, el rendimiento de los modelos pasó de situarse en torno al 60% de la referencia humana a aproximarse al 100% en un solo año.

Los modelos más avanzados también alcanzan o superan referencias humanas en preguntas científicas de nivel doctoral, razonamiento multimodal y matemáticas de competición.

La capacidad crece. La adopción se expande. La pregunta empresarial cambia.

Ya resulta insuficiente preguntarse qué puede hacer la IA. La cuestión relevante es cómo integrarla con rigor en procesos, decisiones y responsabilidades.

La frontera irregular de la inteligencia artificial

El informe utiliza una idea especialmente reveladora: la frontera irregular de la IA.

Gemini Deep Think alcanzó una puntuación equivalente a una medalla de oro en la Olimpiada Internacional de Matemáticas. A la vez, el mejor modelo evaluado interpretó correctamente relojes analógicos en el 50,1% de los casos.

Esta combinación rompe una intuición muy extendida: una mayor capacidad general debería traducirse en fiabilidad uniforme.

La realidad es distinta. La IA puede destacar en razonamiento científico, programación o cálculo avanzado y mostrar fragilidad ante tareas visuales, contextuales o aparentemente sencillas.

Para una empresa, esta irregularidad tiene consecuencias directas. Una herramienta brillante en una demostración puede comportarse de forma diferente cuando se integra en un proceso real con datos incompletos, excepciones, criterios internos y decisiones que afectan a clientes, equipos o negocio.

Por eso, evaluar una solución exige mirar más allá de la potencia del modelo. Importan también el contexto, la calidad del dato, la trazabilidad, la supervisión, la seguridad y el impacto de cada decisión.

De responder preguntas a ejecutar tareas

El avance de los agentes de IA amplifica este reto.

En OSWorld, un entorno que mide la capacidad de los agentes para completar tareas reales en distintos sistemas operativos, la tasa de éxito pasó de alrededor del 12% a cerca del 66%.

El salto es enorme. También muestra que los agentes se acercan a un escenario donde pueden navegar por aplicaciones, gestionar archivos y completar flujos de trabajo con una autonomía creciente.

Esta evolución abre oportunidades claras para automatizar procesos, reducir tareas repetitivas y ampliar la capacidad operativa de los equipos.

A medida que aumenta la autonomía de un sistema, adquieren mayor relevancia las decisiones previas:

• ¿Qué objetivo debe perseguir?
• ¿Qué información puede utilizar?
• ¿Qué permisos necesita?
• ¿Qué acciones requieren validación?
• ¿Qué indicadores permiten evaluar su desempeño?
• ¿Quién asume la responsabilidad del resultado?

Un agente transforma una instrucción en una acción. Por eso, la gobernanza debe diseñarse desde el inicio, integrada en el proceso y conectada con los objetivos del negocio.