PCUV
Cómo están adoptando la
inteligencia artificial
las empresas de la Comunidad Valenciana
Qué están haciendo hoy las empresas valencianas con la IA, qué impacto están generando y qué retos están encontrando.
Estudio realizado por Pleyad en colaboración con la Fundació Parc Científic Universitat de València
Informe
Descargar informe completo
 Explorar
PCUV GVA
La oportunidad
y la urgencia
En pocos años, la inteligencia artificial ha pasado de ser un campo experimental a convertirse en una tecnología que condiciona la competitividad y
redefine la forma de operar de las empresas
.
La inversión, la presión regulatoria y las expectativas del mercado se aceleran, pero la adopción real en las empresas avanza a distintas velocidades: si bien el uso de herramientas de IA se ha extendido rápidamente,
el gran paso ahora es integrar la tecnología
en los procesos, modelos organizativos y estrategia de las empresas.
EmpresIA nace para entender este momento de transición desde dentro del tejido empresarial valenciano: comprender cómo están incorporando la IA, qué valor están generando y qué condiciones marcan su capacidad para avanzar
Un poco de historia
1942
1942
Joseph Schumpeter publica su teoría de la destrucción creativa; la innovación disruptiva tiene la capacidad de transformar sectores enteros.

Se siembra la idea de que
la tecnología avanza en “olas”
.
1956
1956
Fundación del campo de la
Inteligencia Artificial
en la reunión de Dartmouth.

Primeras promesas de automatizar el razonamiento.
1980s–1990s
1980s–1990s
Primeras aplicaciones prácticas, en industria, logística y diagnóstico.

Expectativas altas, pero limitaciones técnicas
.
2000s
2000s
Transformación digital como quinta ola. Las empresas digitalizan su gestión, migran a la nube, y
generan volúmenes masivos de datos
.

Se crea la infraestructura que hará posible la IA actual.
2017
2017
The Transformers: Google presenta
“Attention is all you need”
, artículo que introduce la arquitectura que impulsa la IA generativa moderna.
2022
2022
Publicación de ChatGPT: explosión de la IA generativa.

La IA sale del laboratorio y entra en el uso masivo.
Se democratiza la experimentación
.
2025
2025
Albores de la sexta ola.

La IA empieza a
integrarse en productos, procesos y decisiones
.
2030
2030
Una ventana de oportunidad.

Proyecciones internacionales estiman que la IA podría añadir al menos un 3–4% al PIB global.

La oportunidad se concentra en la década 2025–2035
.
La IA ya está transformando cómo compiten las empresas.

El impacto del futuro se decide hoy: en cómo nos organizamos, en cómo usamos los datos y en cómo adoptamos la tecnología.
El análisis:
Las seis dimensiones del modelo
El estudio se apoya en un
modelo de análisis
articulado en seis dimensiones, para comprender cómo las empresas integran la inteligencia artificial en su actividad. Estas dimensiones analizan la
adopción de la IA como un proceso progresivo
, condicionado por factores estratégicos, organizativos y culturales.

El enfoque no evalúa tecnologías concretas, sino que examina cómo se toman decisiones, se implantan las soluciones, se genera valor y se afrontan obstáculos, ofreciendo una
visión realista y útil
para abordar la incorporación de la IA en las empresas.
Pasa el ratón por el diagrama para obtener más información
Dimensión 1
Visión estratégica
Desde qué ambición, propósito y posición competitiva se aproxima cada empresa a la IA y cómo esta tecnología se integra en su estrategia global.
Dimensión 2
Motivaciones y expectativas
Qué retos, necesidades u oportunidades activan los primeros proyectos de IA y qué espera obtener la organización a corto y medio plazo.
Dimensión 3
Proceso de implantación
Cómo se pasa de la idea a una solución en producción: fases, actores implicados y dinámicas de decisión
Dimensión 4
Impacto y resultados
Qué está cambiando realmente con la IA, combinando indicadores cuantitativos y efectos cualitativos.
Dimensión 5
Barreras y factores de éxito
Qué frena los proyectos y qué condiciones críticas permiten avanzar: retos y factores que marcan la diferencia entre escalar o quedarse en pruebas.
Dimensión 6
Aprendizajes y futuro
Qué han aprendido las empresas tras sus primeros ciclos de adopción y hacia dónde dirigen ahora sus iniciativas, capacidades, casos de uso y colaboraciones.
Dimensión 1: Visión
Cómo se integra la IA en la estrategia de las empresas
La integración de la inteligencia artificial en la estrategia empresarial no responde a un modelo único, sino
que refuerza la forma en que cada empresa ya compite
. La IA actúa como un acelerador de prioridades existentes y pone de relieve tensiones internas.

La diferencia no la marca el uso de la tecnología, sino
cómo se define el papel que la IA debe jugar
en el posicionamiento competitivo de cada organización.
Patrones de posicionamiento competitivo
Pasa el ratón por el diagrama para obtener más información
Eficiencia y estabilidad operativa
Eficiencia y estabilidad operativa

Mercados con márgenes ajustados y procesos intensivos.

Con la IA:

  • Automatización
  • Control de procesos
  • Calidad de dato
Diferenciación y valor percibido
Diferenciación y valor percibido

Competencia por experiencia, personalización y expertise.

Con la IA:

  • Mejor experiencia
  • Menos fricción
  • Recomendaciones
Impacto y legitimidad social
Impacto y legitimidad social

Propósito ambiental o social en el centro.

Con la IA:

  • Trazabilidad
  • Accesibilidad
  • Resolución de ineficiencias sistémicas
Tensiones estratégicas
Las empresas operan en medio de tensiones que atraviesan a casi todo el tejido empresarial: son síntomas de intentar adaptarse a un contexto que evoluciona más rápido que sus capacidades internas.
Ambición estratégica
vs
Capacidad real de ejecución
Velocidad de innovación
vs
Estabilidad operativa
Personalización
vs
Escalabilidad
Propósito e impacto
vs
Resultados a corto plazo
Qué implica en la práctica
1.
La IA funciona como amplificador de la estrategia previa, no como atajo que sustituye la falta de dirección
2.
Las empresas más sólidas gestionan las tensiones por prioridad, no intentan resolverlas todas a la vez
3.
La pregunta estratégica ya no es “si hacemos IA o no”, sino qué papel debe tener la IA en la forma concreta de competir de cada empresa
Dimensión 2: Motivaciones
Por qué las empresas deciden incorporar IA
Las empresas se mueven entre
urgencia operativa y ambición estratégica
. La IA permite tanto aliviar fricciones concretas como explorar capacidades que antes no estaban a su alcance.

Los proyectos que avanzan con mayor solidez son aquellos que conectan ambas dimensiones: parten de problemas reales del negocio, pero utilizan la IA para abrir nuevas posibilidades.
Detonantes de adopción
Pasa el ratón por el diagrama para obtener más información
Decisiones demasiado lentas
Decisiones demasiado lentas
  • Demasiados datos
  • Poca capacidad de análisis
Procesos que no escalan
Procesos que no escalan
  • Tareas repetitivas
  • Backoffice
  • Carga operativa
Experiencia de cliente y tiempos
Experiencia de cliente y tiempos
  • Esperas
  • Fricción
  • Retraso en la respuesta
Dependencia de conocimiento experto
Dependencia de conocimiento experto
  • Saber concentrado en pocas personas
Presión competitiva reguladora
Presión competitiva reguladora
  • Competencia
  • Precios
  • Regulación
Desorden estructural del dato
Desorden estructural del dato
  • Silos
  • Duplicidades
  • Deuda tecnológica
Need Pull vs Technology Push
Los proyectos de IA se activarse desde
dos impulsos distintos
: la necesidad de resolver problemas concretos del negocio (“need pull”) o la oportunidad de explorar lo que la tecnología permite hacer (“technology push”).

Esta diferencia marca el
punto de partida de los proyectos
y condiciona tanto su enfoque como sus posibilidades de generar valor.
No nos podemos permitir crecer en personal al ritmo que crece la demanda
Hay mucha información, pero no es fácil de digerir; reaccionábamos tarde y hacíamos análisis post-mortem
La carga de trabajo era insostenible, dedicábamos nuestro tiempo libre a terminar las tareas
Tenemos proyectos que hace un año y medio eran inimaginables
Ahora tras una semana ya le puedo enseñar al usuario lo que quiero hacer; así ya sé si tiene sentido o no
El core de nuestra empresa es directamente la IA. No es una estrategia; nacimos de ella, con esa visión diferencial
Qué implica en la práctica
1.
Los mejores proyectos no nacen solo de la moda tecnológica, sino de fricciones operativas muy concretas del negocio que la IA puede aliviar
2.
Cuando la IA se impulsa solo desde la urgencia, se corre el riesgo de parchear; cuando se impulsa solo desde la oportunidad, se aleja del problema real
3.
Los proyectos que mejor funcionan definen desde el inicio qué significa “éxito” y diseñan la prueba de concepto para generar evidencias cuanto antes.
Dimensión 3: Implantación
Cómo se implementan los proyectos de IA
Los proyectos de inteligencia artificial no avanzan de forma lineal, sino que
recorren etapas experimentales sucesivas.


La diferencia entre pilotos aislados y soluciones que escalan reside en contar con
modelos de gobernanza y desarrollo coherentes
que conecte la experimentación con la operación diaria.
Fases de implementación de proyectos de IA
Desde la prueba de concepto al escalado, los proyectos de IA tienden a adoptar un
enfoque ágil y experimental
, como respuesta a la incertidumbre
Pasa el ratón por el diagrama para obtener más información
1. Prueba de concepto
1. Prueba de concepto

¿Funciona a pequeña escala?

  • Prototipos rápidos y baratos
  • Valida hipótesis con datos
  • Destapa límites
2. Piloto
2. Piloto

¿Genera impacto?

  • Entorno real, usuarios reales
  • MVP con KPIs
  • Revela dependencias y dependencias
  • Conlleva rediseños
3. Despliegue
3. Despliegue

¿Se opera de forma estable?

  • Integración con sistemas corporativos
  • Ajuste de procesos y roles
4. Escalado
4. Escalado

¿Cómo se amplia y se mantiene?

  • Añadir nuevos casos de uso
  • Extender a más equipos y procesos
  • Mantener y actualizar modelos
1. Prueba de concepto
1. Prueba de concepto

¿Funciona a pequeña escala?

  • Prototipos rápidos y baratos
  • Valida hipótesis con datos
  • Destapa límites
2. Piloto
2. Piloto

¿Genera impacto?

  • Entorno real, usuarios reales
  • MVP con KPIs
  • Revela dependencias y dependencias
  • Conlleva rediseños
3. Despliegue
3. Despliegue

¿Se opera de forma estable?

  • Integración con sistemas corporativos
  • Ajuste de procesos y roles
4. Escalado
4. Escalado

¿Cómo se amplía y se mantiene?

  • Añadir nuevos casos de uso
  • Extender a más equipos y procesos
  • Mantener y actualizar modelos
Gobernanza y desarrollo
No existe un único modelo de gobernanza y desarrollo de la IA:
cada empresa configura su propio equilibrio
entre control técnico, alineación con el negocio y velocidad de ejecución
Quién gobierna los proyectos de IA
1/3
TI / Transformación Digital
Opción 1
TI / Transformación Digital
Control técnico
Coherencia arquitectónica
Seguridad
Cuellos de botella
Menor margen de experimentación
2/3
Innovación / Negocio
Opción 2
Innovación / Negocio
Alineación estratégica de los casos de uso
Proximidad al problema real
Dispersión
Soluciones aisladas o no integradas
3/3
Modelos híbridos
Opción 3
Modelos híbridos
Decisiones compartidas
Criterios comunes
Coordinación transversal
Mayor complejidad
Ritmo más lento
Bloqueo de experimentación
1/3
TI / Transformación Digital
Opción 1
TI / Transformación Digital
Control técnico
Coherencia arquitectónica
Seguridad
Cuellos de botella
Menor margen de experimentación
2/3
Innovación / Negocio
Opción 2
Innovación / Negocio
Alineación estratégica de los casos de uso
Proximidad al problema real
Dispersión
Soluciones aisladas o no integradas
3/3
Modelos híbridos
Opción 3
Modelos híbridos
Decisiones compartidas
Criterios comunes
Coordinación transversal
Mayor complejidad
Ritmo más lento
Bloqueo de experimentación
Quién desarrolla las soluciones
1/3
Desarrollo interno
Opción 1
Desarrollo interno
Mayor control sobre datos
Mayor encaje con el negocio
Requiere capacidades técnicas sólidas
2/3
Desarrollo externalizado
Opción 2
Desarrollo externalizado
Acceso rápido a capacidades avanzadas
Aceleración en el arranque
Falta de conocimiento del negocio
Dependencia del proveedor
3/3
Modelos híbridos
Opción 3
Modelos híbridos
Control de negocio y del dato
Mayor velocidad en componentes especializados
Riesgo de dependencias múltiples
Gobernanza del proyecto más compleja
1/3
Desarrollo interno
Opción 1
Desarrollo interno
Mayor control sobre datos
Mayor encaje con el negocio
Requiere capacidades técnicas sólidas
2/3
Desarrollo externalizado
Opción 2
Desarrollo externalizado
Acceso rápido a capacidades avanzadas
Aceleración en el arranque
Falta de conocimiento del negocio
Dependencia del proveedor
3/3
Modelos híbridos
Opción 3
Modelos híbridos
Control de negocio y del dato
Mayor velocidad en componentes especializados
Riesgo de dependencias múltiples
Gobernanza del proyecto más compleja
Qué implica en la práctica
1.
Los proyectos que mejor funcionan definen una prueba de concepto para reducir incertidumbre, no solo para probar la tecnología
2.
Las empresas que consiguen escalar integran la IA en procesos y sistemas reales desde fases tempranas
3.
La implementación fluye mucho mejor cuando existe una gobernanza mínima clara
4.
La calidad y la disponibilidad del dato se convierten en el principal cuello de botella, las empresas que lo preparan antes de arrancar evitan bloqueos posteriores
Dimensión 4: Resultados
Impacto y resultados
El impacto inicial de la IA en las empresas se manifiesta, de forma predominante, en
mejoras de eficiencia y en la organización interna
, más que en incrementos inmediatos de facturación.

Esto sienta las bases organizativas y de dato necesarias para que, más adelante, puedan materializarse
resultados económicos.
Impacto y resultados
Pasa el ratón por el diagrama para obtener más información
Impacto Estratégico
Impacto Estratégico
  • Nuevas propuestas de valor
  • Diferenciación frente a competencia
Impacto Organizativo
Impacto Organizativo
  • Rediseño de flujos y roles
  • Mejora en la calidad del dato
Impacto Comercial
Impacto Comercial
  • Servicio más homogéneo
  • Mejor tiempo de respuesta
  • Amortiguación pico de demanda
Impacto Operativo
Impacto Operativo
  • Mayor volumen
  • Reducción de tiempos y tareas repetitivas
  • Procesos más fiables
Lo tangible frente a lo intangible: más allá de las métricas
Indicadores cuantitativos
Indicadores cuantitativos
  • Horas ahorradas o tareas automatizadas
  • Mayor volumen de trabajo gestionado con el mismo equipo
  • Reducción de tiempos de respuesta en procesos clave
Lo que los datos no capturan
Lo que los datos no capturan
  • Decisiones más informadas y rápidas
  • Menor fricción interna para acceder a la información
  • Mayor capacidad de experimentación
  • Mejor calidad y trazabilidad del dato
ROI blando
En los relatos de las empresas aparece de forma recurrente la idea de un “ROI blando”, asociado a aquellas mejoras que aún no impactan en resultados financieros, pero que crean las condiciones necesarias para generar valor económico a medio plazo
Qué implica en la práctica
1.
Las empresas que mejor están aprovechando la IA entienden que los impactos operativos y organizativos llegan antes que los resultados financieros
2.
Los proyectos que mejor funcionan definen desde el principio unos pocos indicadores sencillos y los conectan con mejoras cualitativas en dato, decisiones y experiencia de cliente o usuario
3.
Las organizaciones que no han definido cómo medir estos efectos se encuentran con más dificultades para justificar nuevas inversiones y escalar los proyectos más allá del piloto
Dimensión 5: Barreras
Barreras y factores críticos
Los frenos a los proyectos de IA no son principalmente tecnológicos, sino
organizativos y económicos.


Estas dificultades se concentran en la cultura interna, la calidad y gobernanza del dato y la estimación realista de los costes de implantación y mantenimiento.
Barreras organizativas y culturales
Barreras organizativas y culturales
1/4
Silos e inmadurez organizativa
Silos e inmadurez organizativa
Los equipos trabajan por separado y los proyectos quedan desconectados del negocio o de la organización
2/4
Resistencia a nuevas formas de trabajar
Resistencia a nuevas formas de trabajar
Parte de la organización defiende procesos y métodos heredados y ralentiza la adopción
3/4
Expectativas infladas y delegación incorrecta
Expectativas infladas y delegación incorrecta
Se espera que la IA resuelva todo “mágicamente”
4/4
Miedo al desplazamiento profesional
Miedo al desplazamiento profesional
La IA se percibe como riesgo y se reacciona con cautela y desconfianza
Barreras técnicas
Barreras técnicas
1/4
Calidad y acceso al dato
Calidad y acceso al dato
Los proyectos de IA se convierten en proyectos de saneamiento y gobernanza del dato
2/4
Integración con sistemas heredados
Integración con sistemas heredados
Las soluciones funcionan en piloto, pero se atascan al implantarlas en producción e integrarlas con los sistemas actuales
3/4
Ritmo del cambio tecnológico
Ritmo del cambio tecnológico
Las tecnologías, como modelos y APIs, se actualizan demasiado rápido
4/4
Seguridad y cumplimiento
Seguridad y cumplimiento
La gestión de datos sensibles y las exigencias regulatorias añaden complejidad
Barreras económicas
Barreras económicas
1/4
Coste real de implantación
Coste real de implantación
El esfuerzo está en el desarrollo a medida y la integración, no en las licencias
2/4
Costes de nube y cómputo
Costes de nube y cómputo
El consumo puede dispararse si no se prevé o se optimiza desde el inicio
3/4
Mantenimiento y evolución
Mantenimiento y evolución
Surgen costes recurrentes, por ejemplo asociados a monitorización, reentrenamiento y actualización
4/4
Dependencia de proveedores
Dependencia de proveedores
Arquitecturas poco modulares pueden dificultar el cambio de proveedor o de componentes
Qué implica en la práctica
1.
Las empresas que mejor avanzan ajustan la ambición a su capacidad organizativa real, en lugar de forzar hojas de ruta difíciles de cumplir
2.
Preparar y gobernar el dato por adelantado evita retrasos y bloqueos técnicos durante la ejecución de los proyectos
3.
La adopción mejora cuando el cambio cultural se trabaja explícitamente (comunicación, formación, participación), y no se delega solo en TI
4.
Las decisiones son más sólidas cuando se calcula desde el inicio el coste total de propiedad, incluyendo mantenimiento, integración y consumos
Dimensión 6: Aprendizajes
Hacia dónde vamos y cómo
Tras los primeros ciclos de adopción, las empresas proyectan una
segunda fase de IA más selectiva y estratégica.


El foco se desplaza
de la exploración hacia la consolidación
de los casos que ya han demostrado valor y el refuerzo de capacidades internas, antes de abrir nuevos frentes o multiplicar iniciativas.
Lecciones aprendidas
Ajustes planteamiento inicial
  • Acotar el caso de uso
  • Integrar UX desde el inicio
  • Preparación previa
Evitar aproximaciones amplias sin marco claro
Planteamiento inicial
Ajustes metodológicos
  • Ciclos cortos y ágiles
  • Prototipado rápido
  • MVPs iterativos
Validación y capacidad de pivotar antes que planificación exhaustiva
Ajustes metodológicos
Ajustes tecnológicos
  • Arquitectura escalable
  • IA Generativa-First
  • Modernización del Stack Core
Decisiones tempranas impactan evolución
Ajustes tecnológicos
Ajustes operativos y organizativos
  • Foco en dominios acotados
  • Acompañamiento cercano
  • Reforzar rol de PM/Analista
Alineación, acompañamiento y foco son decisivos
Ajustes operativos y organizativos
Condicionantes
para el éxito
Calidad del dato
Retorno claro
Capacidad de integración
Compliance y seguridad
Estimación de coste total (TCO)
Del experimento al escalado
Profundización
Profundización
  • Automatización back-office
  • Analítica predictiva
  • Integración herramientas corporativas
Nuevas capacidades
Nuevas capacidades
  • Copilotos internos
  • Agentes autónomos
  • Multimodalidad (Voz/Chat)
Extensión horizontal
Extensión horizontal
  • Mismos procesos, otras unidades
  • Nuevas geografías/sedes
  • Ámbitos con alta repetitividad
Integración extremo a extremo
Integración extremo a extremo
  • Conectar flujos completos
  • Orquestar automatizaciones
  • Monitorización tiempo real
La hoja de ruta de las empresas no consiste únicamente en multiplicar casos de uso de IA, sino en escalar aquellos que han demostrado generar valor.

El enfoque cambia de proyectos aislados a decisiones estratégicas, donde la IA deja de ser un experimento tecnológico para convertirse en un activo de las empresas.
Qué implica en la práctica
1.
El siguiente paso no es multiplicar casos de uso, sino escalar de forma selectiva allí donde ya existe evidencia clara de valor
2.
Las decisiones de inversión se orientan cada vez más por criterios como time-to-value, disponibilidad y calidad de los datos, y capacidad interna para sostener la solución
3.
El talento y el aprendizaje continuo se convierten en factores fundamentales: sin equipos capaces de absorber el cambio, los proyectos se frenan
4.
La relación con el ecosistema de innovación se vuelve más pragmática, centrada en complementar las capacidades internas con expertise especializado
Conclusión
Cerrando el círculo: de los hallazgos a la acción
Los hallazgos del estudio dibujan un patrón claro sobre
cómo las empresas están incorporando la IA
y qué condiciones explican su avance o bloqueo.

Más allá de los casos concretos, los resultados permiten extraer
aprendizajes transversales y criterios prácticos
para orientar decisiones futuras.
Aprendizajes clave
Aprendizajes clave
  • La IA funciona mejor cuando se apoya en procesos ordenados, no cuando intenta sustituirlos
  • Los impactos que llegan primero son operativos y organizativos; los financieros llegan después y dependen de consolidar los anteriores
  • La madurez no se mide por número de pilotos, sino por cuántos llegan a producción y se sostienen en el tiempo
Condiciones para avanzar
Condiciones para avanzar
  • Partir de un caso de uso que conecte con un problema de negocio concreto
  • Contar con un mínimo de preparación técnica: datos accesibles y de calidad, arquitectura flexible y un modelo de costes realista
  • Alinear expectativas internas: qué puede aportar la IA hoy y qué aún no
EmpresIA es un punto de partida: una base común de lenguaje, experiencias y evidencias para que cada empresa pueda construir su propia hoja de ruta en IA, con menos ruido y más criterio.

El valor del estudio no está solo en las conclusiones, sino en las preguntas que deja abiertas dentro de cada empresa: qué sentido tiene la IA en nuestro contexto, dónde aporta valor de verdad y qué no estamos preparados todavía para abordar.