IA en España 2025: solo el 8,7% de las pymes la usa en producción

Cuatro números que enmarcan la situación

El 13,4% de las empresas españolas con más de 10 empleados usa al menos una tecnología de inteligencia artificial. La media de la UE-27 es el 13,5%. España está, literalmente, en la media. Ni rezagada ni adelantada.

Ese dato, del Digital Economy and Society Index (DESI) 2024 de la Comisión Europea, es el punto de partida de este informe. Pero como todas las medias, oculta más de lo que revela. Porque si desagregar ese 13,4% por tamaño de empresa, sector y tipo de tecnología, la foto cambia radicalmente. Las grandes empresas españolas (más de 250 empleados) adoptan IA al 49,2%, por encima de Alemania (48,1%) y ligeramente por debajo de Francia (50,3%). Las pymes de 10 a 49 empleados están en el 8,7%. La brecha no es un gap; es un abismo.

Este whitepaper recopila y analiza los datos cuantitativos disponibles sobre el estado de la IA en España. No es un ejercicio especulativo sobre lo que la IA podría hacer. Es un inventario de lo que está haciendo, cuánto cuesta, dónde funciona, y dónde no. Las fuentes son públicas: INE (Encuesta sobre el uso de TIC y comercio electrónico en las empresas), Banco de España (informes trimestrales de economía digital), Comisión Europea (DESI, AI Watch), y los informes sectoriales de AMETIC y Cotec.

Inversión: cuánto y en qué

España destino 1.847 millones de euros a inteligencia artificial en 2024, según estimaciones del Observatorio Nacional de Tecnología y Sociedad (ONTSI). Eso representa el 0,14% del PIB. A modo de comparativa: Francia destina el 0,21%, Alemania el 0,19%, y el líder europeo, Finlandia, el 0,37%.

Pero el número agregado dice poco. Lo relevante es la composición:

Sector público: 612 millones (33%). La estrategia ENIA (Estrategia Nacional de Inteligencia Artificial) y los fondos Next Generation EU son los principales motores. El Plan de Digitalización de las Administraciones Públicas 2021-2025 tiene una partida específica de 500 millones para IA, de los cuales se han ejecutado unos 340 millones hasta junio de 2025. Los proyectos más visibles: el sistema de asistente virtual de la Agencia Tributaria (que procesa 2,3 millones de consultas mensuales), el sistema de detección de fraude de la Seguridad Social, y los proyectos piloto de justicia predictiva en tribunales mercantiles de Madrid y Barcelona.

Grandes empresas: 789 millones (43%). Las empresas del IBEX-35 concentran una parte desproporcionada. Telefónica, BBVA, Santander, CaixaBank e Inditex representan conjuntamente más del 40% de esta partida. El patrón es claro: las grandes empresas españolas invierten en IA al mismo nivel que sus homólogas europeas. Pero hay 4.600 empresas de más de 250 empleados en España, y la mitad no ha iniciado ningún proyecto de IA.

Pymes y startups: 446 millones (24%). Aquí está la sorpresa relativa. El ecosistema de startups de IA en España ha crecido un 34% en número de empresas entre 2022 y 2024, según el mapa de Barcelona Supercomputing Center. Barcelona y Madrid concentran el 78% de estas empresas, con un cluster emergente en Valencia vinculado al sector logístico y agroalimentario.

La pregunta que no responden los datos de inversión es la eficiencia. Cuánto retorno genera cada euro invertido? Los datos granulares no existen a nivel nacional, pero el Banco de España estima que las empresas que adoptan IA reportan un incremento medio de productividad del 4,7% en los dos primeros años. Eso no es un número que justifique euforia, pero sí que justifique la inversión para quien la hace con criterio.

Adopción por sectores: ganadores y rezagados

La adopción de IA en España no es uniforme. La varianza intersectorial es enorme, y los sectores que lideran no son necesariamente los que uno esperaría.

Sector financiero: 38,2% de adopción

El sector más avanzado, sin discusión. Las entidades financieras españolas llevan una década invirtiendo en modelos predictivos, detección de fraude y automatización de procesos. BBVA tiene más de 400 modelos de IA en producción. CaixaBank procesa el 100% de las solicitudes de crédito a consumo con scoring basado en machine learning. Santander reporta que sus modelos de detección de fraude identifican el 94% de las transacciones fraudulentas con una tasa de falsos positivos del 0,3%.

Lo que distingue al sector financiero no es la tecnología (los modelos son relativamente convencionales: XGBoost, redes neuronales poco profundas, modelos de lenguaje para NLP) sino la madurez operativa. Tienen equipos de MLOps, pipelines de datos robustos, gobernanza de modelos, y años de experiencia en cumplimiento regulatorio. La IA para ellos no es un proyecto de innovación. Es infraestructura.

Retail y logística: 22,1% de adopción

El segundo sector, impulsado por dos fuerzas: la optimización de cadena de suministro y la personalización de la experiencia de cliente. Inditex es el caso paradigmático (su sistema de previsión de demanda procesa 400 millones de artículos al año y ajusta producción y distribución en ciclos de 2 semanas), pero hay adopción significativa en empresas medianas del sector.

La logística específicamente ha encontrado en la IA aplicaciones con retorno inmediato: optimización de rutas, previsión de demanda, gestión de almacén y detección de anomalías en envíos. Una empresa de distribución de alimentación con la que hemos trabajado redujo un 12% los kilómetros recorridos por su flota con un sistema de optimización de rutas que combina programación por restricciones con predicción de tráfico. El ROI fue positivo en 4 meses.

Industria manufacturera: 17,3% de adopción

La industria española está adoptando IA, pero a un ritmo inferior al de Alemania (24,8%) o Italia (19,1%). Las aplicaciones dominantes son mantenimiento predictivo, control de calidad visual (computer visión en líneas de producción), y optimización de procesos. El sector del automóvil lidera dentro de la industria, con SEAT/CUPRA y sus proveedores como principales adoptantes.

Una barrera específica de la industria española: el tamaño. El 96% de las empresas industriales son pymes, y la mayoría opera con márgenes que no permiten inversiones de 200.000 o 300.000 euros en proyectos de IA. Los programas de ayudas como el Kit Digital han ayudado, pero las soluciones de IA que cubren estos programas son básicas (chatbots, herramientas de marketing) y no abordan los casos de uso industriales de mayor impacto.

Salud: 14,6% de adopción

El sector sanitario español tiene un potencial enorme para la IA (datos de 47 millones de pacientes en un sistema de salud pública universal) pero una adopción relativamente baja por dos razones: regulación estricta (justificada) y fragmentación del sistema entre 17 comunidades autónomas con sistemas de información incompatibles.

Los proyectos más avanzados están en diagnóstico por imagen (Hospital Vall d’Hebron en Barcelona, Hospital La Paz en Madrid) y en predicción de reingresos. Pero escalar un modelo entrenado con datos del sistema catalán al sistema andaluz requiere un esfuerzo de integración que nadie ha resuelto a escala.

Construcción: 6,2% de adopción

El sector más rezagado entre los principales de la economía española. Y no debería sorprender. La construcción es un sector de baja digitalización general: solo el 34% de las empresas constructoras españolas tiene un ERP, según el INE. Si no tienes datos digitalizados, no puedes aplicar IA. Es así de simple.

Las excepciones existen. Ferrovial y ACS tienen divisiones de innovación con proyectos de IA en gestión de proyectos, planificación de obra y seguridad laboral. Pero son excepciones de empresas con ingresos superiores a 5.000 millones.

Barreras: por qué no se adopta más rápido

La Encuesta del INE sobre TIC en empresas pregunta directamente por las barreras para la adopción de IA. Los resultados de 2024 son reveladores:

1. Falta de talento (67%). La barrera más citada, y la más real. España produce unos 3.200 graduados en programas directamente relacionados con IA al año (masters y doctorados en ML, data science, robótica). La demanda estimada por LinkedIn Economic Graph es de 12.000 posiciones anuales. El déficit es estructural y no se resolverá en el corto plazo.

El salario medio de un ingeniero de ML senior en España es de 55.000-70.000 euros brutos, según datos de Glassdoor y Levels.fyi. En Alemania, 75.000-95.000. En Reino Unido, 80.000-110.000. En EEUU, 150.000-250.000. La fuga de talento no es una narrativa. Es un dato.

2. Coste (54%). La segunda barrera más citada, pero más matizada de lo que parece. El coste de los modelos ha caído dramáticamente: una llamada a GPT-4 cuesta un 90% menos que hace 18 meses. El coste real no está en la inferencia sino en la integración. Conectar un modelo de IA con los sistemas existentes de una empresa (ERP, CRM, sistemas legacy) es un proyecto de ingeniería que requiere meses de trabajo y personal cualificado. Que nos lleva de vuelta a la barrera 1.

3. Incertidumbre regulatoria (41%). El AI Act europeo entró en aplicación parcial en febrero de 2025. Las empresas españolas, especialmente en sectores regulados (finanzas, salud, seguros), citan la incertidumbre sobre clasificación de riesgo de sus sistemas como freno a nuevas inversiones. No quieren invertir en un sistema que podría requerir modificaciones sustanciales para cumplir normativa.

Esto es parcialmente racional y parcialmente excusa. Las obligaciones del AI Act para sistemas de alto riesgo son exigentes (documentación técnica, evaluación de conformidad, monitorización post-despliegue), pero la mayoría de las aplicaciones empresariales de IA no caen en la categoría de alto riesgo. Un sistema de recomendación de productos no es alto riesgo. Un chatbot de atención al cliente no es alto riesgo. La percepción de complejidad regulatoria supera la complejidad real.

4. Calidad de datos (38%). La basura entra, la basura sale. Las empresas que no han invertido en ingeniería de datos no pueden hacer IA. Un modelo de previsión de demanda necesita datos históricos limpios, consistentes y completos. Si tu ERP tiene campos vacíos, duplicados y categorías inconsistentes, el modelo aprenderá basura. Hemos visto proyectos de IA fracasar no por la IA sino porque los primeros tres meses se fueron en limpiar datos que la empresa creía que estaban limpios.

5. Falta de casos de uso claros (29%). “Sabemos que la IA es importante, pero no sabemos dónde aplicarla.” Es la quinta barrera, pero quizá debería ser la primera en prioridad de resolución. Las empresas que empiezan con un caso de uso concreto, medible y acotado (clasificar facturas, predecir cancelaciones, optimizar turnos) tienen tasas de éxito significativamente mayores que las que empiezan con “queremos hacer algo con IA.”

Resultados medibles: qué dice la evidencia

Hablar de potencial es fácil. Mostrar resultados es otra cosa. Que dicen los datos sobre el impacto real de la IA en las empresas españolas?

El Banco de España publicó en marzo de 2025 un análisis basado en la Central de Balances que cruza datos de adopción de IA con indicadores financieros. Las conclusiones:

• Las empresas que adoptan IA muestran un crecimiento de productividad laboral un 4,7% superior a las que no la adoptan, controlando por tamaño, sector y antigüedad.
• El efecto es no lineal. Las empresas que llevan más de dos años con IA en producción muestran ganancias del 7,2%. Las que llevan menos de un año, 1,8%. La IA necesita tiempo para generar retorno.
• No hay evidencia de destrucción neta de empleo. Las empresas que adoptan IA contratan, de media, un 2,3% más que las que no. El perfil cambia (más perfiles técnicos, menos perfiles administrativos), pero el saldo neto es positivo.
• El sector con mayor impacto medido es el financiero (+8,1% de productividad), seguido de logística (+6,3%) y servicios profesionales (+4,9%).

Estos números son consistentes con la literatura internacional. El informe de Goldman Sachs de enero de 2025 estima un impacto global de la IA generativa en la productividad del 1,5% anual acumulativo. El informe de McKinsey estima que entre el 60% y el 70% del potencial económico de la IA generativa proviene de automatización de tareas dentro de funciones existentes, no de funciones nuevas.

Lo que estos informes no dicen (porque no tienen los datos) es cuántos proyectos de IA fracasan. Nuestra experiencia y la de otros consultores del sector sugiere que entre el 60% y el 70% de los proyectos de IA empresarial no llegan a producción. Las razones son las barreras que ya hemos descrito: datos insuficientes, falta de integración, expectativas desalineadas. El 4,7% de ganancia de productividad es el resultado de los proyectos que sobreviven, no de todos los proyectos que se inician.

Comparativa europea: dónde está España realmente

La posición de España en el contexto europeo requiere más matiz que un ranking simple. Depende de qué midas:

Adopción empresarial general: Posición 14 de 27 en la UE. En la media. Dinamarca lidera con 24,1%, seguida de Finlandia (22,8%) y Países Bajos (19,7%).

Investigación: España es el 4o país de la UE en publicaciones científicas sobre IA (detrás de Alemania, Francia e Italia) y el 5o en patentes. El CSIC, las universidades politécnicas de Madrid, Barcelona y Valencia, y centros como el BSC tienen producción investigadora de primer nivel. No hay déficit de capacidad investigadora.

Ecosistema startup: España ocupa la posición 8 en Europa por número de startups de IA, según el AI Index de Stanford. Barcelona es el 4o hub europeo de IA después de Londres, París y Berlín. Madrid no aparece en los rankings de hubs pero tiene más empresas de IA aplicada a finanzas y telecomunicaciones que Barcelona.

Inversión de capital riesgo en IA: 487 millones de euros en 2024, según Dealroom. Lejos de Francia (2.100 millones) y Alemania (1.300 millones), pero en crecimiento del 28% interanual. El gap de capital es real pero se está cerrando.

Infraestructura de computación: El BSC alberga MareNostrum 5, uno de los 10 supercomputadores más potentes de Europa. Pero el acceso a GPU cloud para empresas sigue siendo caro y la oferta de data centers en España es limitada comparada con Irlanda, Países Bajos o los países nórdicos. Los planes de Amazon (Aragón), Google (Málaga) y Microsoft (Madrid) de abrir regiones de cloud en España cambiarán esta situación en 2025-2026.

La brecha pyme: el problema central

Si hay un dato que resume el problema de la IA en España, es este: la adopción de IA en empresas de más de 250 empleados es del 49,2%. En empresas de 10 a 49 empleados es del 8,7%. Y las empresas de 10 a 49 empleados representan el 85% del tejido empresarial español.

No es un problema de voluntad. Es un problema de recursos. Una pyme con 20 empleados y 3 millones de facturación no tiene un departamento de datos, no tiene un ingeniero de ML, y probablemente su “infraestructura de datos” es un Excel compartido y un CRM a medio implementar. Decirle a esa empresa que “adopte IA” es como decirle a alguien sin coche que participe en Fórmula 1.

Las soluciones realistas para pymes pasan por tres vías:

1. IA embebida en herramientas existentes. No necesitas un proyecto de IA propio. Necesitas herramientas de negocio que incorporen IA. Tu CRM ya tiene scoring predictivo. Tu plataforma de email marketing ya tiene optimización de asunto. Tu herramienta de contabilidad ya está incorporando clasificación automática. Esta es la vía de mayor impacto a corto plazo.

2. Soluciones verticales preconfiguradas. Productos SaaS específicos para un sector y un caso de uso. Un sistema de gestión de almacén con previsión de demanda integrada. Una plataforma de atención al cliente con respuestas automáticas preentrenadas para tu sector. El coste baja de 200.000 euros de un proyecto a medida a 500-2.000 euros mensuales de un SaaS vertical.

3. Servicios gestionados de IA. Externalizar la implementación y operación de IA a un proveedor especializado, como hacen con la contabilidad o el marketing digital. Este modelo está emergiendo en España y es, en nuestra opinión, el que mejor se adapta a la estructura empresarial del país. La pyme no necesita saber de machine learning. Necesita que alguien lo haga por ella y le cobre por resultados.

Política pública: qué funciona y qué no

La estrategia ENIA tiene tres ejes: talento, ecosistema y adopción. Un repaso rápido por resultados:

Talento: Se han creado 5 cátedras de IA en universidades públicas y se han financiado 1.200 becas predoctorales vinculadas a IA. Es un inicio, pero no resuelve el déficit estructural. El problema no es formar investigadores (España los forma bien) sino retenerlos. Sin salarios competitivos y sin un ecosistema empresarial que absorba talento de IA, formamos investigadores para exportar.

Ecosistema: Los programas de aceleración (INCIBE para ciberseguridad con IA, CDTI para proyectos de I+D) han funcionado razonablemente bien. El sandbox regulatorio de IA del Gobierno de España, uno de los primeros de Europa, ha procesado 28 proyectos piloto con una tasa de conversión a producto del 43%. Es un dato positivo.

Adopción: El Kit Digital ha distribuido bonos de digitalización a más de 800.000 pymes. Pero la partida específica de IA dentro del Kit Digital es modesta y las soluciones acreditadas son básicas. Para la mayoría de pymes, el Kit Digital ha servido para tener una web y un CRM, no para adoptar IA. Es un paso previo necesario, pero no es adopción de IA.

Proyecciones: qué esperar de 2025-2027

Proyectar es un ejercicio con margen de error amplio. Dicho eso, los datos disponibles permiten algunas estimaciones:

Adopción empresarial llegará al 20-22% para finales de 2027, impulsada principalmente por IA embebida en herramientas SaaS, no por proyectos propios. La adopción en grandes empresas convergerá con la media europea (55-60%).

Inversión crecerá un 15-20% anual, empujada por tres factores: fondos europeos (que empiezan a ejecutarse de verdad en 2025-2026), reducción de costes de inferencia (que hace viables proyectos que antes no lo eran), y presión competitiva (las empresas que no adoptan IA ven cómo sus competidores sí lo hacen).

Talento seguirá siendo la barrera principal. A no ser que haya un cambio significativo en política de inmigración cualificada o en niveles salariales del sector, España no cerrará su déficit de talento en IA antes de 2030.

Regulación se clarificará. La aplicación completa del AI Act en agosto de 2026 eliminará la incertidumbre regulatoria como barrera, aunque creará nuevos costes de cumplimiento para los sistemas de alto riesgo.

Lo que significan estos datos

España no tiene un problema de IA. Tiene un problema de escala. La capacidad investigadora existe. Las grandes empresas compiten a nivel europeo. El ecosistema startup crece. Lo que falta es que esa capacidad llegue al 85% del tejido empresarial que son pymes.

Resolver eso no es un problema tecnológico. Es un problema de modelo de negocio. Quien encuentre la forma de hacer que la IA sea accesible, útil y pagable para una empresa de 20 personas capturará un mercado enorme. No solo en España. En toda Europa meridional, con estructuras empresariales similares.

Los datos dicen que estamos en la media. La pregunta es si la media es suficiente. Para las empresas que ya adoptan IA, probablemente sí. Para el país en su conjunto, probablemente no. La diferencia entre el 13% de hoy y el 25% de los países líderes no se mide en puntos porcentuales. Se mide en productividad, competitividad y, en último término, en nivel de vida.

Este informe se actualizará trimestralmente a medida que se publiquen nuevos datos. Los números cambiarán. La conclusión de fondo, probablemente no: la IA en España funciona donde se invierte en serio. El reto es ampliar el “dónde.” Para el análisis más cualitativo y de opinión sobre estos mismos datos, consulta nuestro artículo sobre España y la adopción de IA. Y si quieres aterrizar estos números en un presupuesto concreto para tu empresa, nuestro desglose de costes reales de implementación de IA en pymes lo detalla con datos de proyectos propios.