La ayuda al desarrollo acaba de sufrir la contracción anual más pronunciada jamás registrada, mientras que la inteligencia artificial (IA) se ha extendido rápidamente —aunque de forma desigual— entre las organizaciones que prestan servicios en primera línea. Las investigaciones sugieren que la capacidad del sector para asimilar estos cambios financieros y tecnológicos depende menos de la tecnología en sí que de la capacidad organizativa y de los modelos de financiación que la determinan.
La financiación para el desarrollo ha experimentado cambios bruscos en los últimos años. La ayuda oficial al desarrollo neta cayó un 23 % en términos reales en 2025, lo que representa el mayor descenso anual jamás registrado. Esta caída se produjo tras un retroceso el año anterior, y la OCDE prevé una nueva disminución en 2026, lo que supondría tres años consecutivos de contracción, algo que solo ha ocurrido una vez antes en la historia.
La ayuda destinada a los programas fundamentales de desarrollo y a la cooperación técnica ha disminuido un 26 % —la caída más pronunciada registrada en este componente—, mientras que se prevé que la financiación para la salud descienda hasta un 63 % respecto a su máximo de 2022. El análisis de la OCDE sobre los datos preliminares de 2025 y sus proyecciones a corto plazo pone de relieve la reducción de servicios y el cierre de organizaciones en las regiones afectadas.
Al mismo tiempo, la adopción de la IA en el sector social se ha generalizado hasta volverse casi universal. Un estudio comparativo realizado en 2026 entre 346 organizaciones reveló que el 92% afirma utilizar herramientas de IA de alguna manera; sin embargo, solo el 7% reporta mejoras significativas en su capacidad organizativa, un patrón conocido como «meseta de eficiencia». La tentación es interpretar esto como una cuestión tecnológica, pero la evidencia sugiere que se trata, en realidad, de un asunto de capacidad y financiación.
Un déficit de capacidad anterior a la IA
La limitación para absorber impactos es de carácter estructural. Las investigaciones sobre el «ciclo de privación» de las organizaciones sin fines de lucro describen una dinámica que se retroalimenta: los financiadores mantienen expectativas poco realistas sobre los costos de funcionamiento de una organización, estas se adaptan recortando gastos y declarando cifras inferiores a las reales en los costos administrativos, y dichos informes, a su vez, refuerzan las expectativas de los financiadores.
Lo que comenzó como una afirmación mayoritariamente anecdótica ha acumulado desde entonces respaldo empírico. Un análisis de datos financieros de 25 años confirmó una tendencia descendente sostenida en los gastos generales declarados, impulsada por recortes drásticos en los gastos administrativos. Un estudio sobre las finanzas de organizaciones sin ánimo de lucro en Alemania entre 2006 y 2015 reveló también una disminución de las ratios de gastos generales, aunque a través de mecanismos diferentes.
Se ha comprobado directamente la relación entre los gastos generales y los resultados. El análisis de si el gasto administrativo afecta a los resultados de los programas reveló una relación en forma de U invertida: por debajo de un punto óptimo, recortar los gastos generales perjudica los resultados del programa en lugar de protegerlos. Cabe destacar que los niveles óptimos identificados se sitúan muy por encima tanto del límite del 25 % recomendado habitualmente por las agencias de calificación de organizaciones benéficas como de la media del 27 % observada en su muestra. La conclusión resulta incómoda: el indicador de eficiencia más utilizado es, a partir de cierto punto, una medida que resulta contraproducente para la propia organización.
La adopción es amplia, superficial y desigual.
Los datos de las encuestas revelan sistemáticamente que el entusiasmo supera a la capacidad. El estudio State of AI in Nonprofits (Estado de la IA en las organizaciones sin fines de lucro), basado en las respuestas de más de 1,300 profesionales del sector, reveló que, si bien el 86 % estaba explorando herramientas de IA, solo el 24 % contaba con una estrategia formal; asimismo, las organizaciones con presupuestos superiores a un millón de dólares adoptaban estas herramientas a un ritmo aproximadamente dos veces mayor que las de menor tamaño.
El estudio de referencia de 2026 apunta al mismo patrón. Cerca de la mitad de las organizaciones carece de una política formal de IA y la medición de los resultados derivados de su uso es poco frecuente, lo que impide a la mayoría determinar si la IA está ampliando sus capacidades o simplemente acelerando tareas ya existentes. Asimismo, una revisión sistemática de 65 estudios sobre la adopción de la IA en ONG revela pruebas dispersas en diversos casos de uso —como la interacción, la toma de decisiones, la predicción, la gestión y la optimización—, con desafíos que se concentran más en el ámbito organizativo que en el técnico.
Esta desigualdad tiene una dimensión geográfica. Los informes sobre la brecha de adopción en el Sur Global señalan que el uso de la IA generativa alcanza aproximadamente a una cuarta parte de la población en edad laboral del Norte Global, frente al 14 % en el Sur Global, y que dicha brecha se está ampliando.
Dónde se concentran las ganancias de productividad
La evidencia empírica más rigurosa sobre la IA generativa en el entorno laboral proviene de un estudio realizado con 5,179 agentes de atención al cliente, publicado en el ‘’Quarterly Journal of Economics’’. El acceso a un asistente de IA aumentó el número de incidencias resueltas por hora en un 14 % de media, pero la distribución es mucho más relevante que el promedio. Los trabajadores noveles y aquellos con menor cualificación experimentaron una mejora de aproximadamente el 34 %, mientras que el impacto en los empleados experimentados y de alto rendimiento fue mínimo.
Este hallazgo se ajusta excepcionalmente bien a las necesidades de personal del sector. Las organizaciones que prestan servicios en entornos de ingresos bajos y medios habitualmente no pueden igualar los salarios que el sector privado ofrece a especialistas de alto nivel, por lo que terminan operando con equipos de menor experiencia y alta rotación. Ese es precisamente el perfil en el que se observan mayores beneficios, lo que sugiere que la oportunidad que ofrece la IA a este sector no reside tanto en la innovación de programas emblemáticos, sino más bien en el núcleo operativo —menos vistoso— de la actividad: la clasificación de casos, la documentación, la presentación de informes normativos, la elaboración de reportes y los flujos de datos.
Existen ejemplos de este modelo. En Brasil, la organización sin fines de lucro NoHarm.ai desarrolló modelos clínicos en portugués que clasifican las prescripciones según el riesgo, permitiendo así que las limitadas horas de trabajo de los farmacéuticos se destinen a los pacientes de mayor riesgo (y, posteriormente, aplicó el mismo tipo de herramientas a su propia carga de trabajo de soporte y cumplimiento).
El modelo de financiación es el factor limitante clave.
Si la capacidad constituye el cuello de botella, la cuestión radica en si las prácticas de financiación permiten desarrollarla. En este aspecto, la evidencia ha cambiado considerablemente. Un estudio de tres años realizado por el Center for Effective Philanthropy analizó los efectos de las grandes donaciones sin restricciones. Se constató que las organizaciones beneficiarias fortalecieron su estabilidad financiera a largo plazo —en lugar de enfrentarse al «precipicio financiero» que muchos financiadores habían pronosticado— y que sus líderes experimentaron una reducción del agotamiento profesional, así como una mayor capacidad de innovación. Estas organizaciones mantuvieron reservas de efectivo aproximadamente el doble de elevadas que otras entidades comparables, y el temor a que desplazaran a otros donantes resultó, en gran medida, infundado.
En conjunto, las cuatro líneas de literatura convergen. La financiación mediante ayudas se está reduciendo drásticamente. La infraestructura organizativa ha sufrido una falta sistemática de fondos durante décadas, lo que ha conllevado costes cuantificables para los resultados de los programas. La adopción de la IA está generalizada, pero es superficial, y resulta más desigual precisamente allí donde la presión fiscal es mayor. Asimismo, está demostrado que la financiación flexible genera capacidades que la financiación restringida a proyectos no puede crear.
Implicaciones para financiadores y responsables de políticas
- Dejar de utilizar la ratio de gastos generales como indicador de eficiencia. Seguir premiando unos gastos generales bajos en un contexto de reducción de fondos penaliza las inversiones —en sistemas, competencias e infraestructura de datos— que determinan si las organizaciones logran sobrevivir a la crisis.
- Financiar capacidades de IA, no herramientas de IA. El uso casi universal de herramientas, acompañado de una mejora mínima en las capacidades, sugiere que lo que falta es estrategia, rediseño de flujos de trabajo y medición, no licencias de software. La gobernanza debería ser un requisito para la financiación, y no un motivo de cautela.
- Abordar la brecha de adopción como una cuestión de política de infraestructura. Los programas informáticos públicos, la inversión en datos en idiomas locales y el apoyo a organizaciones que desarrollan soluciones basadas en sistemas administrativos nacionales permiten afrontar una brecha que la difusión del mercado está ampliando en lugar de cerrar.
- Dirigir capital flexible hacia organizaciones más pequeñas y del Sur global. Dado que la adopción ya guarda relación con el tamaño, una financiación indiferenciada reproducirá la brecha existente. La base de evidencia sobre la financiación sin restricciones se ha construido principalmente a partir de grandes organizaciones receptoras del Norte global; ampliarla y ponerla a prueba en contextos de ingresos bajos y medios constituye una cuestión de investigación abierta y urgente.
Al sector del desarrollo se le exige hacer más con recursos sustancialmente menores, justo cuando ha surgido una tecnología de propósito general cuyos beneficios comprobados repercuten sobre todo en los trabajadores sin experiencia de entornos con recursos limitados. Que esta coincidencia sirva de amortiguador parcial o amplíe la brecha no es una cuestión de modelos; es una cuestión de cómo se financian las organizaciones de desarrollo, y la respuesta se está definiendo ahora, de facto, ante la ausencia de una política deliberada.
