Microsoft AI Diffusion Report: la adopción de la IA continúa acelerándose en todo el mundo

Microsoft publica hoy una nueva edición de su informe sobre la adopción de la IA a nivel global, que continuó al alza en el segundo trimestre del año.

En junio, el 18,8% de la población mundial en edad de trabajar ya utilizaba herramientas de IA, cerca de un punto porcentual más que en el primer trimestre del año. Este crecimiento fue generalizado: prácticamente todas las economías registraron un aumento en los niveles de adopción.

Cabe destacar que Emiratos Árabes Unidos (73,3%) y Singapur (64,3%) continúan liderando la clasificación. Corea del Sur volvió a registrar el mayor crecimiento en términos absolutos, con un aumento de 3,5 puntos porcentuales. Arabia Saudí fue el país que más posiciones escaló en el ranking, al pasar del puesto 30 al 25. Japón registró el mayor crecimiento relativo, con un incremento de 2,2 puntos porcentuales, lo que equivale aproximadamente a un 10% respecto a su nivel de uso del 22,5% registrado en el primer trimestre. A escala global, el trimestre volvió a ampliar la brecha en adopción de IA entre el Norte y el Sur Globales: la utilización se sitúa ya en el 28,8% en el Norte y en el 16,2% en el Sur.

Para analizar estas tendencias, Microsoft continúa midiendo la adopción de la IA como el porcentaje de la población mundial de entre 15 y 64 años que ha utilizado alguna herramienta de IA generativa durante el periodo analizado. Este indicador se basa en datos agregados y anonimizados de telemetría de Microsoft, ajustados para reflejar las diferencias en cuota de mercado de sistemas operativos y dispositivos, penetración de Internet y tamaño de la población. Puede consultarse información adicional sobre la metodología en el documento AI Diffusion technical paperⁱ.

Ningún indicador es perfecto, y este no es una excepción. A través del Microsoft AI Economy Institute la compañía sigue perfeccionando la forma en que mide la adopción de la IA a escala global, incluido el modo en que esta varía entre países, con el objetivo de comprender mejor su contribución a ámbitos como el descubrimiento científico o la mejora de la productividad. Para este informe se emplea el indicador comparativo entre países más sólido disponible en la actualidad.

Durante el último año se ha producido una importante proliferación de nuevas herramientas y modelos de IA. De cara al próximo informe, Microsoft ampliará su metodología para incorporar el uso de estas nuevas herramientas. La compañía prevé que esta actualización eleve la tasa de adopción de la IA en prácticamente todas las economías, con incrementos especialmente significativos en China.

Además de comparar los niveles de adopción de la IA entre el Norte y el Sur Globales, el análisis también identifica diferencias relevantes en la forma en que esta tecnología se utiliza en cada región. Para ello, Microsoft ha recurrido a datos de uso de Copilot para consumidores. La diferencia más significativa es el mayor peso que tienen los usos relacionados con la educación y el aprendizaje en el Sur Global.

Este informe también incluye un análisis detallado del papel de los modelos de IA de peso abierto (open-weight). El uso de este tipo de modelos es cada vez más visible a través de las interfaces de programación de aplicaciones (API) de IA, donde han ido ganando peso de forma sostenida en el volumen total de tokens procesados. Esta evolución podría resultar especialmente beneficiosa para el Sur Global, al reducir los costes de acceso y facilitar la adaptación de los modelos a los idiomas y necesidades locales. No obstante, siguen existiendo barreras estructurales relacionadas con la infraestructura, la conectividad, las capacidades digitales y otros factores fundamentales.

Economías líderes en adopción de IA

Emiratos Árabes Unidos (73,3%) y Singapur (64,3%) volvieron a liderar con claridad la clasificación global, seguidos por Irlanda (49,9%) y Francia (49,6%). Entre las 25 economías con mayor adopción de IA, Corea del Sur volvió a destacar como el país con el mayor crecimiento, al sumar 3,5 puntos porcentuales, el mayor incremento trimestral del grupo, y escalar cuatro posiciones, del puesto 16 al 12.

Además, Corea del Sur ha registrado el mayor avance entre las principales economías durante tres periodos consecutivos —segundo semestre de 2025, primer trimestre de 2026 y segundo trimestre de 2026—, tras aumentar en casi 15 puntos porcentuales su porcentaje de usuarios de IA en los últimos doce meses.

Arabia Saudí fue el país que más posiciones ganó en la clasificación, al ascender cinco puestos, del 30 al 25, e incorporarse así al grupo de las 25 economías líderes.

La creciente brecha entre el Norte y el Sur Global

La diferencia en la adopción entre el Norte y el Sur Global siguió ampliándose durante el segundo trimestre de 2026. En este período, el 28,8% de la población del Norte Global utilizó herramientas de IA generativa, frente al 27,5% registrado en el primer trimestre, lo que supone un aumento de 1,3 puntos porcentuales. En el Sur Global, la adopción alcanzó el 16,2%, frente al 15,4% del primer trimestre, con un incremento de 0,8 puntos.

Detrás de esta brecha en los niveles de adopción existen también diferencias significativas en la forma en que se utiliza la inteligencia artificial. El aprendizaje destaca especialmente en el Sur Global. Nuestro análisis de una muestra de conversaciones de usuarios de Copilot utiliza un clasificador diseñado para preservar la privacidad que permite identificar el propósito principal de cada interacción, es decir, el objetivo o la tarea para la que se recurre a Copilotⁱⁱ, agrupamos las economías en Norte Global y Sur Global y analizamos qué usos de la IA tienen un mayor o menor peso en cada región en comparación con la media mundial.

En el Sur Global, las conversaciones relacionadas con el aprendizaje autónomo y el desarrollo de competencias tienen un peso un 29,2% superior al registrado a escala mundial. Del mismo modo, las vinculadas a tareas escolares y apoyo académico representan una proporción un 32,3% mayor que la media global.
Conviene tener en cuenta, además, que la población del Sur Global es significativamente más joven que la del Norte Global. Por ello, es probable que estas diferencias respondan, al menos en parte, a factores demográficos.
El resto de los usos analizados muestran patrones diferenciados entre ambas regiones. En el Norte Global predominan aplicaciones de consumo, como la búsqueda de información, las compras o la solicitud de recomendaciones y asesoramiento. Por su parte, en el Sur Global tienen un peso especialmente relevante las actividades de creación y edición de imágenes, texto y código.
En conjunto, estos resultados sugieren que las aplicaciones relacionadas con el aprendizaje pueden estar actuando como una de las principales puertas de entrada a la inteligencia artificial en aquellas regiones donde su adopción todavía se encuentra en una fase más incipiente.
Esta conclusión coincide con estudios recientes sobre Bing Copilotⁱⁱⁱ, Gemini^iv y Claude^v, que también señalan que los usos vinculados a la educación y al trabajo académico tienen una presencia más destacada en los países de menor renta.
No obstante, estos resultados deben interpretarse con cautela. El análisis se limita a los primeros usuarios de la IA en estas regiones, por lo que sus conclusiones podrían no mantenerse a medida que el uso de esta tecnología se extienda al conjunto de la población.
Además, los datos no permiten determinar por qué los usos relacionados con el aprendizaje tienen una presencia más destacada en el Sur Global.
Aun así, este patrón aporta una perspectiva adicional sobre la brecha entre el Norte y el Sur Global descrita anteriormente: en aquellas regiones donde la adopción de la IA todavía avanza a un ritmo más lento, una mayor proporción de los usos actuales está vinculada al aprendizaje.

Los modelos de peso abierto están ampliando la adopción de la IA

Muchos modelos de IA son “abiertos” en el sentido de que publican sus pesos entrenados, independientemente de si el proceso de entrenamiento y el código son abiertos o no. Estos modelos de peso abierto pueden descargarse, modificarse y ejecutarse por parte de otras organizaciones, lo que da a los desarrolladores mucha más libertad para desplegarlos y adaptarlos que en el caso de los modelos cerrados, a los que solo se accede a través de un servicio propietario. Su creciente importancia quedó reflejada en una carta abierta de julio de 2026 firmada por Microsoft, NVIDIA, Meta, IBM, Hugging Face, the Linux Foundation y otras empresas y organizaciones, en la que se defendía que los pesos abiertos pueden hacer que la IA avanzada sea más accesible y adaptable, al tiempo que permiten a las organizaciones elegir “el modelo adecuado para la tarea adecuada y al coste adecuado^vi.

Los modelos de peso abierto también ponen de relieve una dimensión importante de la adopción de la IA que resulta difícil captar solo con métricas orientadas al consumidor. Actualmente, la principal medida de adopción de la IA utilizada en este informe estima el porcentaje de la población en edad de trabajar que ha usado algún producto de IA generativa. Sin embargo, es especialmente probable que los modelos de peso abierto se utilicen de forma indirecta: a través de una aplicación, un agente de programación u otro servicio que accede a un modelo de forma programática mediante una API, en lugar de hacerlo mediante un chatbot, aunque algunos chatbots sí se basan en modelos abiertos.

Algunas organizaciones también descargan y ejecutan pesos abiertos en su propia infraestructura, un uso que puede no aparecer en ninguna fuente de datos centralizada. Por eso, el mercado de las API ofrece una ventana complementaria útil para observar la adopción. Una de las mejores fuentes públicas de datos sobre el uso de modelos de peso abierto es OpenRouter^vii, que proporciona una interfaz común a través de la cual los desarrolladores pueden acceder a cientos de modelos abiertos y cerrados, y dirigir las solicitudes entre ellos. Su posición intermedia entre los usuarios y numerosos proveedores de inferencia ofrece una visión poco habitual de qué modelos están eligiendo los desarrolladores en la práctica, aunque su base de usuarios, orientada a desarrolladores, no debe interpretarse como representativa del conjunto de usuarios de IA.

Este mercado está ganando importancia porque la brecha de capacidades entre los modelos de peso abierto y los modelos cerrados se ha reducido con rapidez. La investigación que compara generaciones sucesivas de modelos en distintos benchmarks independientes muestra un patrón recurrente: los nuevos modelos cerrados empujan hacia adelante la frontera de capacidades, pero los modelos de peso abierto más avanzados suelen alcanzar un rendimiento similar en cuestión de meses^viii. Los lanzamientos de modelos recientes sugieren que incluso esta diferencia depende cada vez más de la tarea concreta que se realice. Kimi K3, de Moonshot AI, cuyos pesos completos se publicaron en julio, sigue por detrás de los modelos propietarios más potentes en algunas evaluaciones amplias, incluido el propio informe técnico de Moonshot^ix. Sin embargo, en otras métricas ya compite con los principales modelos cerrados, o incluso los supera. A 14 de septiembre, por ejemplo, Kimi K3 Max se situaba entre los cinco primeros puestos del ranking de programación WebDev de Arena, por delante de varias alternativas propietarias y a un coste menor ^x. Estas clasificaciones no deben interpretarse como prueba de que Kimi K3 sea superior en todos los casos, pero sí ilustran la rapidez con la que los modelos de peso abierto han pasado de ser alternativas de menor coste a competir en algunas partes de la frontera de capacidades.

Esa mejora en capacidades se está traduciendo cada vez más en uso. Un análisis público de OpenRouter de más de 100 billones de tokens concluyó que los modelos de peso abierto habían alcanzado aproximadamente un tercio del volumen de tokens a finales de 2025, con grandes lanzamientos como DeepSeek, Kimi, Qwen y GPT-OSS generando incrementos que se mantuvieron más allá de sus periodos iniciales de lanzamiento, una señal de que la adopción respondía a usos en producción y no solo a experimentación^xi. El cambio se aceleró aún más en 2026. Más recientemente, nuestro propio análisis de datos públicos de OpenRouter muestra que los modelos de peso abierto representan ya el 75% del uso de tokens en OpenRouter. Estas cifras no equivalen a cuotas de mercado globales, ya que los usuarios de OpenRouter son especialmente propensos a experimentar con distintos proveedores, mientras que el uso directo de modelos cerrados de frontera y los modelos abiertos desplegados localmente quedan completamente fuera de estos datos. Aun así, la magnitud y la dirección del cambio ofrecen una señal clara de que los modelos de peso abierto están convirtiéndose en una parte cada vez más relevante del ecosistema de IA basado en API. Este patrón también coincide con investigaciones emergentes basadas en datos más granulares de OpenRouter, que identifican un movimiento amplio hacia un mayor uso de modelos abiertos a medida que mejoran sus capacidades^xii.

La economía de este cambio podría adquirir una importancia creciente a medida que la IA pase de la experimentación al despliegue a gran escala. Los análisis muestran que la brecha de capacidades entre modelos abiertos y cerrados no solo se está reduciendo, sino que lo está haciendo a un ritmo cada vez mayor^xiii. Además, los datos públicos más recientes de Artificial Analysis muestran que algunos modelos de peso abierto ofrecen capacidades similares a un coste por tarea sustancialmente menor. Por ejemplo, el recientemente lanzado GLM 5.3 Flash ofrece un rendimiento similar al de GPT 5.6 Sol en un nivel de razonamiento “alto”, con un coste tres veces menor. Los modelos Sol de OpenAI se encontraban, hasta hace apenas unas semanas, cerca de la frontera en términos de inteligencia.

Al mismo tiempo, las empresas prestan cada vez más atención al coste de unas cargas de trabajo de IA que crecen rápidamente. La práctica, en su día popular, conocida a veces como “tokenmaxxing” —tratar el aumento del consumo de tokens como una medida del éxito en la adopción de IA— puede resultar cara cuando los agentes y otras aplicaciones realizan llamadas repetidas a modelos. Por ello, las compañías están empezando a dirigir distintas tareas a distintos modelos, en lugar de utilizar automáticamente el sistema de frontera más capaz para cada solicitud; Reuters informó de que los modelos de peso abierto estaban ganando terreno a medida que las empresas examinaban con más detalle el gasto en IA y buscaban alternativas más baratas^xiv.

La práctica que está surgiendo actualmente no consiste simplemente en minimizar el uso de tokens ni en elegir siempre el modelo más barato, sino en ajustar el modelo a la tarea: reservar la inteligencia de frontera, más cara, para los problemas en los que su capacidad adicional genera valor, y utilizar modelos de menor coste para el conjunto mucho más amplio de cargas de trabajo en las que ofrecen un rendimiento suficiente. Es la misma lógica económica que subraya la reciente carta sobre peso abierto.

Estos factores económicos podrían ser especialmente importantes para el Sur Global. Como señalaba antes en este informe, en el segundo trimestre de 2026 la adopción de la IA llegaba al 28,8% de la población en edad de trabajar en el Norte Global, frente al 16,2% en el Sur Global. Allí, la falta de electricidad, conectividad, competencias digitales y soporte en lenguas locales sigue limitando su expansión. Los modelos de peso abierto no bastan para resolver esas barreras estructurales, pero sí pueden ayudar a reducir otras dos: el coste de acceder a una IA potente y la dificultad de adaptar los modelos a necesidades específicas. Como es posible modificar sus parámetros internos, organizaciones sin ánimo de lucro, empresas, gobiernos y universidades pueden partir de modelos ya existentes y ajustarlos a sus propios casos de uso, en lugar de entrenar desde cero sistemas de frontera. De hecho, algunas empresas ya han afinado modelos de peso abierto para especializarlos en ámbitos concretos, como el jurídico^xv.

El trabajo del AI for Good Lab de Microsoft apunta en la misma dirección: su marco Bring Your Own Language mejoró en torno a un 12% de media el rendimiento en lenguas como el chichewa y maorí en un conjunto de pruebas de referencia, combinando depuración de datos y adaptación de modelos lingüísticos existentes, y abrió también una vía para lenguas con muy pocos recursos, como el inuktitut^xvi. Este tipo de modelos facilita la localización y permite desplegar soluciones mediante distintos proveedores de API —o, cuando la infraestructura lo permite, en entornos locales—, dando además a los usuarios más control sobre su personalización. Si los modelos de peso abierto con buenas capacidades siguen estando solo unos meses por detrás de los modelos más avanzados, y no años, y continúan disponibles por una fracción del coste de inferencia, podrían convertirse en una vía clave para llevar una IA cada vez más avanzada a las poblaciones y economías que, hasta ahora, menos se han beneficiado de su difusión.

Crecimiento de las herramientas de IA

En paralelo al crecimiento de los modelos de peso abierto, también ha aumentado rápidamente la actividad de los desarrolladores en torno a las aplicaciones de IA. Hugging Face Spaces, una plataforma que aloja aplicaciones y demos de IA listas para ejecutarse —desde experimentos personales y proyectos de investigación hasta aplicaciones más orientadas a entornos de producción—, pasó de unos 124.000 Spaces a finales de 2023 a 1,46 millones en septiembre de 2026. Desde la publicación de nuestro primer informe sobre adopción de la IA, en noviembre de 2025, el total ha aumentado aproximadamente un 83%. Aunque Spaces no debe interpretarse como un conjunto de productos comerciales de IA claramente diferenciados, su crecimiento sí muestra que la experimentación y el desarrollo en la capa de aplicaciones se están ampliando.

Este auge de las aplicaciones de IA también obliga a repensar cómo medimos su difusión. Muchas de las herramientas aparecidas desde nuestro primer informe ya tienen un uso relevante, pero todavía no forman parte de la medición actual. Por eso, en el próximo informe tenemos previsto ampliar la lista de herramientas analizadas y ofrecer así una imagen más completa del uso de la IA a escala mundial. Los primeros análisis apuntan a que esa ampliación elevaría la difusión medida en casi todos los países, con un impacto especialmente notable en China, donde hoy no se incluyen varias herramientas nacionales muy utilizadas. En todo caso, esos aumentos reflejarían sobre todo una mejor medición del uso ya existente, más que un cambio repentino en la adopción real de la IA.