El número de consultas, de usuarios activos o de prompts ejecutados no mide el retorno de una inversión en inteligencia artificial: mide su uso. Son cosas distintas, y confundirlas es la razón por la que tantos proyectos se presentan como exitosos en el comité mientras la cuenta de resultados no registra nada.
Un sistema con adopción alta y retorno cero es perfectamente posible. De hecho, es el caso más común.
Una métrica de uso responde a la pregunta «¿la gente lo usa?». Una métrica de retorno responde a «¿la empresa gana algo?». Entre las dos hay un salto que casi nunca se documenta.
El caso típico: una herramienta ahorra quince minutos diarios a ochenta personas. Sobre el papel son veinte jornadas de trabajo al mes. En la práctica son quince minutos repartidos que se reabsorben en otras tareas, sin que aparezca ninguna línea presupuestaria distinta.
McKinsey cuantificó el fenómeno en su encuesta de 2025 sobre 1.993 participantes en 105 países: el 88% de las organizaciones usa IA en alguna función, pero solo el 39% reporta impacto en EBIT y apenas un 6% supera el 5% de EBIT atribuible. Uso alto, retorno raro.
Cualquier caso de negocio serio tiene que explicar cuál de estas tres persigue:
Desaparece un paso completo. No se acelera una tarea: deja de existir. Una validación que ya no hace falta porque el dato se comprueba en origen.
Se absorbe más volumen sin ampliar estructura. El equipo gestiona un 30% más de expedientes con la misma plantilla. Es el caso más habitual en empresas en crecimiento y el más fácil de defender.
Se reduce un coste directo identificable. Menos errores, menos reprocesos, menos penalizaciones contractuales, menos horas extra en cierre de mes.
Si un proyecto no puede señalar cuál de las tres busca, no tiene caso de negocio. Tiene una expectativa razonable, que es otra cosa.
Métrica | Qué mide | Por qué importa |
|---|---|---|
Tiempo de ciclo | Desde que entra un caso hasta que se cierra | Refleja el proceso completo, no la tarea |
Coste por caso resuelto | Coste total dividido entre casos cerrados | Es lo comparable con el proceso anterior |
Tasa de error o retrabajo | Casos que hay que corregir después | Detecta el ahorro que se paga en otro sitio |
Capacidad absorbida | Volumen gestionado con la misma estructura | Traduce el ahorro a crecimiento |
La tercera es la que evita la trampa más cara. Un sistema que resuelve casos por 0,40 euros frente a 3 euros del proceso manual parece un éxito rotundo, hasta que se descubre que el 20% requiere una corrección posterior de 5 euros. El número neto es otro, y solo aparece si alguien lo mide.
Ninguna de estas métricas sirve si no existe el valor previo. Y el momento de capturarlo es antes de tocar nada, porque después ya no se puede reconstruir sin discusión.
Cuatro datos, medidos durante dos o tres semanas:
Este trabajo tiene una propiedad valiosa: produce resultado aunque el proyecto no se haga. Medir un proceso revela cuellos de botella que a veces se corrigen sin tecnología alguna.
La segunda disciplina que separa a los proyectos que rinden de los que se eternizan es fijar de antemano el número que determina continuar o parar.
Debe cumplir tres condiciones: ser una métrica de negocio, tener un valor concreto y tener una fecha. «Si en ocho semanas el coste por caso no baja de X, paramos» es un umbral. «Evaluaremos el impacto de forma continua» no lo es.
Sin umbral escrito, la evaluación se hace cuando ya hay demasiado invertido como para admitir que no funciona. Es el mecanismo que produce los pilotos permanentes que describimos en el purgatorio del piloto
Un cálculo de retorno honesto debe restar cinco partidas, no una:
Presentar un retorno que solo resta el consumo produce un número que no sobrevive a la primera revisión seria. Lo hemos desarrollado en presupuestar la IA como producto, no como campaña
Ante cualquier informe de resultados de un proyecto de IA, hay una pregunta que ordena la conversación en segundos: ¿qué línea del presupuesto ha cambiado?
Si hay una respuesta —esta partida ha bajado, este equipo absorbe más volumen, estas penalizaciones han desaparecido—, hay retorno. Si la respuesta describe satisfacción de usuarios, número de consultas o percepción de agilidad, hay adopción.
La adopción es un requisito para el retorno. No es el retorno.
Con cuatro métricas de negocio: tiempo de ciclo del proceso completo, coste por caso resuelto, tasa de error o retrabajo y capacidad absorbida con la misma estructura. El número de usuarios, consultas o prompts mide adopción, no retorno.
Porque quince minutos ahorrados a ochenta personas se reabsorben en otras tareas sin generar ninguna línea presupuestaria. El ahorro solo se convierte en resultado si desaparece un paso del proceso, si se absorbe más volumen sin ampliar estructura o si se reduce un coste directo identificable.
Es el estado del proceso antes de intervenir: número de casos, tiempo por caso incluyendo esperas, porcentaje que requiere corrección y coste completo por caso. Debe capturarse durante dos o tres semanas antes de tocar nada, porque después no se puede reconstruir sin discusión.
Cinco: consumo del modelo con reintentos y picos, tiempo de supervisión humana que se reduce pero no desaparece, evaluación continua del rendimiento, operación y mantenimiento, y corrección de errores con su impacto en el cliente.
Es el valor que determina de antemano si un proyecto continúa o se detiene. Debe ser una métrica de negocio, tener un número concreto y una fecha: por ejemplo, si en ocho semanas el coste por caso no baja de una cifra determinada, el proyecto se para.
Qué línea del presupuesto ha cambiado. Si la respuesta identifica una partida que ha bajado, un equipo que absorbe más volumen o unas penalizaciones que han desaparecido, hay retorno. Si describe satisfacción de usuarios o número de consultas, hay adopción.
¿Tu proyecto de IA tiene línea base y umbral de decisión? Definimos las métricas, medimos el estado actual y fijamos el número que determinará si continúa. Dos horas de análisis, sin compromiso. Hablemos → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
