ROI de la IA: cómo saber si realmente está funcionando en tu empresa

El año pasado, la conversación en los comités de dirección era "¿cuándo empezamos con IA?". Este año es otra, mucho más incómoda: "llevamos dieciocho meses pagando licencias — ¿qué nos ha devuelto esto?". Y en la mayoría de las empresas que conozco, la respuesta honesta son anécdotas: alguien escribió un informe más rápido, alguien resume reuniones, alguien "ya no vive sin esto". Ninguna de esas frases sobrevive a una revisión de presupuesto.

Un estudio del MIT publicado a mediados de 2025 le puso número al problema: alrededor del 95% de los pilotos corporativos de IA generativa no muestran impacto medible en los resultados financieros. La lectura fácil es "la IA no funciona". Mi lectura, después de dos décadas implementando tecnología en empresas de la región, es otra: la IA está funcionando en muchos lugares — pero casi nadie la está midiendo de una forma que un CFO pueda tomar en serio.

1. Por qué el ROI de la IA se resiste a la medición

Hay tres razones estructurales, y conviene tenerlas claras antes de proponer cualquier métrica.

El valor se dispersa. Si cada persona de tu equipo ahorra 25 minutos al día, eso no aparece en ningún estado financiero. Se diluye en cafés, en reuniones, en trabajo un poco menos apurado. El tiempo ahorrado solo se convierte en dinero cuando alguien decide qué hacer con él — y esa decisión casi nunca se toma.

El costo se subestima. La licencia es la parte visible: US$20 o $30 por persona al mes. Lo que no se contabiliza son las horas de implementación, la capacitación, el mantenimiento de prompts e integraciones, y la gestión del cambio. En proyectos que he visto de cerca, el costo real del primer año es entre dos y cuatro veces el costo de las licencias.

No hay contrafactual. No sabes cómo habría sido el trimestre sin IA. Por eso la única defensa seria es tomar una línea base antes de implementar — y es exactamente el paso que casi todas las empresas se saltan.

A estas tres razones se suma el error más común de todos: medir adopción y presentarla como retorno. Asientos activos, mensajes enviados, "el 80% del equipo lo usa cada semana". La adopción es condición necesaria — sin uso no hay valor posible — pero no es evidencia de valor. Es como medir el éxito de un gimnasio corporativo contando cuánta gente entra, sin mirar si alguien está más sano.

2. Las tres capas donde la IA genera (o no) retorno

Cuando me piden ayuda para "medir el ROI de la IA", lo primero que hago es separar el problema en tres capas. Cada una tiene métricas distintas, tiempos distintos y audiencias distintas.

Capa 1: productividad individual. Borradores más rápidos, resúmenes automáticos, código asistido. Es la capa que todo el mundo siente a las dos semanas y la más fácil de vender internamente. También es la más engañosa: el tiempo ahorrado es real, pero se evapora si no se redirige a algo concreto.

Capa 2: procesos. Aquí ya no hablamos de personas sino de flujos completos: el tiempo de ciclo de un ticket de soporte, el throughput de propuestas comerciales, la tasa de error en conciliaciones, los días que toma el cierre contable. Estas métricas ya existen en tus KPIs operativos, tienen historia, y cuando se mueven, se nota.

Capa 3: negocio. Ingresos, margen, retención de clientes, time-to-market. Es la capa que le importa a la junta directiva y la más lenta en reaccionar — los efectos tardan trimestres, no semanas, y siempre hay más de una variable en juego.

El patrón que veo repetirse: las empresas se estancan en la capa 1 y tratan de justificar el gasto con encuestas de satisfacción interna. El puente entre la capa 1 y la capa 2 no es comprar más licencias — es rediseñar el proceso para que el tiempo liberado se convierta en más throughput, menos errores o menos costo. Ese rediseño es trabajo de gestión, no de tecnología, y es donde se decide si tu inversión en IA es un gasto de moral o un proyecto con retorno.

3. Las métricas que sí sirven — y el orden correcto

La regla más importante de todo este artículo: la métrica se define antes de implementar, no después. Con una línea base de dos a cuatro semanas. Sin eso, cualquier número que presentes es una reconstrucción a conveniencia.

Para cada caso de uso, dos o tres métricas son suficientes — idealmente una de capa 2 y, cuando aplique, una de capa 3. Ejemplos concretos por área:

• Soporte al cliente: tiempo de primera respuesta, tiempo de resolución, tickets resueltos por agente, CSAT.
• Ventas: tiempo de preparación de una propuesta, propuestas enviadas por semana, tasa de conversión de propuesta a cierre.
• Finanzas y operaciones: días de cierre mensual, errores de conciliación detectados tarde, horas de reproceso.
• Ingeniería: lead time de cambios y tiempo de code review — con cautela: cualquier métrica de productividad de desarrolladores se puede manipular si se convierte en objetivo.

Con métricas instrumentadas, la fórmula es la de siempre: ROI = (valor generado − costo total) / costo total. Lo que cambia es la honestidad de los insumos. En el valor: horas ahorradas × costo por hora × un factor de recaptura del 50–70%, porque no todo el tiempo liberado se convierte en trabajo productivo — asumir 100% es autoengaño. Más los ingresos o costos evitados que puedas atribuir con una historia causal defendible. En el costo: licencias, horas de implementación, capacitación y mantenimiento, no solo la factura del proveedor.

4. Un ejemplo con números realistas

Un equipo de soporte de 12 personas, con un costo total mensual de US$1.800 por persona. Se implementa IA para borradores de respuestas y resúmenes de casos.

El costo real mensual: 12 licencias × $30 = $360. Implementación y capacitación: unas 60 horas por una vez, que amortizadas a un año agregan ~$210 al mes. Mantenimiento de prompts y ajustes: ~$150. Total: ~$720 al mes — el doble de lo que dice la factura del proveedor.

El valor, medido contra línea base: después de 90 días, el tiempo de resolución bajó de 11 a 8 horas y los tickets resueltos por agente subieron 18%. Ese throughput adicional permitió absorber el crecimiento del semestre sin las dos contrataciones que estaban presupuestadas: ~$3.600 al mes de costo evitado. ROI ≈ (3.600 − 720) / 720 ≈ 4x.

Dos cosas para notar. Primera: el retorno apareció en la capa 2 (throughput del proceso) y solo se volvió argumento financiero cuando se conectó con una decisión real — no contratar. Segunda, y esto es lo que casi nadie dice: si el volumen de tickets no hubiera crecido, ese mismo ahorro de tiempo no valdría $3.600. Valdría lo que la empresa decidiera hacer con él: reducir backlog, mejorar calidad, o nada. El ROI de la IA no es una propiedad de la herramienta — es una propiedad de las decisiones que tomas alrededor de ella.

Conclusión: qué hacer esta semana

No hace falta un comité ni un consultor para empezar a medir. Hace falta disciplina y cuatro pasos:

• Inventaría los casos de uso de IA que ya corren en tu empresa — los oficiales y los que tu equipo adoptó por su cuenta. Suele haber más de los que crees.
• Define la métrica de capa 2 o 3 que cada caso debería mover. Si no existe línea base, tómala ahora: dos semanas de datos valen más que un año de opiniones.
• Revisa en 90 días. Lo que muestre señal, se escala. Lo que no, se rediseña el proceso — o se mata sin culpa. Mantener pilotos zombis es la forma más cara de parecer innovador.
• Cambia la conversación con tu comité: de "cuánta gente lo usa" a "qué proceso mejoró y cuánto". Presentar las tres capas ordena la discusión y baja la ansiedad.

La diferencia entre el 95% de pilotos sin impacto y el 5% que sí lo tiene rara vez está en el modelo de IA que eligieron. Está en que alguien definió qué debía mejorar, midió antes de empezar, y tuvo la disciplina de comparar. Eso no lo vende ningún proveedor — pero es exactamente el trabajo que hace que la IA pase de gasto interesante a inversión defendible.