Muchos proyectos de inteligencia artificial se aprueban basándose en una intuición estratégica, una moda pasajera o un beneficio que se considera «evidente», pero que rara vez se mide con rigor. Para un director general, un director financiero o un responsable de transformación digital, la verdadera cuestión no es solo saber si la IA genera valor, sino cómo demostrarlo. Descubre los métodos, los protocolos de decisión y los errores que hay que evitar para pasar de la intuición a la evidencia, de la mano de Gauthier Lamothe, emprendedor y formador en IA generativa.
Según McKinsey, Menos del 20 % de las organizaciones utilizan actualmente indicadores específicos para la IA generativa.. Se trata de una realidad que debería dar que pensar, ya que los presupuestos destinados a estos proyectos se están disparando. Esta discrepancia entre la magnitud de las inversiones y la deficiente gestión explica por qué tantas empresas tienen dificultades para responder a una pregunta sencilla: ¿cuánto genera realmente la IA?
A continuación te ofrecemos algunas pautas concretas para:
- distinguir entre los beneficios percibidos y las ganancias cuantificables
- Elegir la estrategia de IA adecuada según tu caso de uso
- establecer un marco de medición fiable antes de cualquier implementación
Nota: en este artículo hablaremos únicamente de IA generativa, ya que este sector ha experimentado un gran auge en la última década. El retorno de la inversión de los algoritmos de aprendizaje automático clásico suele estar mejor documentado en determinados casos de uso (puntuación, detección de fraude, recomendaciones, predicción, optimización…), pero nunca es automático. Depende de la calidad de los datos, del coste de integración, del mantenimiento, de la deriva de los modelos y de la adopción por parte de las empresas.
¿Por qué el ROI de la IA generativa escapa a las métricas tradicionales?
Hay cuatro sesgos que explican la dificultad para evaluar correctamente un proyecto de IA:
- La falta de mediciones previas y posteriores impide realizar una comparación rigurosa.
- La sobredeclaración o la subdeclaración de las ganancias distorsiona los datos recopilados sobre el terreno.
- Hay ciertos indicadores clave de rendimiento (KPI) que, sencillamente, no se tienen en cuenta en el cálculo del ROI.
- Por último, la confusión entre una prueba aislada y una implantación real a gran escala sesga las previsiones.
Estos sesgos no son anecdóticos. El informe MIT " La brecha de la IA general " observa que 95% de los programas de gestión empresarial no han tenido ningún impacto cuantificable en la cuenta de resultados. No porque los modelos sean inútiles, sino porque están mal integrados en los flujos de trabajo reales.
La investigación McKinsey El estado de la IA 2025 La cita anterior apunta en la misma dirección: más del 80 % de las organizaciones no observan ningún efecto tangible en el EBIT a nivel empresarial, a pesar de que la IA generativa se utiliza ya, de media, en tres funciones de negocio.
La diferencia entre el ROI percibido y el ROI real
La trampa más costosa es la diferencia entre lo que los equipos creen que van a ganar y lo que realmente ganan.
El estudio METR Un estudio realizado en 2025 sobre 246 tareas reales asignadas a desarrolladores de código abierto con experiencia y equipados con herramientas de IA lo ilustra claramente. El grupo asistido por IA tardó 19 % más que el grupo de control. Sin embargo, esos mismos desarrolladores estimaron a posteriori que habían ahorrado 20 %. La diferencia entre la percepción y la realidad alcanza los 39 puntos.
La lección que hay que aprender es que, sin indicadores de calidad, el ROI declarado puede ser una ilusión.
| Estudiar | Metodología | Resultado medido | Diferencia con respecto a la percepción | Educación |
|---|---|---|---|---|
| METR (2025) | RCT, desarrolladores con experiencia | −19 % de velocidad | +39 puntos con respecto a la estimación declarada | La sensación de productividad puede ser engañosa. |
| BCG × Harvard / MIT / Wharton (2023) | RCT, 758 consultores | +12,2 % de tareas completadas | −19 % de precisión fuera del ámbito controlado por la IA, sin que los usuarios se den cuenta | La IA resulta de gran ayuda en ciertas tareas, pero puede empeorar el resultado en otras tareas similares. |
| Brynjolfsson–Li–Raymond, NBER (2025) | Despliegue gradual, 5 179 agentes | +14 % de incidencias resueltas por hora | +34 % para los principiantes, ganancia prácticamente nula para los expertos | Los ingresos varían en función del nivel de experiencia. |
Este último punto es algo que todo director financiero que elabore el presupuesto de un proyecto de IA debe tener en cuenta: las ganancias no son uniformes.
A menudo benefician más a los empleados con menos experiencia y pueden ser bajos, nulos o negativos en el caso de los expertos, dependiendo de la tarea.
«Con nuestro proyecto piloto de IA para la redacción de respuestas a licitaciones, los responsables de proyectos junior han ahorrado casi media jornada por expediente: la IA les ayudaba a estructurar la respuesta, localizar las referencias internas y elaborar una primera versión utilizable.
»En el caso de los mayores, el efecto fue mucho menor. Ya conocían las referencias, sabían cómo formular los argumentos y, sobre todo, dedicaban tiempo a corregir las imprecisiones».»
Marc, director financiero de un grupo de servicios B2B
Tres pilares para estructurar la medición del ROI
Las grandes consultoras coinciden en un mismo marco de análisis, a pesar de sus diferentes metodologías. Todas ellas miden el ROI de la IA generativa basándose en tres pilares.
| Pilar | Fenómeno medido | Ejemplo de indicador |
|---|---|---|
| Productividad | Rapidez de ejecución, volumen procesado, tiempo ahorrado | Tareas/hora, PR/semana, incidencias resueltas/hora, tiempo/expediente |
| Calidad | Fiabilidad, precisión y coherencia de los resultados | Índice de error, índice de escalada, índice de alucinaciones, índice de intervención humana |
| Creación de valor empresarial | Impacto directo o indirecto en el negocio | Aumento de los ingresos o del margen, coste por interacción, VAN, plazo de recuperación |
Un proyecto que se evalúa basándose en un único aspecto ofrece una visión incompleta. Un chatbot puede mostrar una productividad excelente y, al mismo tiempo, mermar la calidad percibida por el cliente.
El caso de Klarna resulta ilustrativo en este sentido: la empresa había anunciado una creación de empleo equivalente a 700 puestos de trabajo a tiempo completo, antes de que su director general reconociera una deterioro de la calidad del servicio y no reanuda la contratación de personal hasta quince meses después.
Este es un claro ejemplo de la ley de Goodheart en la gestión de proyectos: optimizar un KPI de forma ingenua, sin tenerlo en cuenta el fenómeno que pretende medir, conduce inevitablemente a una antitelia (un efecto perverso en el que una decisión produce lo contrario de lo que se esperaba).
Como consultor, hace cinco años solo veía este tipo de problemas de forma ocasional, mientras que ahora, en 2026, veo aproximadamente uno a la semana. Esto demuestra que el problema no ha recibido tanta atención como la implantación de la IA generativa en los procesos empresariales.
«Build», «Buy» o «Boost»: elegir la estrategia de IA adecuada según el caso de uso
No todas las tareas tienen el mismo valor en lo que respecta a la IA generativa. El concepto de «frontera tecnológica irregular» (frontera tecnológica accidentada), elaborado por el BCG, describe una realidad sencilla: Los modelos obtienen excelentes resultados en determinadas tareas y fallan en otras similares, sin que el usuario perciba una lógica aparente..
Esta irregularidad exige tomar una decisión bien fundamentada antes de realizar cualquier inversión. Dispone de tres opciones.
| Estrategia | Cuándo utilizarlo | Lo que esto implica |
|---|---|---|
| Build (IA propia) | La tarea está fuera del alcance fiable de los modelos genéricos de IA, o supone una ventaja estratégica | Datos propios, arquitectura dedicada, ajuste fino, I+D interna |
| Comprar (IA por suscripción) | La tarea está bien cubierta por modelos estándar, sin que haya ninguna ventaja competitiva que justifique su internalización | Uso de una API o un SaaS ya existente, integración limitada, coste previsible |
| Boost (IA contextualizada) | La tarea está bien cubierta, pero puede mejorar mucho más con tus propios datos | RAG, conectores de negocio, bases de datos, gobernanza de datos |
Este protocolo evita el error más habitual: desarrollar internamente una solución que el mercado ya ofrece en formato SaaS o, por el contrario, subcontratar a una IA genérica una tarea que requería unos conocimientos especializados diferenciadores.
Cabe mencionar también otro método de seguridad, adoptado en Francia por la AP-HP: rechazar los casos de negocio que se limitan a «ahorrar entre 5 y 10 minutos». Esta búsqueda de beneficios significativos (tareas que hoy en día son imposibles o muy complejas) permite garantizar que la implementación de procesos que impliquen IA generativa no se realice a pérdida.
El coste real de una implementación de IA: TCO, alucinaciones y mantenimiento
El ROI nunca se calcula basándose únicamente en los beneficios. Gartner desglosa el coste total de propiedad (TCO) de un proyecto de IA generativa en cuatro niveles:
- Licencias, API y suscripciones
- infraestructura,
- capital humano,
- costes ocultos de cumplimiento normativo y gobernanza.
Según la encuesta KPMG AI Quarterly Pulse, el gasto medio en IA general por parte de las grandes empresas casi se ha duplicado en un año, un ritmo de inversión que rara vez se compara con los beneficios realmente medidos.
El coste oculto: comprobar, corregir, supervisar
Las alucinaciones constituyen uno de los costes ocultos mejor documentados. El estudio Stanford RegLab/HAI medida de los índice de alucinaciones del 17 al 33 % en herramientas jurídicas especializadas, y de 69 a 88 % en modelos generales utilizados para cuestiones jurídicas específicas.
Esta cifra merece ser destacada, ya que hace tan solo 18 meses, los casos de uso “jurídicos” se consideraban en el sector de la IA generativa como el ámbito por excelencia en el que se iban a observar mejoras en la productividad.
Cuando el error se convierte en un riesgo financiero
Estos errores tienen un coste directo: el bufete Morgan & Morgan fue sancionado con 5.000 dólares por ocho citas ficticias de un total de nueve en un escrito jurídico generado por IA.
Otro caso emblemático que me parece oportuno recordar es el de Deloitte. En octubre de 2025, la consultora tuvo que reembolsar parcialmente un informe de 440 000 dólares australianos encargado por el Gobierno federal, tras descubrirse referencias académicas inexistentes y una cita inventada atribuida a una sentencia judicial. Un mes más tarde, un informe encargado por un gobierno provincial canadiense fue objeto de acusaciones similares por un importe de 1,2 millones de dólares canadienses.
Estos dos incidentes demuestran que el coste de un error no se limita a la corrección de un texto, sino que puede convertirse en un riesgo jurídico, reputacional y financiero.
El precedente de Google: la IA compromete a quien la publica
A finales del primer semestre de 2026, la propia empresa Google tuvo que asumir las consecuencias de las alucinaciones de su IA: el Tribunal Regional de Múnich consideró que los Las «AI Overviews» de Google son las propias afirmaciones de Google, y no una mera reproducción de contenidos de terceros.
La consecuencia es que Google puede ser directamente responsable información falsa o difamatoria generada por esta función.
El tribunal ha distinguido explícitamente entre el motor de búsqueda clásico (que redirige a páginas de terceros) y los «AI Overviews» (que sintetizan y crean un nuevo texto).
El caso se originó porque la IA presentaba a dos editoriales alemanas como vinculadas a estafas y prácticas fraudulentas, cuando esas afirmaciones no aparecían en las fuentes consultadas. El razonamiento del tribunal es el siguiente:
- un buscador tradicional actúa principalmente como intermediario; ;
- Una visión general de la IA (resumen de IA) redacta un nuevo texto, elige qué información retener y formula afirmaciones originales; ;
- Por lo tanto, estas afirmaciones se consideran el propio contenido de Google.
Google se defendió alegando que los usuarios saben que la IA puede equivocarse (se proporciona una advertencia explícita), pero el tribunal rechazó este argumento, alegando que una advertencia no basta para eximir de responsabilidad a Google cuando el propio sistema genera una afirmación falsa que daña la reputación de una persona o una empresa.
La diferencia está en la gobernanza
En el extremo opuesto, un caso como JPMorgan COIN demuestra que una implementación rigurosa puede invertir la tendencia: se han eliminado 360 000 horas-jurista al año en 12 000 contratos comerciales, con una reducción de aproximadamente un 80 % de los errores en la gestión de préstamos. La diferencia entre estas dos trayectorias no radica tanto en la tecnología como en el marco de gobernanza que la rodea.
Establecer un marco de evaluación antes de cualquier implementación
Para obtener un ROI fiable, hay que prepararlo antes del lanzamiento del proyecto, no después. Estos son los pasos a seguir:
- Identificar las tareas que realmente se ven potenciadas por la IA, distinguiendo aquellas con gran potencial de las que se encuentran fuera de la frontera tecnológica fiable.
- Definir entre 3 y 5 indicadores medibles antes de la puesta en marcha, alineados con la unidad de valor empresarial correspondiente.
- Realizar una comparación «antes y después», a ser posible con un grupo de control, en una tarea real y no simulada.
- Incluir el coste total : licencias, infraestructura, formación, gobernanza, verificación y resolución de incidencias.
- Establecer un umbral de paso a escala, por ejemplo, una mejora contrastada a lo largo de 90 días antes de cualquier implantación a gran escala.
- Programar una auditoría independiente a los 6 y a los 12 meses, para detectar un deterioro de la calidad antes de que se convierta en un problema.
Cuadro resumen de los indicadores que hay que seguir
| Categoría | Ejemplos de indicadores |
|---|---|
| Utilización | Índice de adopción, frecuencia de uso, índice de aceptación de las sugerencias |
| Productividad | Tiempo por tarea, rendimiento (casos/hora, tickets/hora) |
| Calidad | Índice de error, índice de escalada, índice de alucinaciones, índice de intervención humana |
| Experiencia | Satisfacción del cliente (CSAT), NPS, pérdida de clientes |
| Financiero | Coste por interacción, rendimiento neto de la inversión, tiempo de recuperación |
| Sistémico | Retención del talento, capacidad de adaptación de los equipos |
[Leer también] Buenas prácticas para trabajar en equipo con la IA
El retorno de la inversión (ROI) de la IA generativa es cuantificable, pero muy heterogéneo. Los estudios controlados muestran mejoras reales de entre 14 y 56 % en tareas bien definidas. Sin embargo, la mayoría de las pruebas piloto en empresas no generan actualmente ningún impacto cuantificable en la cuenta de resultados.
Por lo tanto, para medir el ROI de una implementación de IA es necesario ir más allá de las declaraciones subjetivas y establecer un marco riguroso incluso antes de la primera prueba piloto. Distinguir entre los beneficios percibidos y los beneficios demostrados, elegir la estrategia adecuada en función del caso de uso e integrar el coste total —incluidas las «alucinaciones»—: eso es lo que diferencia un proyecto de IA rentable de uno que solo da la impresión de serlo.
