Por Raju Vegesna, Jefe Evangelista de Zoho
La conversación sobre IA y su productividad empresarial está llegando a límites insospechados. Organizaciones que pasaron años perfeccionando tableros de desempeño basados en resultados ahora buscan nuevas formas para medir la ‘productividad’ de los empleados. Ya no importa cuánto código escriben ni cuántos clientes atienden sino, por ejemplo, cuánto tiempo usan IA y cuántos tokens consumen. La lógica es que más uso de IA equivale a más valor entregado.
Dos ejemplos ilustran bien el problema. Starbucks ligó una cuarta parte de la bonificación de sus colaboradores del área de IT a la utilización de un asistente varias veces por semana. La intención era incentivar la adopción, pero terminó incentivando ‘aparentar’ la adopción.
Uber, por su parte, agotó todo su presupuesto de IA para 2026 en solo cuatro meses, después de prometer incentivos por usarla a sus ingenieros, quienes usaron las herramientas mucho más de lo necesario. Si eso mejoró los resultados es otra pregunta.
¿Pero cómo cuantificar el valor del trabajo asistido por IA cuando el resultado suele ser cualitativo, contextual y difícil de comparar con una línea base previa?
Al comienzo de la automatización, las organizaciones medían la productividad por el número de informes generados, correos enviados o documentos procesados. Estas métricas tenían una relación limitada con los resultados del negocio, por lo que las empresas se alejaron de ellas.
El uso de IA cae en el mismo error. El consumo de tokens y el tiempo dedicado a herramientas de IA miden actividad, no productividad. Un ingeniero que genera 500 líneas de código mediocre consume más tokens que uno que lo usa para resolver un problema específico, sin ser más productivo.
En el caso de Uber, cada ingeniero gasta entre 500 y 2,000 dólares al mes en herramientas de IA. Con 95% de ellos usándolas, significa que la empresa logró una adopción casi universal, pero agotó su presupuesto anual en cuatro meses. Praveen Neppalli Naga, director de tecnología de Uber, reconoce que la empresa tuvo que replantear el modelo, al ser tan exitoso para costearlo a esa escala.
Los líderes empresariales tienen razón en exigir resultados en su inversión en Inteligencia Artificial. La clave está en distinguir dos tipos de uso: la IA como acelerador de procesos y la IA como socio de razonamiento.
En la aceleración de procesos, si se usa para realizar en una hora una tarea que antes tomaba cuatro, la productividad es fácil de medir: tiempo ahorrado, costo reducido, mayor rendimiento. Aquí es donde las métricas basadas en resultados funcionan bien.
El razonamiento como socio es más difícil de cuantificar, pero es donde están las aplicaciones de mayor valor. Cuando la IA se usa para modelar escenarios, poner a prueba supuestos, sintetizar información compleja o generar opciones para que el usuario decida, el valor está en la calidad de las opciones que brinda. El consumo de tokens no revela nada útil en este contexto.
Qué deben hacer los líderes empresariales
Separar las métricas de adopción de las métricas de productividad: rastrear el uso para entender la cobertura de la implementación. No usar los datos de uso como sustituto del valor entregado.
Definir métricas de resultados antes de implementar la IA en cada función: para cada caso de uso, sea atención al cliente, ingeniería, análisis financiero u otros, identificar cómo se ve una mejora significativa antes de que las herramientas entren en operación.
Auditar los puestos según el tipo de valor que se espera de la IA: la aceleración de procesos y el apoyo al razonamiento requieren marcos de medición distintos. Aplicar métricas de tiempo ahorrado a puestos donde la calidad es el resultado principal subestimará de forma sistemática el valor de la IA en esos puestos.
Construir una gobernanza del gasto en IA que conecte el costo con los resultados: el caso de Uber es tanto una falla de gobernanza como una falla de medición. Los costos de infraestructura de IA son reales y van en aumento. Las organizaciones necesitan estructuras de rendición de cuentas que conecten el gasto con un valor de negocio demostrable.
Las ganancias de productividad de una IA bien implementada son reales, y las organizaciones que descubran cómo capturarlas tendrán ventajas estructurales. La pregunta es si la medición está orientada hacia lo que realmente importa.
Las organizaciones que vale la pena observar son las que están construyendo marcos de medición que parten de los resultados del negocio y van hacia atrás hasta la actividad de IA, no las que parten desde ella con la esperanza de que los resultados sigan.
