Un proyecto de IA no crea valor porque utiliza un modelo avanzado ni porque produce muchas respuestas. Crea valor cuando modifica de manera positiva un proceso real y la organización puede demostrar esta diferencia.
Para medirla, empezamos antes de construir.
Establecemos una línea de base
Necesitamos entender cómo funciona hoy el proceso: cuánto tarda, cuántas personas intervienen, qué errores aparecen, qué cobertura se consigue y qué experiencia tienen las personas usuarias.
La línea de base no tiene que ser perfecta. Tiene que ser bastante consistente para comparar. Sin esta referencia, cualquier mejora queda reducida a una impresión.
Escogemos indicadores vinculados al problema
No hay un KPI universal de inteligencia artificial. Seleccionamos una combinación proporcional de seis dimensiones:
- Tiempo: duración del ciclo, esperas y trabajo manual evitado.
- Calidad: precisión, consistencia, cumplimiento de criterios y correcciones necesarias.
- Cobertura: casos, fuentes o públicos que antes no se podían atender.
- Riesgo: incidencias, exposición de datos, errores materiales y capacidad de trazabilidad.
- Adopción: uso real, recurrencia, abandono y confianza del equipo.
- Impacto económico: ahorro, margen, ingresos habilitados o coste de oportunidad.
No hay que maximizarlo todo. Un sistema puede ser valioso para que amplía cobertura aunque el ahorro directo sea modesto.
Medimos también el coste completo
El coste no es solo la licencia o el consumo del modelo. Incluye integraciones, preparación de datos, revisión humana, formación, mantenimiento, monitorización y gestión de incidencias.
También consideramos el coste del cambio: tiempo que el equipo necesita para aprender y adaptar el proceso. Ocultarlo produce retornos aparentemente espectaculares que después no se sostienen.
Separamos actividad de resultado
Número de prompts, documentos procesados u horas de formación son indicadores de actividad. Pueden ayudar a entender el uso, pero no demuestran impacto.
El resultado es que ha cambiado gracias a esta actividad: menos tiempo para preparar una propuesta, más coherencia entre canales, una investigación más completa o menos incidencias en una revisión.
Incorporamos la calidad humana
Algunos beneficios importantes no son solo cuantitativos. Un sistema puede liberar el equipo de una tarea mecánica y permitirle dedicar más tiempo al juicio, a la relación o a la creatividad. Podemos observarlo con entrevistas estructuradas, muestras de trabajo e indicadores de experiencia.
La percepción no sustituye los datos, pero ayuda a explicar por qué una capacidad se adopta o se abandona.
Decidimos con evidencia
Medir sirve para tomar una decisión: ampliar, ajustar, mantener o parar. Definimos umbrales y momentos de revisión para que el piloto no se convierta en una prueba indefinida.
El valor de un proyecto de IA es una relación entre impacto, coste y riesgo a lo largo del tiempo. Cuando esta relación es visible, la conversación deja de ser tecnológica y se convierte en una decisión de gestión.