La pregunta que el gerente de finanzas debería hacer antes de aprobar un proyecto de IA, y no es cuánto cuesta

Cada proyecto de IA que llega a la mesa de un gerente de finanzas viene con una promesa de retorno y casi nunca con el método para medirlo. Se aprueba el gasto, pasan seis o nueve meses, y cuando llega el momento de justificar la renovación del contrato, nadie en la empresa puede decir con precisión cuántas horas se ahorraron, cuántos errores se evitaron o cuánto ingreso adicional se generó. El proyecto no necesariamente fracasó, simplemente nunca se midió, y eso en la práctica es casi lo mismo para efectos de la próxima reunión de presupuesto.

Este problema tiene, felizmente, un cuerpo de evidencia real detrás. Uno de los estudios más citados sobre retorno de inversión en IA es el que la consultora IDC realizó por encargo de Microsoft, encuestando a 2.109 organizaciones de 16 países, con más de 13 millones de empleados combinados. El resultado central del estudio es que, en promedio, por cada dólar invertido en IA las organizaciones encuestadas reportaron un retorno de 3,5 veces, y que el tiempo promedio para empezar a ver ese retorno fue de 14 meses (Microsoft, estudio de IDC sobre el valor de negocio de la IA). El mismo estudio identifica cuál es, según los propios encuestados, la principal barrera para escalar ese retorno, y no es el costo de las licencias, es la falta de personas con las habilidades necesarias para implementar y escalar los proyectos, mencionada por un 52% de los encuestados.

El retorno no viene del modelo, viene de dónde se aplica

Vale la pena detenerse en un matiz que se pierde fácil cuando se cita solo el número final. El estudio de IDC no mide el retorno de "tener IA" en abstracto, mide el retorno de proyectos concretos aplicados a procesos concretos, como enriquecer la experiencia de los empleados reduciendo la carga administrativa, mejorar la atención al cliente con respuestas más rápidas y personalizadas, o rediseñar procesos internos que antes dependían de revisar información dispersa entre distintos sistemas. El retorno de 3,5 veces es un promedio de proyectos bien enfocados, no una propiedad automática de comprar acceso a un modelo de lenguaje.

Esta distinción es importante porque explica por qué dos empresas del mismo tamaño y del mismo rubro pueden tener experiencias completamente distintas con la misma tecnología. La empresa que aplica IA a un problema específico, medible y con dueño interno claro tiende a parecerse al promedio del estudio. La empresa que compra acceso general y espera que la adopción ocurra sola, sin un proceso definido de antemano, tiende a quedarse en la categoría de proyectos que nunca llegan a medirse. La diferencia no está en el modelo elegido, está en la disciplina con la que se define el problema antes de empezar.

Productividad medible, no solo percibida

El componente de productividad merece una mirada aparte porque suele ser el más fácil de exagerar y, a la vez, el más fácil de medir bien si se hace con cuidado. La forma correcta de medirlo no es preguntarle a un equipo si "siente" que trabaja más rápido, es comparar el tiempo que toma completar una tarea específica antes y después de introducir el agente, con el mismo volumen de trabajo y las mismas condiciones. Un ejemplo aplicado a un proceso real ayuda a que esto deje de ser abstracto.

El Auditor de Gastos Reembolsables de AgentLayer audita el 100% de los comprobantes de gasto en tiempo real, en vez de la muestra parcial que revisa manualmente un equipo de finanzas con recursos limitados. El agente lee PDFs, fotos y recibos, valida cada uno contra la política interna de la empresa y clasifica el gasto de forma autónoma, sin que eso signifique reemplazar el criterio humano en los casos que sí necesitan revisión. La métrica de productividad ahí no es una sensación, es directa, cuántas horas de revisión manual se liberan cuando el volumen de comprobantes ya no depende de cuántas personas hay disponibles para mirarlos uno por uno, y cuántos errores de política se detectan antes de que el reembolso se pague, en vez de después.

El mismo principio aplica al Agente KAM, que consolida datos de inventario, ventas y cobertura por canal en tiempo real y entrega reportes automáticos cada lunes a las 9 de la mañana. Antes de un agente así, ese reporte semanal lo arma una persona cruzando manualmente información de Falabella, Paris, Shopify y la tienda propia, un proceso que en una pyme de retail multicanal puede tomar buena parte de una jornada completa cada semana. La productividad ganada ahí se mide en horas devueltas al equipo comercial para vender, no para consolidar planillas.

La ventaja competitiva es acumulativa, no instantánea

El otro beneficio que suele mencionarse junto al ROI es la ventaja competitiva, pero acá conviene ser preciso sobre qué significa realmente. No es que una empresa se vuelva mejor que su competencia el día que activa un agente de IA, es que empieza a acumular una diferencia de velocidad que se compone con el tiempo. Una empresa que audita el 100% de sus gastos en tiempo real detecta patrones de gasto irregular semanas antes que una empresa que sigue auditando por muestreo. Una empresa que responde consultas de clientes en cualquier canal y a cualquier hora capta un lead mayorista mientras la competencia todavía no abre la tienda al día siguiente. Ninguna de estas ventajas se nota en la primera semana, todas se notan acumuladas después de varios meses, que es justamente el horizonte de 14 meses que reporta el estudio de IDC para empezar a ver el retorno consolidado.

Este es un punto que a veces se pasa por alto en las conversaciones sobre IA y competitividad, se habla mucho de la tecnología y poco de la disciplina de medición que hace falta para capturar esa ventaja de forma consistente. Una empresa puede tener el mejor agente de IA del mercado y aun así no capturar ventaja competitiva si nadie revisa mes a mes si el proceso mejoró, si el error bajó, o si el tiempo de respuesta se redujo. La tecnología habilita la ventaja, pero la disciplina de seguimiento es la que la convierte en un resultado de negocio real y defendible frente a un directorio.

Cómo se ve un caso real de este tipo de disciplina

Socks Lab, una empresa de retail de moda multicanal, ilustra cómo se ve esto en la práctica. La compañía vende simultáneamente por tienda física, ecommerce propio y canales mayoristas como Falabella y Paris, lo que en retail multicanal suele traducirse en horas perdidas cada semana consolidando manualmente inventario y ventas de sistemas que no se hablan entre sí. Al incorporar el Agente KAM para consolidar esos datos y el Agente de Atención al Cliente para responder consultas en cualquier canal, la empresa dejó de depender de que una persona armara reportes a mano y de que los clientes esperaran horas por una respuesta fuera del horario de oficina. El resultado no se mide en una sola cifra grande y genérica, se mide en la suma de procesos puntuales que antes tomaban horas y ahora toman minutos, que es exactamente el tipo de retorno que documenta el estudio de IDC cuando habla de reshape business processes, es decir, rediseñar procesos internos a partir de información que antes estaba dispersa.

Lo que un gerente de finanzas debería pedir antes de aprobar el próximo proyecto

Volviendo a la pregunta del inicio, la que de verdad importa no es cuánto cuesta el proyecto de IA, porque ese número siempre está disponible en la cotización. La pregunta que falta casi siempre es cuál es la línea base actual del proceso que se quiere mejorar, medida en horas, en errores o en tiempo de respuesta, y quién se compromete a medir esa misma línea tres y seis meses después de la implementación. Sin esa línea base, cualquier cifra de retorno que se presente después es, en el mejor de los casos, una estimación, y en el peor, una historia que nadie puede verificar.

La metodología de AgentLayer para llevar un agente de piloto a producción en 30 días está construida, justamente, alrededor de esta disciplina de medición. El diagnóstico inicial no solo identifica qué agente resuelve el problema, también establece contra qué línea base se va a medir el resultado. La fase de prueba real, de una a dos semanas, existe para ajustar el agente con el equipo del cliente antes de comprometerse a un uso a gran escala, y el soporte continuo después de la entrega asegura que la medición no se detenga el día que el proyecto se da por terminado. Un gerente de finanzas que exige este nivel de rigor antes de aprobar un proyecto de IA no está siendo desconfiado, está aplicando el mismo estándar que ya aplica a cualquier otra inversión de capital de la empresa, y ese estándar es, en última instancia, lo que separa a las organizaciones que sí logran acercarse al retorno de 3,5 veces que reporta la evidencia disponible, de las que en un año más van a estar revisando por qué el proyecto de IA nunca llegó a probar su valor.