El retorno real de la IA no está donde la mayoría de los gerentes lo está buscando
El retorno real de la IA no está donde la mayoría de los gerentes lo está buscando
Cuando un directorio pregunta cuánto está devolviendo la inversión en inteligencia artificial, la respuesta que suele buscarse es un número único, un porcentaje que resuma el impacto de la IA en el resultado financiero completo de la empresa. McKinsey publicó este año la última edición de su encuesta global sobre el estado de la IA, con casi 2.000 participantes en más de 100 países, y el hallazgo incómodo fue que solo un 5,5% de esas organizaciones reporta que más del 5% de su EBIT es atribuible a la inteligencia artificial. Dicho de otra forma, la gran mayoría de las empresas que ya invirtió en IA todavía no puede demostrar, en el número que más le importa a un directorio, que esa inversión valió la pena.
Ese dato, sin embargo, cuenta solo una parte de la historia, y es la parte equivocada si lo que se busca es entender dónde efectivamente está generando valor la IA hoy.
El retorno aparece por función, no por empresa completa
La misma encuesta de McKinsey encontró que, cuando se mide el impacto función por función en lugar de a nivel de toda la empresa, el panorama cambia de forma considerable. En ingeniería de software, manufactura y tecnología de la información, las empresas que usan IA de forma consistente reportan reducciones de costos de entre 10% y 20%. En marketing y desarrollo de producto, el impacto se mide distinto, con aumentos de ingresos que superan el 10% en las áreas donde la IA se aplicó de forma específica a un proceso concreto.
La razón por la que el número agregado de EBIT no captura esto es simple. Una reducción de costos del 15% en un área de ingeniería, o un aumento de ingresos del 10% en marketing, representa una fracción relativamente pequeña del resultado financiero de toda una empresa grande, aunque sea, dentro de esa función específica, un cambio significativo. Medir el retorno de la IA solo al nivel de la empresa completa esconde exactamente el tipo de impacto que la tecnología ya está generando, porque promedia un resultado fuerte en un área con el resto de una empresa donde la IA todavía no se aplicó de forma seria.
Ese patrón función por función se ve, por ejemplo, en el Agente de Atención al Cliente de AgentLayer, que en un piloto reciente bajó el tiempo de respuesta promedio de 12 horas a 8 segundos y subió el ticket promedio en 34% vía upsell contextual, resultados medibles dentro de una sola función comercial, exactamente el nivel al que McKinsey dice que hay que mirar para ver el retorno real. Lo mismo pasa con la Validación de Imágenes, que reduce a menos de tres segundos por imagen una revisión que antes tomaba minutos por despacho, un ahorro que casi nunca aparece en el EBIT consolidado pero que sí se nota, función por función, en el costo operativo de logística.
La diferencia entre las empresas que más ganan y el resto
McKinsey también identificó un grupo de organizaciones que la encuesta llama de alto desempeño, empresas que estructuraron su adopción de IA de forma más deliberada que el resto. Ese grupo reporta un retorno superior a 10,30 dólares por cada dólar invertido en IA, casi tres veces el promedio del resto de las empresas encuestadas. Además, un 64% de ese grupo dice que la IA mejoró su capacidad de innovación, un 45% reporta mejoras en la satisfacción de sus equipos, y un 36% siente que la IA fortaleció su diferenciación frente a la competencia.
La brecha entre ese grupo de alto desempeño y el promedio no se explica por acceso a mejor tecnología, porque todas las empresas encuestadas tienen, en términos generales, acceso a herramientas de IA comparables. Se explica por cómo cada empresa decidió aplicar esa tecnología, en qué procesos específicos, con qué nivel de integración a sus sistemas existentes, y con qué disciplina de medición para saber si el resultado se estaba cumpliendo o no.
El otro lado del retorno, la productividad interna
No todo el impacto que documenta la encuesta se traduce en ingresos o reducción de costos directos. Un 32% de las organizaciones encuestadas espera que la IA reduzca su dotación de personal en más de un 3% dentro de un año, mientras que un 13% espera lo contrario, es decir, necesitar contratar más personal como resultado de su adopción de IA. Esa dispersión refleja algo importante, que el efecto de la IA sobre el equipo humano de una empresa depende enteramente de cómo se implementa, si se usa para eliminar tareas repetitivas y liberar tiempo del equipo hacia trabajo de mayor valor, o si se usa simplemente para reemplazar funciones existentes sin rediseñar el proceso alrededor de la nueva herramienta.
Las empresas del grupo de alto desempeño que identifica McKinsey tienden a describir el impacto en productividad de la segunda forma, como una redistribución del tiempo de su equipo hacia trabajo que antes no alcanzaban a hacer, más que como una simple reducción de headcount. Esa distinción importa porque cambia por completo cómo se debería medir el éxito de un proyecto de IA dentro de una empresa, no solo cuánto costo se eliminó, sino cuánto tiempo de trabajo calificado quedó disponible para tareas que antes no tenían espacio en la agenda de nadie.
Lo que esto implica para una empresa que recién está evaluando su inversión
Para un gerente que está decidiendo dónde invertir el próximo presupuesto de IA de su empresa, el dato más útil de la encuesta de McKinsey no es el 5,5% de empresas con impacto significativo en EBIT, sino la evidencia de que el retorno aparece cuando la IA se aplica a un proceso específico, medible, con un objetivo claro definido antes de implementarla, y no cuando se adopta de forma general esperando que el impacto aparezca solo por el hecho de haber comprado la herramienta.
Esto tiene una implicancia práctica directa. Antes de preguntar cuánto va a devolver la inversión en IA para toda la empresa, conviene preguntar qué proceso específico, dentro de un área concreta, tiene el problema más claro y medible que un agente de IA podría resolver, y cuál sería la métrica exacta que demostraría si ese problema efectivamente se resolvió. Esa pregunta más acotada es, según lo que muestra la encuesta de McKinsey, la que efectivamente ha generado el retorno de más de 10 dólares por cada dólar invertido que reportan las empresas de mejor desempeño, y no la pregunta más amplia y más difícil de responder sobre el impacto total de la IA en el negocio.
Medir bien antes de escalar
El error más común no es invertir en la herramienta equivocada, es no tener, desde el principio, una forma clara de medir si esa inversión está funcionando en el proceso específico donde se aplicó. Las empresas que McKinsey identifica como de alto desempeño comparten esa disciplina, definen el problema, aplican la IA ahí, miden el resultado con un número concreto, y solo después deciden si escalar ese mismo enfoque a otra área del negocio. Ese orden, más que el modelo de IA elegido, es lo que parece separar a las empresas que logran un retorno real de las que todavía están esperando ver ese retorno reflejado en un número que probablemente nunca lo va a mostrar de forma agregada.
Por qué el mismo presupuesto rinde distinto en dos empresas parecidas
Dos empresas del mismo tamaño, en la misma industria, con presupuestos de IA similares, pueden terminar el año con resultados completamente distintos, y la encuesta de McKinsey ayuda a explicar por qué. La diferencia rara vez está en el modelo de IA elegido, porque en la práctica la mayoría de las empresas termina usando tecnología con capacidades comparables. La diferencia está en si la empresa definió, antes de implementar cualquier herramienta, un proceso de negocio específico con un problema medible, o si simplemente destinó presupuesto a IA con la expectativa general de que algo bueno iba a pasar.
En el primer caso, es posible saber con precisión si la inversión funcionó, porque existe una métrica previa contra la cual comparar el resultado. En el segundo caso, la empresa termina, meses después, tratando de justificar retroactivamente una inversión que nunca tuvo un objetivo medible desde el principio, lo cual explica en parte por qué la mayoría de las empresas encuestadas no logra atribuir un impacto claro de la IA a su resultado financiero, aunque sí haya gastado en la tecnología.
Una pregunta más útil que cuánto cuesta la herramienta
La pregunta que más valor aporta antes de invertir no es cuánto cuesta la licencia de una herramienta de IA, sino cuánto cuesta hoy, en tiempo de un equipo calificado, el problema específico que esa herramienta debería resolver. Si un equipo comercial dedica varias horas a la semana a calificar manualmente leads que en su mayoría no van a convertir, ese tiempo tiene un costo real, medible en horas de un vendedor que podría estar cerrando negocios en lugar de filtrando contactos. Si un equipo de atención al cliente responde manualmente las mismas preguntas repetidas cientos de veces al mes, ese tiempo también tiene un costo, medible en la capacidad de ese equipo para atender casos que sí requieren criterio humano.
Cuantificar ese costo actual, antes de evaluar cualquier herramienta de IA, le da a una empresa la métrica exacta que necesita para después comparar el resultado. Es la misma lógica que describe la encuesta de McKinsey cuando explica por qué las empresas de mejor desempeño logran un retorno de más de 10 dólares por cada dólar invertido, no porque hayan encontrado una tecnología mejor, sino porque supieron, desde el principio, exactamente qué estaban tratando de mejorar y cómo iban a comprobar si lo lograron.
