La nueva pregunta de la inteligencia artificial: no quién la está usando, sino cuánto valor está generando
Forrester publicó a fines de octubre de 2025 sus predicciones de tecnología y seguridad para 2026, con un mensaje claro: la inteligencia artificial entrará en una etapa donde las expectativas deberán alinearse con resultados concretos. Después de dos años marcados por una adopción acelerada y grandes promesas sobre productividad, las empresas comenzarán a exigir una respuesta más difícil: cuánto valor real está generando la IA en el negocio.
Según el análisis de Forrester, menos de un tercio de los tomadores de decisión de IA podía conectar el valor de sus iniciativas con el crecimiento financiero real de su organización, mientras que apenas un 15% había reportado un aumento medible de EBITDA atribuible a la IA durante los 12 meses anteriores. La consecuencia será un mayor involucramiento de los CFO en la evaluación de estas inversiones, con una mirada más estricta sobre retorno, impacto y capacidad de demostrar resultados.
Ese cambio de criterio puede modificar profundamente la forma en que las empresas aprueban proyectos de inteligencia artificial. Durante los últimos dos años, la pregunta que dominaba muchas conversaciones de directorio era si la organización ya estaba utilizando IA. Para 2026, esa pregunta parece estar resuelta en gran parte del mercado. La nueva pregunta será mucho más incómoda: ¿cuánto de ese uso se transformó en un resultado que pueda defenderse con datos frente al directorio?
Chile enfrenta el mismo desafío, pero con una brecha más profunda
Chile no es una excepción a esta tendencia. De hecho, algunos indicadores muestran que el desafío local puede ser incluso más complejo: muchas organizaciones reconocen el potencial de la inteligencia artificial, pero todavía están lejos de convertir experimentos aislados en capacidades integradas al negocio.
Un estudio de MAS Analytics, basado en una encuesta a 166 ejecutivos y gerentes de empresas chilenas, encontró que solo una pequeña proporción de organizaciones ha logrado escalar iniciativas de IA de forma transversal con retornos medibles. Las principales barreras identificadas no están relacionadas con la disponibilidad de tecnología o presupuesto, sino con capacidades internas: gobierno de datos, integración de información entre áreas y adaptación cultural.
El punto es relevante porque muestra que la siguiente etapa de adopción de IA no dependerá únicamente de tener acceso a mejores modelos o herramientas más avanzadas. El desafío será construir las condiciones necesarias para capturar valor de forma consistente.
Como resume Ignacio Yarur, presidente de Bci y de MAS Analytics, las organizaciones ya saben que la tecnología existe; el verdadero desafío es preparar la empresa, sus datos, sus procesos y su cultura para capturar el valor de la inteligencia artificial.
Y esa preparación comienza con una pregunta que muchas compañías todavía no han respondido: ¿cómo vamos a demostrar que la IA está generando impacto?
Por qué medir el retorno de la IA es distinto a medir cualquier otro proyecto
Parte del desafío está en que muchas empresas están intentando medir la inteligencia artificial utilizando las mismas reglas con las que evaluaban proyectos tecnológicos tradicionales. Una automatización clásica suele tener un alcance definido: se identifica un proceso, se calcula cuánto cuesta hacerlo manualmente y se proyecta cuánto tiempo o recursos se pueden ahorrar.
Los agentes de inteligencia artificial funcionan de una manera distinta. No son solamente una herramienta que reemplaza una tarea específica; interactúan con procesos, reciben información, generan respuestas y pueden ampliar su capacidad a medida que acumulan uso real. Por eso, su impacto financiero rara vez aparece como una única línea de ahorro fácilmente identificable.
El valor suele distribuirse en múltiples áreas: horas de trabajo especializado que se liberan, decisiones que se toman más rápido, reducción de errores y capacidad de analizar un volumen de información que antes era imposible procesar manualmente.
Pero existe un problema previo: muchas organizaciones intentan medir el impacto de la IA sobre procesos donde nunca existió una medición precisa.
Lo hemos visto repetidamente en empresas que buscan implementar agentes de inteligencia artificial. Automatizan tareas que durante años fueron realizadas manualmente, pero sobre las cuales no existe un registro detallado de cuánto tiempo consumían, cuántas veces ocurrían o cuántos recursos involucraban.
Una persona puede estimar cuánto demora en realizar una tarea determinada, pero en muchos casos esa cifra corresponde a una percepción, no a un dato operacional medido. Cuando una actividad ocurre cientos o miles de veces durante un año, pequeñas diferencias en esa estimación pueden cambiar completamente la forma en que una empresa calcula su retorno.
La inteligencia artificial introduce una diferencia relevante: además de ejecutar tareas, puede generar información sobre la propia operación. Un agente puede registrar cuántas acciones realizó, cuánto tiempo tomó cada ejecución, qué volumen de solicitudes procesó y qué resultados entregó.
Esta trazabilidad cambia la conversación. La IA no solo permite automatizar procesos que antes requerían trabajo manual; también permite observar procesos que antes eran invisibles desde una perspectiva de datos.
Por eso, cuando algunos análisis plantean que el retorno de la inteligencia artificial es difícil de medir, el problema no necesariamente está en que la tecnología no genere resultados. En muchos casos, el desafío está en que las empresas están intentando evaluar una nueva forma de trabajo con métricas diseñadas para procesos anteriores.
El caso de Enaex: transformar una operación invisible en una métrica medible
Enaex, la compañía de fragmentación de rocas y servicios de tronadura para minería que forma parte del Grupo Sigdo Koppers, con operaciones en distintos países de América, tiene actualmente dos agentes de AgentLayer en producción real.
El Agente de Marca y Contenido ayuda al equipo a producir comunicaciones internas y externas manteniendo el tono y la identidad visual de la marca, además de facilitar la generación de contenidos en distintos idiomas para sus filiales en español, inglés, francés y portugués.
Angie Lucas Gallego, Analista de Desarrollo Organizacional de Enaex Colombia, describe el resultado como una herramienta muy útil para apoyar la creación de comunicaciones internas, reduciendo tiempos de elaboración y manteniendo una presentación coherente con la identidad visual de la organización.
Ese resultado refleja exactamente el tipo de impacto que una organización necesita comenzar a medir: no solamente cuánto contenido se genera, sino cuánto tiempo se libera y cómo se mantiene la consistencia operacional entre distintos equipos y países.
Además, el agente incorpora una capacidad que antes no existía: trazabilidad sobre la actividad comunicacional. Cada interacción queda registrada, permitiendo conocer cuántas piezas fueron desarrolladas, qué tipo de contenidos se generaron y cómo evolucionó el volumen de trabajo en el tiempo.
Antes, obtener esa información habría requerido reconstruir manualmente el historial de comunicaciones desde múltiples fuentes, revisando archivos, correos y registros dispersos. Muchas de esas pequeñas acciones generaban valor, pero no quedaban consolidadas como datos operacionales.
Los agentes de IA cambian esa dinámica porque no solo realizan tareas, sino que crean una nueva capa de información sobre cómo trabaja una organización.
Junto al Agente de Marca y Contenido, Enaex también tiene en producción el Agente de Inteligencia Competitiva, que revisa noticias, licitaciones y movimientos del sector minero cada mañana y entrega alertas directamente a Microsoft Teams, permitiendo que las distintas gerencias trabajen con información actualizada el mismo día que ocurre un hecho relevante.
Lo que hace que un piloto de IA sea medible desde el primer día
La diferencia entre un piloto que genera entusiasmo interno y uno que puede defenderse frente a un directorio está en cómo se define desde el inicio.
La metodología de AgentLayer comienza identificando una línea base antes de implementar el agente: cuánto tiempo toma actualmente realizar una tarea, cuántas horas se destinan a un proceso determinado o qué volumen de trabajo debe gestionar un equipo antes de incorporar inteligencia artificial.
Sin esa referencia inicial, cualquier conversación posterior sobre retorno queda limitada a percepciones. La empresa puede sentir que trabaja mejor, pero no necesariamente puede demostrar cuánto cambió.
Por eso, el piloto de 30 días permite medir el impacto utilizando datos reales de la operación antes de decidir si la implementación debe escalarse. La lógica cambia: en lugar de aprobar una inversión y después intentar justificarla, la organización define primero qué quiere medir y utiliza esa información para tomar la decisión de expansión.
Esta diferencia es especialmente importante para áreas donde gran parte del trabajo ocurre de manera distribuida. Un equipo de comunicaciones puede saber que produce más contenido, pero sin una medición previa es difícil determinar cuánto tiempo se recuperó realmente. Un equipo comercial puede sentir que recibe mejor información, pero sin registros anteriores no puede calcular cuánto mejoraron sus tiempos de respuesta.
La línea base convierte esa percepción en evidencia.
Tres preguntas que un CFO debería hacer antes de aprobar nuevos proyectos de IA
Para las empresas que están evaluando nuevas inversiones en inteligencia artificial, hay tres preguntas que deberían responderse antes de aprobar presupuesto.
La primera es: ¿qué métrica específica queremos mejorar y cuál era la situación antes de implementar IA? Sin una línea base, no existe una comparación real.
La segunda es: ¿cómo vamos a medir el impacto después de la implementación? No basta con saber que una herramienta es utilizada; es necesario conocer qué cambió gracias a ella.
La tercera es: ¿qué haremos con los proyectos que no pueden demostrar valor? La inteligencia artificial debe evaluarse con el mismo rigor que cualquier otra inversión estratégica.
La brecha que identifican Forrester y distintos estudios sobre adopción de IA no se resolverá únicamente incorporando nuevas herramientas. Se resolverá cuando las empresas sean capaces de conectar tecnología con resultados medibles.
La próxima ventaja competitiva en inteligencia artificial no estará solamente en quién implemente primero un agente, sino en quién pueda demostrar antes que nadie dónde está generando valor.
