Valor de la IA: elegir y medir el primer caso de uso

Qué mide de verdad esta capa

Mide una sola cosa: si tu organización sabe distinguir un caso que funciona de uno que no.

Suena trivial hasta que se comprueba. La mayoría de empresas que llevan un año con IA no puede responder si su piloto funcionó. Tienen impresiones —«al equipo le gusta», «ahorramos tiempo»— y no tienen la cifra que había antes. Sin el antes, el después no significa nada.

Lo que no mide esta capa: la calidad técnica de la solución. Un sistema excelente sobre un caso irrelevante puntúa cero aquí, y es correcto que puntúe cero.

Por qué la empresa mediana la hace mal

Por una razón estructural y una cultural.

La estructural: en una empresa mediana nadie tiene «medir procesos» en su descripción de puesto. El proceso que quieres mejorar con IA —redactar propuestas, clasificar incidencias, preparar informes— no está cronometrado en ningún sitio. Nadie sabe cuántas horas consume al mes porque nunca hizo falta saberlo. Y cuando el proveedor pregunta por la línea base, la respuesta honesta es «no lo sabemos», así que se inventa una.

La cultural: medir antes de empezar parece perder tiempo. Hay presión del comité por enseñar algo, y dos semanas de instrumentación se leen como dos semanas de retraso. Son las dos semanas que deciden si el proyecto sobrevive al mes nueve.

El resultado se ve en los datos del mercado. Gartner sitúa por encima del 50% los proyectos de IA generativa que se abandonan tras la prueba de concepto. RAND documentó en 2024 que más del 80% no entrega el valor de negocio previsto. Y el informe del MIT de 2025 —cuyo diseño conviene mirar con calma: 153 directivos, 52 entrevistas, más de 300 iniciativas revisadas entre enero y junio, con críticas fundadas a su muestreo— cifra en 95% los pilotos sin impacto medible en la cuenta de resultados.

Nuestra lectura de campo: una parte grande de esos «fracasos» no lo son. Son proyectos que no se pueden demostrar. No es lo mismo, y la diferencia se decide en esta capa.

Diagnóstico: dónde estás

Estadio 1 · Anécdota. Hay entusiasmo y testimonios. Nadie tiene una cifra anterior. Si el patrocinador cambia de puesto, el proyecto muere con él. Señal observable: cuando preguntas por el ahorro, te contestan con una demo.

Estadio 2 · Caso medido. Existe un caso con línea base, un objetivo declarado y una fecha de decisión. Se sabe qué haría falta ver para continuar y qué para parar. Señal observable: alguien puede decirte «hoy son 340 horas al mes» sin ir a preguntar.

Estadio 3 · Cartera gobernada. Hay varios casos, se comparan con la misma vara y se retira presupuesto de los que no rinden. Señal observable: en los últimos doce meses se ha matado un caso de IA a propósito. Si nunca se ha matado ninguno, no hay cartera: hay acumulación.

La mayoría de empresas medianas que nos llaman están en el estadio 1 y creen estar en el 2.

Los primeros 90 días

Semanas 1-2 · Elegir el caso. Tres criterios, en este orden: que el proceso sea repetitivo (si pasa cuatro veces al año no hay señal que medir), que su resultado sea verificable por alguien (si nadie puede decir si la salida es buena, no hay caso), y que su dueño quiera hacerlo (un caso impuesto se sabotea solo).

Un criterio que deliberadamente no está en la lista: que sea el más valioso. El primer caso no es el que más ahorra, es el que mejor enseña.

Semanas 3-4 · Línea base. Medir el proceso tal como está hoy: volumen mensual, tiempo por unidad, tasa de reproceso, coste de las personas implicadas. Es trabajo aburrido de hoja de cálculo y es lo que separa esta capa del marketing.

Semanas 5-10 · Piloto acotado. Contra la línea base, con la misma medición. Nada de ampliar el alcance a mitad: si el alcance se mueve, la comparación se pierde.

Semanas 11-12 · Decisión declarada. Continuar, ajustar o parar, con el criterio escrito antes de ver el resultado. Escribirlo después es elegir el criterio que confirma lo que ya se quería hacer.

Entregable del trimestre: una página con el antes, el después y la decisión. Si no cabe en una página, no está claro.

Qué NO hacer todavía

• No montes un cuadro de mando de IA. Con un caso no hay nada que cuadricular. Los dashboards de IA en empresas con un piloto son decoración.
• No intentes calcular el ROI de la IA en su conjunto. No existe. Existe el retorno de un caso concreto.
• No compres por volumen. Licencias para toda la plantilla antes de tener un caso medido es la forma más rápida de gastar el presupuesto de los cuatro trimestres siguientes.
• No prometas un porcentaje al comité. Promete una fecha de decisión. Es lo único que puedes cumplir con certeza.

Lo que cuesta saltársela

Cuesta el proyecto entero, con retraso. Un piloto sin línea base no se puede defender cuando llega la revisión presupuestaria, y tampoco se puede cancelar limpiamente: se queda en un limbo caro, consumiendo licencias y atención, hasta que alguien se cansa.

Y cuesta algo peor: la segunda oportunidad. Una organización que ha vivido un proyecto de IA que no se supo demostrar tarda mucho en autorizar el siguiente. El coste real no es el piloto fallido; es el año y medio de parálisis que viene detrás.

Esta pieza es la primera capa de la serie sobre las siete capas de madurez en IA. La siguiente es la de datos: qué material necesita de verdad el caso que acabas de elegir.

Preguntas frecuentes

¿Cómo se mide el ROI de un proyecto de IA?

Contra una línea base tomada antes de empezar: volumen, tiempo por unidad, reproceso y coste de las personas implicadas. Sin esa medición previa no hay ROI calculable, solo estimaciones. La instrumentación cuesta unas dos semanas y es lo que permite defender o cancelar el proyecto con criterio.

¿Cuál debe ser el primer caso de uso de IA de una empresa?

Uno repetitivo, con resultado verificable y con un dueño que quiera hacerlo. No el más valioso: el que mejor enseñe. El primer caso compra aprendizaje sobre tu organización, y ese aprendizaje es lo que hace acertar en el segundo.

¿Cuánto tarda en verse el retorno de la IA?

Un caso acotado da señal en un trimestre: seis semanas de piloto contra línea base más la decisión. El retorno económico consolidado depende del caso y del volumen, y cualquier cifra dada antes de conocer tus datos es una referencia de sector, no una previsión.

¿Por qué se abandonan tantos pilotos de IA tras la prueba de concepto?

Gartner sitúa esa cifra por encima del 50%. En nuestra experiencia, una parte importante no fracasa técnicamente: fracasa en la demostración. Sin línea base, el piloto no puede probar que funcionó, y lo que no se puede probar no sobrevive a una revisión de presupuesto.