IA en tu empresa: cómo medir si ya deja dinero real

El problema de medir la IA con métricas equivocadas

La pregunta que plantea la Revista Mercado apunta a uno de los puntos ciegos más caros del momento: el entusiasmo por la inteligencia artificial muchas veces se mide en adopción, no en dinero. Una empresa puede tener 50 empleados usando ChatGPT a diario y aun así no haber generado un retorno financiero significativo.

La diferencia entre usar IA y aprovecharla es exactamente el territorio que separa a quienes están escalando valor de quienes están pagando suscripciones. El último relevamiento global de McKinsey, The state of AI in 2026 (publicado el 25 de agosto de 2026 sobre 1.719 encuestados en 97 países), lo resume en una cifra: el 80% de las organizaciones reporta mejoras de productividad individual, pero solo el 37% atribuye a la IA algún efecto positivo sobre el EBIT. Apenas un 6% califica como «alto desempeño», lo que significa que al menos un 5% de su EBIT depende de la tecnología con impacto significativo (Diario TI, 2026).

Dicho de otra forma: la IA funciona. Lo que todavía no funciona, en la mayoría de las empresas, es el sistema que conecta esa mejora local con una mejora contable.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Qué está midiendo mal la mayoría de empresas

El error más común es tratar la IA como una aplicación que se licencia, no como un proceso que se rediseña. McKinsey lo describe en su relevamiento de operational excellence: las organizaciones que embeben IA en múltiples funciones del negocio generan casi el doble de margen de beneficio que las que la usan solo en algunos departamentos, y su ROIC a tres años es más de cinco veces superior (Abacus News, 2026).

La misma investigación encontró que casi el 90% de las organizaciones está experimentando con IA, pero solo el 7% la ha escalado en toda la empresa. Esos números describen una brecha real: la distancia entre probar una herramienta y rediseñar un proceso alrededor de ella.

Un caso concreto lo ilustra. Según un reporte de mayo de 2026, Uber agotó en los primeros cuatro meses del año el presupuesto completo de Claude Code y Cursor para todo 2026. El 95% de sus ingenieros usa herramientas de IA mensualmente y el 70% del código comprometido se genera con asistencia. Sin embargo, su COO Andrew Macdonald declaró el 26 de mayo de 2026 que la compañía no puede trazar una línea directa entre el gasto en IA y las funcionalidades útiles que llegan al usuario (¿Qué hay de nuevo?, 2026). El dinero se gastó; el retorno todavía está por demostrar.

Lo que sí puedes medir para saber si la IA está dejando dinero

1. Coste por proceso resuelto, no por usuario activo. En lugar de contar licencias o consultas, asigna cada caso de uso a un proceso de negocio con un KPI financiero: horas ahorradas, errores evitados, ventas adicionales o reducción de coste por transacción. El estudio The Value of AI 2026 de SAP y Oxford Economics (2.600 entrevistas en 13 países) muestra que las empresas esperan gastar US$28M en IA en 2026, frente a US$26,7M el año anterior, y que el retorno medio pasó del 16% al 21% en doce meses, con una proyección del 38% a dos años (La Razón, 2026). Quienes más retorno declaran son quienes ya miden tareas respaldadas por IA: hoy un 30% de las tareas de la empresa media están apoyadas por IA, frente al 25% del año previo.

2. ROI por función, no global. Las funciones donde la IA muestra reducción de costes con mayor frecuencia son cadena de suministro, operaciones de servicio y manufactura. Las funciones donde aparecen más incrementos de ingresos son marketing y ventas, desarrollo de producto y software engineering (Abacus News, 2026). Eso significa que la misma empresa puede tener ROI positivo en atención al cliente y ROI neutro o negativo en generación de contenidos. Medir el promedio global oculta el valor real.

3. Coste de ejecución, no solo de implementación. El reporte de SAP advierte que para cada dólar invertido en construir un modelo generativo, las empresas gastan aproximadamente tres dólares en change management. Los costes de ejecución suelen superar los de construcción, impulsados por mano de obra continua, mantenimiento de pipelines y supervisión de riesgos. Además, según McKinsey, uno de cada cinco encuestados afirma que los costes operativos —incluido el consumo de tokens— ya están limitando el uso de IA en su organización (Diario TI, 2026).

4. Calidad del dato antes que cualquier modelo. El 73% de las empresas señala la disponibilidad y calidad del dato como el principal factor limitante para obtener retorno de la IA, por encima de la falta de talento (57%) o de estrategia clara (56%). El 79% experimenta con frecuencia resultados de baja calidad que generan retrabajo (La Razón, 2026). Una herramienta inteligente conectada a datos sucios multiplica errores en lugar de resolverlos.

Qué significa esto para tu startup

Si estás en una startup temprana, la tentación de instalar cinco herramientas de IA a la vez es real, pero el dato lo desaconseja: la mayoría de las organizaciones que escalan valor son las que eligieron un proceso, lo rediseñaron y midieron el resultado antes de pasar al siguiente.

Acción 1 — Haz un inventario de procesos antes de elegir herramienta. Lista los cinco procesos que más recursos consumen en tu empresa (soporte, calificación de leads, conciliaciones, reportes, onboarding) y ordénalos por valor potencial de mejora. Solo después de ese mapa, evalúa qué herramienta aplicar a cada uno. Sin este paso, estás optimizando para adopción, no para margen.

Acción 2 — Define el KPI financiero ANTES del piloto. Para cada caso de uso, escribe el número que debería moverse y en qué plazo: coste por ticket de soporte, ratio de conversión de leads cualificados, horas de cierre contable, etc. Si tras 60 días ese KPI no se mueve, mata el piloto. La disciplina de McKinsey es clara: solo un 6% de las organizaciones logra que la IA impacte significativamente el EBIT, y su comportamiento diferencial es precisamente medir resultados, no actividades.

Acción 3 — Pon un techo al consumo de tokens. El caso Uber muestra lo que pasa cuando la métrica de éxito es «tokens consumidos» en lugar de «valor entregado». Establece presupuestos por equipo, alertas cuando se superan, y modelos más baratos para tareas rutinarias. El control de costes es, según el estudio de SAP, la medida de gobierno menos implantada de todas las analizadas (32%), y eso es exactamente lo que convierte un piloto prometedor en un agujero financiero.

El umbral de madurez importa más que la herramienta

La evidencia apunta a un patrón consistente: la IA no compensa organizaciones inmaduras. Las empresas con alta madurez operativa —datos limpios, propiedad clara de procesos, accountability definida— obtienen retornos muy superiores a las que solo tienen entusiasmo tecnológico (Abacus News, 2026). Por el contrario, conectar un modelo potente a procesos rotos acelera el desastre.

La pregunta entonces no es «¿qué modelo de IA necesito?» sino «¿qué proceso de mi empresa está listo para ser rediseñado con IA, y cómo voy a saber si funcionó?». Ahí es donde aparece o desaparece el dinero.