Cómo medir el retorno de un proyecto de IA antes de empezar

“¿Cuál es el retorno?” es la primera pregunta que hace cualquier consejo de dirección sobre un proyecto de IA. Muchas veces se responde con una estimación optimista en una diapositiva y después se olvida. La investigación económica propone una forma mejor de pensar en ello, y explica por qué los primeros meses suelen decepcionar.

La curva J

En 2021, Erik Brynjolfsson, Daniel Rock y Chad Syverson publicaron un artículo que se ha convertido en referencia. La tesis es sencilla: las tecnologías de uso general, como la IA, exigen grandes inversiones complementarias y en buena parte invisibles, como rediseñar procesos, formar a las personas y organizar los datos (Brynjolfsson, Rock y Syverson, 2021).

Durante esa fase, la productividad medida parece estancarse, o incluso caer: hay coste y esfuerzo, pero el resultado todavía no aparece. Más adelante, cuando esas inversiones maduran, la productividad sube por encima de lo que las estadísticas son capaces de recoger. El dibujo de esa trayectoria recuerda a una J.

Los autores calculan que, corrigiendo por estas inversiones invisibles, la productividad total de los factores en EE. UU. estaba un 15,9 % por encima del valor oficial a finales de 2017.

Para un proyecto, la lección es directa: los primeros meses muestran el coste antes de mostrar el beneficio. Quien mide demasiado pronto confunde la parte baja de la J con un fracaso.

Desconfiar de las cifras fáciles

El retorno de la IA se presenta a menudo con cifras abultadas. Un estudio de IDC encargado por Microsoft habla de 3,7 dólares de retorno por cada dólar invertido en IA generativa (IDC, 2024). Es un valor declarado por los propios encuestados y financiado por un proveedor.

Las mediciones independientes son más modestas. Un estudio del NBER sobre la adopción en EE. UU. concluyó que quienes usan IA generativa en el trabajo dicen ahorrar alrededor del 5,4 % de sus horas de trabajo (Bick, Blandin y Deming, 2025). Es un ahorro real, pero por sí solo no transforma una operación. El gran retorno llega al rediseñar el proceso, no al acelerar tareas sueltas.

Un método en cinco pasos

1. Mide el punto de partida. Reúne unas semanas de datos reales: tiempo por caso, casos por semana, errores y trabajo repetido, tiempo que pasa desde que surge un problema hasta que alguien se da cuenta.

2. Elige pocas métricas, y las adecuadas. Define una principal, que la dirección ya siga, y dos o tres de control, para asegurarte de que no se gana por un lado a costa de otro. Evita las métricas que solo existen dentro del proyecto, como la “precisión del modelo”.

3. Cuenta el coste completo. Incluye el desarrollo, el tiempo del equipo interno, la infraestructura mensual y el mantenimiento, y también las inversiones invisibles de la curva J: formación y rediseño del proceso.

4. Fija el momento de decisión. Acuerda una fecha y un criterio antes de empezar. Por ejemplo: tras ocho semanas en producción, si el tiempo por caso no se ha reducido a la mitad, paramos y revisamos.

5. Mide en producción. Las cifras de una demostración siempre son buenas. Las que cuentan salen de semanas de uso real, con los casos difíciles y las excepciones, y ahí es donde se ve si el proyecto ha salido ya de la parte baja de la J.