La encuesta global de IA de McKinsey, con casi 2.000 encuestados en 105 países a mediados de 2025, arrojó dos números que no deberían estar tan cerca uno del otro. El primero es 88%: la proporción de empresas que ya usa IA en al menos un área del negocio. El segundo es 39%: la proporción que puede señalar algún impacto medible en el resultado financiero — y, de esas, la mayoría habla de menos del 5% de contribución.
El Boston Consulting Group llegó a un retrato parecido desde el lado del valor: en su informe "The Widening AI Value Gap", de octubre de 2025, la consultora encontró que el 60% de las empresas sigue capturando poco o ningún valor material de sus inversiones en IA, incluso con la adopción en aumento. Y Gartner, en junio de 2025, fue más allá: proyectó que más del 40% de los proyectos de agentes de IA serán cancelados para fines de 2027, citando tres causas específicas — costo creciente, valor de negocio poco claro y controles de riesgo insuficientes.
El patrón en los tres estudios es el mismo: la empresa sabe que está usando IA, pero no puede poner un número a lo que esa IA realmente devuelve. Y sin ese número, cualquier decisión de expandir, recortar o continuar un proyecto de IA se toma a ciegas.
Para las empresas latinoamericanas que entran ahora en esta etapa de adopción, hay una ventaja en saltarse el error más caro: en vez de comprar la herramienta y recién después preguntarse cómo medirla, es posible decidir la métrica antes de encender el primer proyecto — y ahorrarse un año entero de informe de licencias sin informe de resultados.
El problema es la unidad equivocada
Cuando una empresa mide su adopción de IA, el número más fácil de obtener es el de licencias o cuentas activas: cuántas personas tienen acceso, cuántas iniciaron sesión la semana pasada. Es un dato real, y explica por qué el índice de adopción de McKinsey sube todos los años.
Pero la licencia no es la unidad que produce resultados. El resultado viene de la tarea: un reclamo respondido más rápido, un informe que tomaba un día y ahora toma una hora, un guion de atención que dejó de generar retrabajo. Medir "cuántas personas tienen acceso" mide el insumo. Medir "cuánto tiempo tomaba esa tarea antes y cuánto toma ahora" mide el efecto — y es ese segundo número el que falta en la mayoría de las empresas de la encuesta de McKinsey.
El informe de BCG apunta a la misma brecha desde otro ángulo: las empresas que no definen, desde el inicio, un indicador financiero claro para cada iniciativa de IA tienden a quedar en el grupo que no puede probar valor después. No es que el valor no exista — es que nadie definió, el día uno, qué contaría como prueba de él.
Esa confusión entre insumo y efecto también explica por qué distintos equipos de la misma empresa llegan a conclusiones opuestas sobre la misma herramienta. Quien mide adopción dice que "va bien"; quien mide presupuesto dice que "no vemos retorno". Los dos tienen razón, porque están midiendo cosas distintas — y ninguna de las dos es la pregunta que el resultado del negocio necesita responder.
Por qué falla el piloto sin métrica
La proyección de Gartner ayuda a entender qué pasa con ese vacío de medición con el tiempo. Un proyecto de IA nace como experimento, sin línea de base definida. Meses después, alguien pregunta si valió la pena, y la respuesta depende de la opinión — "parece que a la gente le gusta", "escuché que ayuda" — porque no existe comparación antes/después ni costo asociado a la tarea.
Sin ese número, el proyecto se convierte en blanco fácil en el próximo recorte de presupuesto: nadie puede defenderlo con datos, y la decisión de cancelarlo es tan arbitraria como fue la decisión de empezarlo. Es exactamente el guion que describe Gartner: costo que sube, valor que nadie puede señalar, control que nunca se diseñó desde el principio.
Hay además un tercer efecto, menos comentado: cuando el proyecto muere sin métrica, la empresa también pierde el aprendizaje sobre por qué no funcionó. Sin línea de base, es imposible saber si el problema fue la tarea elegida, la falta de acceso a la información correcta o simplemente que nadie era responsable de seguir el resultado. El próximo piloto empieza de cero, expuesto a repetir el mismo error.
Lo que tiene que existir en la práctica
Medir el primer año de IA de una forma que resista la pregunta "¿valió la pena?" exige algunos mecanismos simples, decididos antes de que el proyecto empiece — no un informe reconstruido después, bajo presión.
Una tarea concreta con un número de antes. Antes de encender cualquier proyecto, registre cuánto tiempo, cuántos pasos o cuánto costo consumía esa tarea sin IA. Sin esa línea de base, "mejoró" es opinión, no medición.
Costo transparente por conversación. En vez de una factura mensual única, el gasto asociado a cada conversación o tarea, visible por área. Es lo que permite responder, sin estimaciones, cuánto costó automatizar ese proceso específico.
Créditos de IA compartidos por el equipo. En el modelo de licencia individual, sobra capacidad pagada y sin usar en un equipo y falta en el de al lado. Un presupuesto común, con consumo visible por área, resuelve los dos lados a la vez.
Reutilización con permisos, no con una planilla perdida. Cuando un guion funciona, tiene que poder ponerse a disposición de otras personas y grupos dentro del alcance permitido — y no morir en el historial personal de quien lo creó. Eso multiplica el resultado de una tarea medida entre todos los que la repiten.
Registro de quién aprobó qué. Cuando una respuesta generada por IA necesita una corrección, esa trazabilidad muestra si el problema estuvo en la instrucción, en la información usada o en la tarea misma — el dato que separa "la IA no funciona" de "faltó ajustar un paso".
Así fue diseñada la Skyller: costo por conversación, créditos compartidos por el equipo y reutilización con permisos como parte del entorno, no como una planilla paralela que alguien mantiene por su cuenta.
Lo que cambia con la métrica
Con una línea de base y un costo visible por tarea, la conversación sobre IA deja de ser sobre percepción y pasa a ser sobre retorno. Se vuelve posible comparar dos áreas que adoptaron IA de formas distintas y decir qué enfoque costó menos por resultado entregado — el tipo de comparación que hoy casi ninguna de las empresas de los estudios citados puede hacer.
Eso también cambia cómo se defiende el presupuesto. Un proyecto con número de antes y después sobrevive a un recorte de costos porque tiene cómo justificarse; un proyecto sin número se recorta por la misma razón arbitraria que lo aprobó. Y cuando el guion que funcionó puede ser reutilizado por otras personas con permiso, el retorno de una tarea bien medida deja de estar limitado a quien la midió primero.
También hay una ganancia al decidir dónde invertir a continuación. Con costo por tarea en dos o tres áreas distintas, se vuelve visible qué tipo de proceso responde mejor a la IA en esa empresa en particular — en vez de elegir la próxima área por impresión o por quién insistió más.
Hoja de ruta del primer año
Antes de expandir cualquier proyecto de IA a una segunda área, estos pasos evitan que se convierta en otra estadística de cancelación:
- Elija un proceso real, no un piloto genérico. Un proceso que ya existe, con dueño y frecuencia conocidos, es más fácil de medir que una iniciativa creada solo para "probar IA".
- Registre el número de antes desde el primer día. Tiempo, costo o pasos — cualquiera sirve, siempre que exista antes de poner el proyecto en marcha.
- Defina acceso y aprobación antes de empezar, no después de un incidente. Corregir la gobernanza después de que algo salió mal cuesta mucho más que diseñarla desde el principio.
- Siga el costo por tarea, no el gasto total del mes. Una factura única esconde justamente la comparación que la empresa necesita hacer.
- Revise la reutilización cada trimestre. Un buen guion que ya nadie más usa es resultado perdido, no resultado probado.
