En 2023, el National Bureau of Economic Research (NBER) publicó un estudio que rastreó a 5.179 agentes de atención al cliente. La mitad tenía acceso a un asistente de IA generativa integrado en su flujo de trabajo; la otra mitad no. El resultado fue claro: quienes usaron IA se volvieron 14% más productivos, medido en casos resueltos por hora. El estudio también registró mejoras en la satisfacción del cliente y en la retención de los propios agentes.
Fue uno de los primeros números concretos sobre productividad con IA a escala real de trabajo. Y planteó una pregunta obvia: si 14% es la ganancia promedio por persona, ¿por qué tantas empresas que adoptan IA a gran escala no ven eso reflejado en los resultados trimestrales?
El mismo estudio ya daba la primera pista. El promedio de 14% escondía una diferencia enorme entre perfiles: los profesionales novatos y de menor desempeño ganaron 34%, mientras que los más experimentados prácticamente no ganaron nada. La IA no distribuía la ganancia por igual — difundía las buenas prácticas de quienes ya eran buenos hacia quienes aún no lo eran.
Un segundo estudio, realizado por la Escuela de Negocios de Harvard junto al Boston Consulting Group, reforzó el punto desde otro ángulo. Los investigadores reunieron a 758 consultores, dieron a una parte acceso a herramientas de IA generativa y midieron el desempeño en 18 tareas reales de consultoría. Dentro de lo que la IA hace bien, la ganancia fue grande: 25% más rápido, 12% más tareas completadas y calidad evaluada como 40% superior. Y otra vez, la ganancia fue desigual: la mitad de menor desempeño mejoró 43%, contra 17% de la mitad superior.
Pero el hallazgo más incómodo llegó cuando los investigadores diseñaron a propósito una tarea fuera de la frontera de competencia de la IA. Ahí, quienes usaron IA quedaron 19 puntos porcentuales menos propensos a acertar que quienes trabajaron sin ella. Los autores bautizaron el fenómeno como "frontera irregular": la IA es excelente de un lado de la línea y perjudicial del otro — y la línea no está escrita en ninguna parte.
La ganancia real versus la que ve la empresa
En mayo de 2024, Microsoft y LinkedIn publicaron el Work Trend Index, una encuesta a 31.000 trabajadores del conocimiento en 31 mercados. El hallazgo principal que circuló: 75% ya usaba IA en el trabajo. El hallazgo secundario, menos divulgado, era más interesante: existe un grupo de usuarios intensivos — personas que usan IA varias veces por semana y reorganizaron su propia rutina en torno a ella — que ahorra más de 30 minutos por día en comparación con los escépticos. Eso son 2,5 horas por semana. 12,5 horas por mes. Cerca de 150 horas por año.
Si un equipo de 100 personas llegara a ese nivel, serían 15.000 horas de trabajo liberadas al año. En costo, es la diferencia de varias personas a tiempo completo. El problema es que el grupo que llega ahí es minoría — y llegó por cuenta propia, cada uno a su manera.
Ahí es donde la cuenta deja de cerrar. McKinsey encuestó a 1.719 ejecutivos en 2026 y encontró las dos caras de la misma moneda: casi 9 de cada 10 organizaciones ya usan IA con regularidad en al menos un área, y 80% de los encuestados dice que la IA mejoró la productividad individual. Pero cuando la pregunta cambia al resultado de la empresa, solo 37% reporta impacto relevante en la utilidad operativa (EBIT) — un número que no se movió respecto al año anterior. El grupo que atribuye 5% o más del EBIT a la IA es cerca del 6% de los encuestados. Y lo que distingue a ese grupo no es la herramienta: es haber rediseñado la forma en que ocurre el trabajo.
Gartner llegó a una conclusión parecida por otro camino. En una encuesta con 724 respondentes, apenas 34% de los equipos que usaban IA generativa reportó alta productividad — desempeño incluso levemente peor que el de los equipos con IA tradicional, en 37%. No es que la IA no funcione. Es que funcionar localmente no es lo mismo que funcionar globalmente.
Y existe el caso en que la ganancia aparente es lo contrario de la ganancia real. METR, una organización de investigación sin fines de lucro, acompañó en 2025 a desarrolladores experimentados trabajando en repositorios abiertos que ellos mismos mantenían. Antes de empezar, esperaban ser 24% más rápidos con IA. El resultado medido fue 19% más lentos. Y el detalle que debería encender la luz roja de cualquier ejecutivo: incluso después de ser más lentos, seguían creyendo que la IA los había acelerado un 20%. Entre los factores señalados está justamente el tiempo dedicado a orientar al asistente y revisar lo que entrega — trabajo que existe, consume el día y no aparece en ningún lado.
Por qué la solución obvia no funciona
Cuando el presidente de la empresa le pide a TI que "ponga IA en todos lados", lo que generalmente hacen es: comprar una licencia por persona, publicar un entrenamiento y rezar. Cada persona obtiene su propia cuenta personal en la herramienta de IA. Algunos descubren buenas formas de usarla. La mayoría sigue el protocolo.
El problema es que el conocimiento se queda atrapado en la persona. La analista que pasó semanas construyendo la rutina perfecta de análisis de hojas de cálculo — las columnas correctas, el prompt ideal, cómo manejar las excepciones — es la única que la tiene. Cuando sale de la empresa, la rutina se va con ella.
Y más aún: cuando 100 personas usan IA en 100 cuentas diferentes, nadie sabe qué funciona a escala. Hay 100 formas de hacer lo mismo, y cada persona tiene que descubrir sola dónde está esa frontera irregular — en qué tareas la IA ayuda y en cuáles estorba. Nadie está reutilizando nada: ni los aciertos, ni el aprendizaje sobre los errores.
Lo que tiene que existir en la práctica
Un ambiente donde la ganancia individual se convierte en ganancia empresarial necesita un mecanismo muy específico: agentes, prompts y flujos compartidos con acceso correcto.
Agentes reutilizables, con permiso según el rol. Cuando alguien diseña un agente que maneja análisis de cobranza fiscal, ese agente puede estar disponible para otros en finanzas — no para toda la empresa, solo para quienes tienen una función de cobranza. Y no con "acceso a todo", sino solo el acceso que necesitan según su rol. La persona que va a ejecutar el agente no construye una herramienta desde cero; reutiliza la que fue aprobada y probada — una que ya carga el conocimiento de dónde la IA ayuda y dónde se equivoca.
Prompts y flujos documentados y versionados. El prompt que se convirtió en estándar para resumir reportes queda registrado, no muere en la cabeza de una persona. Cuando cambia la ley, el prompt cambia una vez, para todos. Nadie está reinventando la rueda.
Conocimiento que se queda con la empresa. Las conversaciones, los agentes, los flujos — todo conocimiento creado se queda con la empresa, no atrapado en una cuenta personal. Si la analista se va, la empresa no pierde su trabajo.
Créditos compartidos, no licencias por persona. Cuando cada uno tiene su propia licencia ociosa, la empresa paga por capacidad no utilizada. Cuando comparten un presupuesto de IA por área o departamento, quien necesita más usa más. El consumo queda transparente — es la palanca que te permite medir ganancia de verdad.
Así fue pensada Skyller: la ganancia que una persona descubre es inmediatamente utilizable por su equipo, porque agentes, prompts y flujos se comparten dentro de los controles de acceso de cada rol.
De la ganancia individual a la ganancia del equipo
Los números son claros: usar IA bien entrega ganancia real. 14% en centros de llamadas, 25% más de velocidad en consultoría. El problema no es la tecnología. Es cómo la empresa la organiza — y es exactamente lo que separa al 6% que captura resultados del otro 94%.
Cuando cada persona tiene su cuenta personal, la ganancia se queda dispersa e invisible. El profesional obtiene ahorros medibles en su escritorio. Pero la empresa no puede ver si ahorró realmente 5% o 25% — ni si, en alguna área, está de hecho perdiendo tiempo. Y cuando alguien se va, se lleva el conocimiento consigo.
La arquitectura correcta no tiene que ser compleja. Necesita tres cosas: reutilización con permiso, conocimiento que se queda, y medición real por área. Cuando estas tres existen, la ganancia deja de ser un fenómeno en silos y se convierte en un resultado del equipo.
Lo que cambia: un departamento de 10 personas que ahorra 1 hora al día, pero nadie sabe cómo, no vale nada. Diez personas que ahorran 30 minutos al día usando un agente reutilizable y documentado — que puede expandirse a la sucursal o al equipo paralelo — eso es una ganancia que la empresa puede replicar. Y medir.
Tres preguntas para llevar a la próxima reunión
Antes de comprar más licencias de IA, vale la pena responder estas tres preguntas con TI y el CFO:
-
Si una analista descubre una forma excelente de usar IA para análisis de precios, ¿cómo asegura la empresa que la próxima analista no empiece desde cero? Si la respuesta es "queda documentado y compartido", excelente. Si es "cada uno descubre su forma", el problema está identificado.
-
¿Cómo mides hoy cuántas horas la IA realmente ahorró por departamento? Si no hay métrica, no hay visibilidad — y sin visibilidad, no hay forma de saber si la IA vale la inversión, ni dónde está costando tiempo en vez de ahorrarlo. Los créditos compartidos por área crean esa transparencia de inmediato.
-
Si alguien se va, ¿qué agentes y flujos que creó se quedan con la empresa? Si la respuesta es "ninguno", está claro que el conocimiento se va con las personas.
