Table of Contents
La productividad de la IA se ha convertido en una de las grandes obsesiones de las empresas que están incorporando inteligencia artificial a sus procesos. Pero existe un riesgo: confundir cuánto se utiliza una herramienta con el valor que realmente genera para el negocio. Medir tokens consumidos, horas de uso o cantidad de interacciones puede decir mucho sobre adopción, pero muy poco sobre productividad.
La advertencia cobra relevancia a medida que las organizaciones buscan justificar sus inversiones en inteligencia artificial. Después de años construyendo indicadores de desempeño alrededor de resultados, algunas compañías están comenzando a medir el trabajo con IA a partir de nuevas métricas de actividad.
El problema es que usar más IA no necesariamente significa producir más valor.
La productividad de la IA debe medirse por resultados
Durante años, las empresas perfeccionaron sus tableros de desempeño para evaluar resultados concretos. Sin embargo, con la llegada de la IA generativa, algunas organizaciones han comenzado a prestar atención a indicadores como el tiempo que los empleados pasan utilizando estas herramientas o la cantidad de tokens que consumen.
La lógica parece sencilla: mayor utilización de IA debería traducirse en mayor productividad. Pero esa relación no siempre existe.
Dos casos ayudan a entender el problema. Starbucks vinculó una cuarta parte de la bonificación de sus colaboradores del área de IT al uso de un asistente varias veces por semana. La intención era impulsar la adopción de la herramienta, pero el incentivo podía terminar premiando la frecuencia de uso en lugar del impacto conseguido.
Uber enfrentó un escenario diferente, pero igualmente revelador. La compañía agotó en apenas cuatro meses su presupuesto de IA previsto para 2026 después de establecer incentivos para que sus ingenieros utilizaran estas herramientas. La adopción creció considerablemente, pero también lo hicieron los costos.
En ese contexto surge una pregunta fundamental: ¿utilizar más IA significa realmente trabajar mejor?
Tokens, tiempo de uso y actividad no son productividad
Antes de la inteligencia artificial, algunas organizaciones medían la productividad mediante indicadores como el número de informes generados, correos enviados o documentos procesados.
Con el tiempo, muchas empresas entendieron que esas métricas podían reflejar actividad, pero no necesariamente resultados de negocio. Con la IA puede estar ocurriendo exactamente lo mismo.
Un ingeniero que genera 500 líneas de código mediocre puede consumir muchos más tokens que otro que utiliza una herramienta de IA para resolver de manera precisa un problema complejo. El primero registra una mayor actividad, pero eso no significa que haya sido más productivo.
Por eso, el uso de inteligencia artificial debe analizarse con cuidado. El número de tokens consumidos puede servir para conocer el nivel de utilización de una plataforma, pero no necesariamente permite determinar si la organización está obteniendo un retorno real de esa inversión.
El caso de Uber lo demuestra con claridad. Cada ingeniero puede gastar entre 500 y 2.000 dólares mensuales en herramientas de IA. Con el 95 % de sus ingenieros utilizándolas, la compañía alcanzó una adopción prácticamente universal, pero consumió en cuatro meses el presupuesto anual destinado a estas herramientas.
Praveen Neppalli Naga, director de tecnología de Uber, reconoció que la compañía tuvo que replantear el modelo porque el nivel de éxito y adopción había hecho que el costo fuera difícil de sostener a esa escala.
La adopción, entonces, no es el problema. El desafío está en medir el valor que produce esa adopción.
IA para acelerar procesos o como socio de razonamiento
Una forma más útil de entender la productividad empresarial con IA consiste en diferenciar dos grandes tipos de utilización. El primero es la IA como acelerador de procesos.
Aquí la medición puede ser relativamente sencilla. Si una tarea que antes requería cuatro horas ahora puede completarse en una, existe una reducción de tiempo de tres horas. También pueden calcularse ahorros de costos, aumento de capacidad o incremento del volumen de trabajo procesado.
En estos casos, las métricas tradicionales de productividad pueden funcionar bastante bien. El segundo escenario es mucho más complejo: utilizar la IA como socio de razonamiento.
En este modelo, la herramienta no necesariamente ejecuta una tarea de principio a fin. Puede ayudar a modelar escenarios, cuestionar supuestos, sintetizar grandes cantidades de información, explorar alternativas o generar diferentes opciones para que una persona tome una decisión.
Aquí el valor no está necesariamente en la velocidad. Está en la calidad del resultado. precisamente por eso, contar tokens aporta muy poco.
Una conversación extensa con una IA no necesariamente es mejor que una interacción breve. Del mismo modo, utilizar una herramienta durante dos horas no garantiza que las decisiones obtenidas sean superiores a las logradas en 20 minutos.
Qué deberían medir realmente las empresas
Para aprovechar el potencial de la inteligencia artificial sin caer en métricas equivocadas, los líderes empresariales pueden partir de cuatro principios.
- Separar adopción de productividad
Las empresas pueden medir el uso de las herramientas para conocer qué tan extendida está una implementación. Sin embargo, esos datos no deberían utilizarse como sustituto del valor generado.
Adopción significa que la herramienta está siendo utilizada. Productividad significa que está produciendo mejores resultados. Son conceptos relacionados, pero no equivalentes.
- Definir los resultados antes de implementar la IA
Cada área debería establecer previamente qué significa mejorar:
- Atención al cliente puede ser una reducción del tiempo de resolución o una mejora en determinados indicadores de servicio.
- Ingeniería puede estar relacionada con la resolución de problemas.
- Análisis financiero, con la calidad y oportunidad de la información utilizada para tomar decisiones.
La métrica debe surgir del objetivo del negocio y no de las características de la herramienta.
- Diferenciar los puestos según el valor que genera la IA
No todos los trabajos utilizan inteligencia artificial de la misma manera.
En algunos cargos, ahorrar tiempo puede ser el principal indicador. En otros, la calidad del análisis, la capacidad de generar alternativas o la precisión de una decisión pueden tener mucho más peso.
Aplicar una métrica de tiempo ahorrado a un puesto donde el resultado depende principalmente de la calidad puede terminar subestimando el verdadero impacto de la IA.
- Vincular el gasto con resultados demostrables
La gobernanza de la inteligencia artificial también se vuelve fundamental.
El caso de Uber no solo plantea un desafío de medición, sino también de gestión del gasto. Los costos asociados con la infraestructura y las herramientas de IA son reales y pueden crecer rápidamente cuando la adopción aumenta.
Por eso, las organizaciones necesitan mecanismos que permitan relacionar cuánto están gastando con el valor empresarial que están obteniendo.
El verdadero reto de medir la IA
Las ganancias de productividad derivadas de una implementación adecuada de inteligencia artificial pueden ser reales. El desafío consiste en encontrar una manera de capturarlas sin caer en indicadores que premien simplemente la actividad.
Medir cuántas veces un empleado abre una herramienta, cuánto tiempo permanece utilizándola o cuántos tokens consume puede ser útil para conocer el nivel de adopción. Pero esas cifras no deberían confundirse con el resultado final.
La pregunta importante no es cuánto se utilizó la IA. Es qué cambió gracias a ella.
Las organizaciones que quieran obtener valor sostenible de estas tecnologías tendrán que construir sus sistemas de medición desde los resultados hacia atrás: primero definir qué resultado empresarial quieren mejorar y después determinar cómo la IA contribuye a conseguirlo.
Porque al final, una empresa no necesita empleados que simplemente utilicen más inteligencia artificial. Necesita personas que, gracias a ella, puedan resolver mejor los problemas, tomar mejores decisiones y generar resultados que realmente importen.
La IA puede multiplicar la capacidad de una organización, pero medirla por tokens sería como medir un automóvil por la cantidad de combustible que consume y no por la distancia que consigue recorrer.
Texto basado en la columna de Raju Vegesna, Jefe Evangelista de Zoho
🌎 Punto de encuentro
¿En tu empresa cómo están midiendo realmente el impacto de la IA: por su nivel de uso o por los resultados que genera? Te leo en los comentarios.
