IA en productividad: decisiones que sí se reflejan en el margen operativo

Más allá del entusiasmo tecnológico: dónde la inteligencia artificial reduce costos reales y cómo medirlo.

Por Amílcar Bravo · Lectura de 6 minutos

La inteligencia artificial pasó de ser una promesa a ser una presión. Todo director recibe hoy la misma pregunta desde su consejo o desde su competencia: ¿y ustedes qué están haciendo con IA? El problema es que la mayoría responde con proyectos que se ven modernos, pero no mueven una sola línea del estado de resultados.

Los números lo confirman a escala global. La encuesta más reciente de McKinsey & Company entre casi 2,000 organizaciones encontró que el 88% ya usa inteligencia artificial en al menos una función del negocio, pero solamente el 39% reporta algún impacto medible en el EBITA a nivel de toda la empresa, y en la mayoría de esos casos ese impacto es menor al 5% (McKinsey & Company, 2025). Es decir: casi nueve de cada diez empresas ya “usan” IA, pero menos de cuatro de cada diez pueden decir, con números, que les cambió el resultado. Esa brecha entre adopción e impacto es exactamente el síntoma del que hablamos.

La pregunta correcta no es qué tan avanzada es la herramienta. Es más incómoda y más útil: ¿esta aplicación de IA baja un costo real o sube un ingreso medible? Si la respuesta no es clara en pesos o dólares, probablemente estamos financiando entusiasmo, no productividad.

Dónde la IA sí toca el margen

El valor real casi nunca está en lo espectacular. Está en lo repetitivo. En la empresa mediana, la IA rinde cuando ataca tareas de alto volumen y bajo criterio: clasificar y responder solicitudes de clientes, depurar bases de datos, generar borradores de cotizaciones, conciliar información entre sistemas, anticipar qué cliente está por irse.

Cada una de esas tareas consume horas de personal calificado en trabajo que no requiere su talento. Liberar ese tiempo no es un ahorro abstracto: es capacidad que se redirige a lo que sí genera valor, o costo que deja de crecer al mismo ritmo que las ventas.

Si no puedes decir cuánto costaba antes y cuánto cuesta después, no implementaste IA: compraste una suscripción.

El error de medir adopción en lugar de resultado

Muchas iniciativas se declaran exitosas porque el equipo usa la herramienta. Pero adopción no es lo mismo que rentabilidad. Un equipo puede usar una plataforma todos los días y, aun así, no haber reducido un solo peso de costo operativo.

La investigación conjunta de MIT Sloan Management Review y Boston Consulting Group, que desde 2017 encuesta cada año a miles de ejecutivos sobre inteligencia artificial y estrategia de negocio, respalda este punto de forma directa: las empresas que rediseñan sus indicadores clave (KPI's) apoyándose en IA tienen tres veces más probabilidad de reportar un beneficio financiero significativo que aquellas que simplemente automatizan sin replantear qué están midiendo (Ransbotham et al., 2024). Dicho de otra forma: la métrica correcta, definida desde el inicio, es lo que separa un proyecto que rinde de uno que solo impresiona en la junta directiva.

La medición correcta se define antes de implementar, no después. Cuánto tiempo tomaba el proceso, cuánto cuesta esa hora, cuántas veces al mes ocurre. Con esa línea base, el efecto de la IA deja de ser una sensación y se vuelve un número comparable. Definir, medir, corregir: el mismo principio que ordena cualquier decisión seria de negocio.

Primero el proceso, después la tecnología

Hay una trampa frecuente: automatizar un proceso que está mal diseñado. El resultado es hacer más rápido algo que no debería hacerse así. La IA amplifica lo que ya existe; si el proceso es confuso, la amplifica confusamente.

Esta trampa no es exclusiva de la inteligencia artificial: es, de hecho, la razón histórica por la que fallan la mayoría de las transformaciones digitales. Una encuesta global de McKinsey & Company entre más de 1,700 ejecutivos encontró que apenas el 16% de las transformaciones digitales lograba mejoras de desempeño sostenidas en el tiempo, y que el factor que más distinguía a las que sí tenían éxito no era la tecnología elegida, sino la disciplina previa de rediseñar el proceso y preparar a las personas antes de automatizar (McKinsey & Company, 2018).

Por eso el orden importa. Primero se entiende y se ordena el flujo de trabajo. Después se decide qué parte de ese flujo, ya limpio, conviene entregar a la máquina. La tecnología es el último paso de una decisión operativa, no el primero.

Vista así, la IA deja de ser una moda que hay que seguir y se convierte en lo que siempre debió ser para una empresa seria: una palanca más de rentabilidad, sujeta a las mismas preguntas de retorno que cualquier otra inversión.

Referencias