--- title: "Cómo medir el retorno de la inversión en IA — Marsanne Studio" description: "Uso, resultados, gestión del cambio: las tres familias de medidas del retorno de la inversión en IA. Traducción de un artículo de la sección Bartleby, de The Economist." url: "https://marsanne.studio/es/opiniones/medir-retorno-inversion-ia/" lang: "es" --- Opiniones # Cómo medir el retorno de la inversión en IA Del «tokenmaxxing» a algo más normal. The Economist · Bartleby · 20 de agosto de 2026 · Traducido del inglés por Marsanne Studio En el principio fue la IA, y los directivos de todo el mundo perdieron la cabeza y decretaron que todos debían usar esta tecnología, sin importar que fuera útil ni cuánto costara. Instauraron clasificaciones de uso de la IA e inventaron palabras estúpidas como «tokenmaxxing». Y el uso aumentó. Entonces los directivos recordaron nociones muy elementales como los «presupuestos» y pensaron que quizá la idea no era tan buena. Así que en los consejos de administración resonó otra pregunta, una pregunta sobre retornos, más difícil de responder. Este resumen del Génesis de la adopción de la IA no es del todo justo. Mientras una organización busque fomentar el uso, sigue siendo razonable fijarse en indicadores como el consumo de tokens de los empleados. «Espero que un ingeniero de software gaste más que un analista financiero», dice el directivo de una empresa de software. «Pero para alguien de finanzas no debería ser cero». Sin embargo, las medidas de uso —las entradas— no dicen nada del valor creado. E incluso cuando la IA produce beneficios, señala Mika Ruokonen, de la Universidad LUT en Finlandia, muchos se quedan discretamente en manos de los individuos, en forma de ahorros de tiempo dispersos. Si una hora o dos liberadas en la jornada de un empleado se dedican a curiosear en Vinted, alguien sale ganando (Vinted, sobre todo), pero no es su empresa (salvo que trabaje en Vinted). Desplazar la atención hacia el retorno de la inversión implica centrarse más en medidas de resultados: la productividad de un equipo, la satisfacción de los clientes. Pero hay que diseñarlas con cuidado. Los científicos, por ejemplo, usan la IA para producir más artículos (¡bien!) de valor dudoso (¡ay!). Un estudio reciente de Tulsi Suchak, de la Universidad de Surrey, y sus coautores, determinó que los artículos basados en un conjunto de datos de salud y nutrición se publicaban a un ritmo medio de cuatro al año entre 2014 y 2021; en los primeros nueve meses de 2024 hubo 190. Por tanto, las medidas de resultados deben diseñarse para captar tanto los efectos positivos como los negativos de la IA. En Google, por ejemplo, los ingenieros llevan tiempo siendo evaluados en tres dimensiones. La velocidad: cuánto tarda una revisión de código. La facilidad: qué fricción impone el sistema, por ejemplo, a la llegada de un nuevo desarrollador. Y la calidad, punto decisivo: «No quiero limitarme a ir rápido y facilitar la entrega de software catastrófico», dice Richard Seroter, de Google Cloud. A ello se suma que los beneficios de la IA suelen tardar un tiempo en manifestarse. Se necesita tiempo para aprender a usar la tecnología. Una mayor producción genera cuellos de botella en otros puntos. Un artículo publicado el año pasado por Kristina McElheran, de la Universidad de Toronto, y sus coautores, analizó la adopción de la IA en la industria manufacturera estadounidense y confirmó la existencia de una «curva en J»: la productividad retrocede antes de mejorar. El efecto es especialmente marcado en las empresas consolidadas y parece explicarse en parte por los cambios introducidos en las prácticas de gestión que hasta entonces les permitían seguir el rendimiento. Todo cálculo de retorno previsto debe tener en cuenta este periodo inicial de perturbación. Los directivos también deben resolver una cuestión mucho más fundamental: ¿qué tipo de retorno les interesa? Una forma de mostrar un retorno financiero de la IA consiste en capturar los ahorros de tiempo como pretexto para reducir plantilla. Para ciertos puestos y en determinadas circunstancias, puede estar justificado. Pero la motosierra y la moral de los equipos casan más o menos como la sal y las babosas. Y las personas que ya no están no pueden ser reasignadas de forma más productiva. Una opción mejor consiste en calcular lo que la IA permite ahorrar en futuras contrataciones. (Determinar los ingresos adicionales atribuibles a la tecnología es todavía más un arte: como mínimo se necesitan buenos datos de referencia y una cultura de pruebas A/B para aislar sus efectos.) Por encima de todo, la incertidumbre es total sobre el rumbo que tomará la IA. Es un argumento a favor de una tercera familia de medidas, junto a las de entradas y las de resultados. Estas medidas, que Seroter llama «organizativas», buscan más bien captar la calidad de la gestión del cambio. Pueden referirse a la satisfacción de los empleados con la forma en que se ha desplegado la IA, o a los avances en la construcción de conocimiento interno en los ámbitos que la IA no automatizará. Prestar atención exclusivamente al uso ignora la importancia de los retornos. Prestar una atención rígida a los retornos ignora la necesidad de seguir aprendiendo. ■ ## Fuente «How to measure returns on AI», sección Bartleby, The Economist, edición del 22 de agosto de 2026, publicado el 20 de agosto de 2026. Ilustración original de Paul Blow. Traducción al español realizada por Marsanne Studio con fines de lectura. El texto original y sus derechos pertenecen a The Economist Newspaper Limited. [Leer el artículo original en economist.com →](https://www.economist.com/business/2026/08/20/how-to-measure-returns-on-ai) [← Ver todas las opiniones](https://marsanne.studio/es/opiniones)