La discusión sobre inteligencia artificial suele empezar en productividad: cuántas horas se ahorran, cuán rápido trabajan las personas y cuánto costo se elimina. Luboslava Uram, COO y CTO de Solvd Group, plantea que esa mirada ya no alcanza.
Uram cita un estudio de campo con más de 5.000 agentes de atención al cliente que encontró que el acceso a IA generativa elevó la productividad en alrededor de 14% en promedio. También menciona que el Foro Económico Mundial estima que 86% de los empleadores esperan que la IA y las tecnologías de procesamiento de información transformen su negocio para 2030.
Pero su punto central es otro: la productividad mide si el trabajo de hoy puede hacerse más rápido; la capacidad mide si ahora una organización puede hacer algo que antes no era realista, económico o escalable. En otras palabras, si la IA solo recorta minutos o si realmente cambia el radio de acción del negocio.
La diferencia importa especialmente en operaciones. Uram pone como ejemplo una organización que procesa un millón de transacciones. La pregunta habitual es cuánto tiempo se reduce por operación. La más interesante, dice, es si la IA permite analizar todas las transacciones y no solo una muestra, detectar patrones inusuales de forma continua, combinar información de varios sistemas o escalar solo los casos que exigen juicio humano.
Ese cambio de enfoque también aparece en otras cifras que cita. Microsoft’s 2026 Work Trend Index encontró que 66% de los usuarios encuestados dijo que la IA les permite dedicar más tiempo a trabajo de mayor valor, mientras 58% dijo que está produciendo trabajo que no habría podido producir un año antes. Uram lee ahí una señal de capacidad, no solo de eficiencia.
El problema, advierte, es que medir horas ahorradas es demasiado fácil. Se automatiza un paso, se multiplican minutos por volumen y costo laboral, y aparece un retorno limpio para la presentación. Pero pueden acumularse muchos casos así sin que el negocio cambie de verdad.
En la misma línea, Uram menciona que McKinsey ve una adopción amplia de IA, pero todavía muchas organizaciones trabajan con pilotos aislados en lugar de impacto material a nivel empresa. Su conclusión es que no basta con preguntar cuánto tiempo se ahorra; también hay que preguntar qué está dispuesto y capacitado a intentar ahora el negocio.
La medición, insiste, debe volverse más rigurosa. No alcanza con decir que la IA mejora la toma de decisiones o la cobertura. Hay que precisar si la cobertura pasó de 10% a 50% o a 100%, cuántos casos siguen requiriendo intervención de expertos y si la calidad se mantuvo o mejoró.
Su pregunta final resume el giro conceptual: «¿Qué restricción desaparece si implementamos esto?». Esa es, para Uram, la forma correcta de entender el valor estratégico de la IA.
Para el mercado, el mensaje es claro: las empresas que solo persigan ahorro marginal estarán peleando por centavos. Las que usen IA para remover límites operativos construirán productividad, sí, pero también margen, escala y capacidad de competir. Capital busca reglas claras, pero también modelos de negocio que amplíen su productividad real. Ahí es donde se juega el retorno.
El mercado ya votó. La IA que solo automatiza tareas es un costo contenido; la IA que amplía lo que una empresa puede hacer es una ventaja competitiva. Los números primero: la diferencia entre ambas define quién capitaliza y quién se queda administrando pilotos.