La discusión sobre inteligencia artificial en las empresas está cambiando de sitio: del entusiasmo por la adopción a la exigencia de resultados. Kerry Brown, de Celonis, plantea que muchas compañías están celebrando señales de uso —cuántos empleados entraron a una herramienta, cuántos prompts hicieron o cuántos tokens consumieron— cuando la pregunta relevante es si la tecnología mejora el negocio.
Brown cita un estudio de Boston Consulting Group de 2025 según el cual solo 5% de las empresas encuestadas generaban valor sustancial con IA a escala, mientras 60% obtenían casi ningún valor material pese a una inversión importante. El dato no condena a la tecnología, sostiene, sino que revela un problema más básico: la organización definió mal el éxito antes de implementar.
Su propuesta es partir de una lógica más dura y más útil. Primero, definir qué resultado de negocio se quiere mover. Luego, establecer cómo estaba el proceso antes de la IA. Y por último, medir si hubo mejora y a qué costo. Entre las métricas que menciona están tiempo de ciclo, costo de atención, productividad, retrabajo, satisfacción del cliente y flujo de caja.
Brown advierte que licencias, prompts y tokens sirven como indicadores de adopción, pero solo como señales iniciales. Lo que no muestran es si los clientes reciben mejor servicio, si los empleados corrigen menos errores o si una orden avanza más rápido desde su colocación hasta el pago.
Para construir una base válida, sugiere mirar los registros digitales que ya generan sistemas como ERP, CRM, ticketing y gestión de pedidos, en lugar de depender de cómo se supone que debería funcionar el proceso en papel. Con esa visión de punta a punta, dice, los líderes pueden comparar antes y después de una inversión en IA y detectar mejoras reales, traslados de cuellos de botella o complejidad añadida sin valor.
También pide que la responsabilidad recaiga en un dueño de negocio y no solo en el equipo técnico. Sin un responsable del resultado, medir avances y tomar decisiones cuando los números no acompañan se vuelve mucho más difícil. En la misma línea, insiste en que medir el mismo indicador después de implementar la herramienta, incluyendo el costo total del cambio, es la única forma de saber si la inversión creó valor o solo movió trabajo de un área a otra.
Brown resume el enfoque en una idea simple: comenzar por el problema de negocio, no por la capacidad de la IA. «Aumentar la adopción de IA» no es un resultado de negocio, afirma; reducir el tiempo para resolver una queja, bajar el costo de procesar facturas o mejorar la entrega a tiempo sí lo son.
En el fondo, el mensaje es incómodo para muchas empresas: el mercado no premia la actividad por sí sola, premia la productividad. Y si la IA no altera costos, tiempos y caja, la adopción se parece más a una vitrina de modernidad que a una inversión con retorno.
Capital busca reglas claras. La lección también aplica para el gasto corporativo: sin métricas de resultado, la burocracia tecnológica puede consumir dinero, talento y atención sin crear capitalización real. El mercado ya votó: la IA vale por lo que produce, no por lo que promete.
