La promesa de la inteligencia artificial sigue chocando con una pregunta más incómoda: cómo medir su efecto real en el negocio. John Case, CEO de Acumatica, advierte que existe una brecha entre la expectativa y el impacto final en la cuenta de resultados.
Case citó investigación de MIT que halló que 95% de las organizaciones estudiadas no vio impacto medible en ganancias y pérdidas seis meses después de un piloto de IA generativa. También mencionó datos de Upwork: más de dos tercios de los líderes de pequeñas y medianas empresas reportaron mejoras de productividad, pero la mayoría fue inferior a 25%.
El problema no es menor. La narrativa alrededor de la IA suele presentarla como una palanca inmediata de eficiencia, pero Case sostiene que muchas compañías lanzan pilotos sin una línea base previa. Si no se mide cómo funcionaba un proceso antes de la automatización, después resulta mucho más difícil atribuir ahorros, reducción de errores o mejoras de velocidad a la tecnología.
Case puso como ejemplo a un equipo financiero que usa IA para cerrar libros más rápido. Si seis meses después el proceso parece más fluido, todavía queda por responder cuánto tiempo se ahorró, si bajaron los errores y si esos cambios pueden vincularse con claridad a la herramienta. También advirtió que la adopción no debe confundirse con resultados: horas de uso y tasas de adopción pueden mostrar interés, pero no prueban productividad.
Otro obstáculo aparece cuando los datos están dispersos entre sistemas distintos. Información de clientes, finanzas, inventarios y operaciones en plataformas separadas complica construir una visión consistente del desempeño y eleva el costo de reconciliar cifras antes de evaluar el resultado. A eso se suma el factor tiempo: una ganancia inicial puede no sostenerse si la herramienta es incómoda o está mal integrada en los flujos de trabajo.
Case recomienda partir de un objetivo concreto antes de desplegar IA: reducir horas en procesamiento de facturas, mejorar pronósticos de inventario, responder más rápido a los clientes o dar acceso más ágil a datos operativos. Según él, los resultados más útiles se agrupan en cuatro categorías: reducción de costos, productividad y capacidad, ingresos y experiencia del cliente.
La disciplina, insiste, es indispensable. Primero hay que definir el problema, luego establecer una referencia de desempeño, probar la solución y medir si el cambio se sostiene en el tiempo. Solo así puede hablarse de retorno justificable y no de entusiasmo tecnológico.
Para el mercado, el mensaje es claro: la IA puede elevar márgenes y productividad, pero no por decreto ni por moda. Capital busca reglas claras, y una de ellas es elemental: si no se puede medir el flujo de valor, tampoco se puede defender la inversión frente al costo del capital.
El mercado ya votó. Las empresas que conviertan la IA en ahorros verificables, capacidad adicional o mejores conversiones tendrán ventaja; las demás correrán el riesgo de financiar una promesa sin balance. En un entorno donde cada dólar debe justificar su retorno, la productividad de la IA seguirá siendo una tesis hasta que aparezcan resultados repetibles.
