Mientras las organizaciones aceleran la incorporación de inteligencia artificial, medir licencias, usuarios o capacitaciones ya no es suficiente. El verdadero desafío está en determinar si estas herramientas están modificando procesos y generando resultados concretos en productividad, ventas, costos o calidad.

La inteligencia artificial avanza con rapidez dentro de las organizaciones, pero sus resultados económicos no necesariamente lo hacen al mismo ritmo. Esa brecha está trasladando la discusión empresarial desde cuánta IA se utiliza hacia una pregunta más compleja: ¿qué valor está generando realmente?

Durante una conversación sobre medición del retorno de inversión (ROI) en proyectos de inteligencia artificial, Pascal Cáceres, director académico de la Formación Profesional en IA Aplicada a la Gestión del Talento de Unegocios FEN UCHILE, y Ángel Araya, docente del mismo programa, plantearon que uno de los principales errores al evaluar estas iniciativas es confundir adopción con resultados. El número de licencias contratadas, usuarios activos o personas capacitadas puede mostrar actividad, pero no permite establecer por sí solo si la tecnología está impactando el negocio.

El fenómeno cobra relevancia a medida que las compañías avanzan desde la experimentación hacia implementaciones de mayor escala. Cáceres citó un estudio de McKinsey de agosto de 2026, realizado a más de 1.700 personas de 97 países, según el cual la proporción de organizaciones en fase de escalamiento de IA pasó de 38% en 2025 a 44% en 2026. Sin embargo, advirtió que las ganancias no están avanzando al mismo ritmo que la adopción de esta tecnología.

De contar licencias a medir resultados

La diferencia parece sencilla, pero supone un cambio importante en la forma de evaluar las inversiones. Una organización orientada a la actividad puede preguntarse cuántos colaboradores fueron capacitados, cuántas horas de formación recibieron, cuántas licencias permanecen activas o cuántas interacciones se realizan con una herramienta.

Una evaluación orientada a resultados, en cambio, busca establecer qué ocurrió después: si aumentaron las ventas, disminuyeron los errores o reprocesos, mejoró la productividad, se redujeron los tiempos de respuesta al cliente o se acortó el ciclo de un proceso.

“Muchas organizaciones hoy en día están en la parada de alguna forma agregar inteligencia artificial a los procesos [...] porque es algo que está de moda, porque es algo que otros están haciendo, pero no necesariamente mirando un indicador de negocio”, sostuvo Araya durante la exposición.

La recomendación es invertir la lógica: partir por el problema y no por la tecnología. Antes de implementar una solución de IA, la empresa debería identificar qué indicador necesita modificar y, a partir de ello, determinar qué proceso, comportamiento o habilidad debe cambiar para conseguirlo.

Usar IA no significa que el trabajo haya cambiado

Otro aspecto clave es diferenciar entre uso y aplicación. Que un trabajador ingrese a una plataforma, genere prompts o tenga una licencia activa demuestra utilización. La aplicación exige algo adicional: evidencia de que la herramienta modificó efectivamente la manera en que realiza su trabajo.

Esto puede observarse, por ejemplo, en un equipo comercial que incorpora un CRM potenciado con IA. Si el objetivo de negocio es incrementar las ventas, no basta con verificar que los ejecutivos utilicen la plataforma. Se requiere determinar si están aplicando las recomendaciones del sistema, si priorizan los prospectos de acuerdo con los criterios definidos y si ese cambio se traduce posteriormente en más reuniones y ventas.

En gestión de personas, la misma lógica puede aplicarse, por ejemplo, a los procesos de selección. Araya planteó el caso de una organización que busca reducir de 45 a 30 días el tiempo necesario para cubrir posiciones críticas. En ese escenario, incorporar IA para preseleccionar postulaciones solo genera valor si la herramienta contribuye efectivamente a reducir ese plazo, sin deteriorar otros indicadores asociados al proceso.

La transferencia al puesto de trabajo se convierte así en un eslabón fundamental. Si las personas no adoptan la conducta prevista, resulta difícil atribuir una eventual mejora del indicador a la inteligencia artificial. Esa variación podría deberse a factores externos como la estacionalidad, cambios de precios, campañas de marketing u otras iniciativas desarrolladas simultáneamente.

¿Cómo demostrar que el resultado se debe a la IA?

Atribuir causalidad es uno de los puntos más complejos. Araya propuso considerar tres elementos: temporalidad, mecanismo y variables de confusión. La intervención con IA debe ocurrir antes de la mejora; debe existir una explicación consistente de cómo produjo ese cambio; y deben identificarse otros factores que también podrían haber influido en el indicador.

Para aislar ese efecto existen distintas alternativas. Una de ellas es trabajar con un grupo experimental que utilice la solución y otro grupo de control que no lo haga para posteriormente comparar sus resultados. También pueden utilizarse análisis de tendencias, estimaciones de expertos y modelos que permitan descontar el efecto de otras variables conocidas.

Esta mirada lleva la evaluación mucho más allá de la pregunta inicial sobre cuánto costó una herramienta. El modelo presentado durante la conversación establece una cadena progresiva que considera inputs, reacción, aprendizaje, aplicación, impacto y, finalmente, ROI. Solo en este último nivel se comparan los beneficios monetarios con los costos de la iniciativa.

No todo impacto necesita convertirse en dinero

Medir valor tampoco significa necesariamente monetizar todos los resultados. Ante una pregunta sobre proyectos cuyos beneficios son principalmente cualitativos, Araya explicó que una iniciativa puede buscar modificar indicadores “blandos”, como la experiencia de clientes o colaboradores, sin que resulte necesario llevarlos hasta un cálculo financiero de ROI.

“Lo importante es tener mapeado el indicador que quiero movilizar y hasta qué punto quiero movilizarlo”, señaló. De esta forma, una mejora verificable en un indicador estratégico puede constituir un resultado válido aunque no se traduzca directamente en pesos.

El plazo para recuperar una inveusatrsión tampoco es único. Según explicó el especialista, en proyectos acotados a un proceso específico puede evaluarse un payback cercano a un año, mientras que implementaciones transversales, que involucran distintos procesos interconectados y grandes inversiones tecnológicas, pueden requerir horizontes de varios años.

El desafío final aparece cuando la IA efectivamente genera eficiencia. Si una tarea que antes requería varias horas puede resolverse en una fracción de ese tiempo, la discusión deja de ser exclusivamente tecnológica y entra directamente en el terreno de la gestión del talento: la empresa debe decidir qué hará con esa capacidad liberada, ya sea destinarla a tareas de mayor valor, desarrollar nuevas competencias mediante procesos de reskilling o rediseñar roles, equipos y estructuras. De lo contrario, advierte Araya, parte de la eficiencia obtenida puede terminar diluyéndose dentro de la organización.

Estos y otros aspectos fueron abordados en la masterclass “Medición del ROI en proyectos de IA”, organizada por Unegocios FEN UCHILE, con la participación de Pascal Cáceres, director académico del programa de Formación Profesional en IA Aplicada a la Gestión del Talento, y Ángel Araya, docente del mismo programa.

Revisa la conversación completa en el siguiente enlace: https://www.youtube.com/watch?v=BY2aZ5VQK18