La efectividad de las herramientas de IA debe medirse desde el cambio que producen en los resultados del negocio. Medir el tiempo de uso de estas plataformas por parte de los empleados solo sirve para crear incentivos equivocados.

Por Raju Vegesna, Jefe Evangelista de Zoho

La conversación sobre IA y productividad empresarial está llegando a límites insospechados. Organizaciones que pasaron años perfeccionando tableros de desempeño basados en resultados ahora buscan nuevas formas para medir la ‘productividad’ de los empleados. Ya no importa cuánto código escriben ni cuántos clientes atienden sino, por ejemplo, cuánto tiempo usan IA y cuántos tokens consumen. La lógica es que más uso de IA equivale a más valor entregado.

Dos ejemplos recientes ilustran bien el problema. Starbucks ligó una cuarta parte de la bonificación de sus colaboradores del área de IT a la utilización de un asistente varias veces por semana. La intención era incentivar la adopción, pero terminó incentivando aparentar la adopción.

Uber, por su parte, agotó todo su presupuesto de IA para 2026 en solo cuatro meses, después de prometer incentivos por usar IA a sus ingenieros, quienes respondieron usando las herramientas mucho más de lo necesario. Si eso mejoró los resultados es otra pregunta.

Estos errores reflejan un problema que la mayoría de empresas aún no resuelve: ¿cómo cuantificar el valor del trabajo asistido por IA cuando el resultado suele ser cualitativo, contextual y difícil de comparar con una línea base previa a la IA?

Al comienzo de la automatización, las organizaciones medían la productividad por el número de informes generados, correos enviados o documentos procesados. Estas métricas tenían una relación limitada con los resultados del negocio, por lo que las empresas se alejaron de ellas.

Ahora, las métricas de uso de IA caen en el mismo error. El consumo de tokens y el tiempo dedicado a herramientas de IA miden actividad, no productividad. Un ingeniero que genera 500 líneas de código mediocre consume más tokens que uno que lo usa para resolver un problema específico, sin ser más productivo.

El caso de Uber es instructivo. Cada ingeniero gasta entre 500 y 2,000 dólares al mes en herramientas de IA. Con 95% de ellos usándolas, significa que la empresa logró una adopción casi universal, pero agotó su presupuesto anual en cuatro meses. Praveen Neppalli Naga, director de tecnología de Uber, reconoce que la empresa tuvo que replantear el modelo, pues la IA resultó demasiado exitosa para costearla a esa escala.

En Starbucks, al atar el 25% de la bonificación al uso, los empleados se concentraron en la frecuencia en lugar de la calidad del trabajo. Para la métrica, usar la IA de forma ineficiente pero frecuente resulta mejor que usarla con moderación y bien.

Un director ejecutivo me contaba que su equipo producía informes de varias páginas con ayuda de IA. Él, a su vez, usaba otra herramienta de IA para resumirlos en una sola página. Dos herramientas de IA, dos tokens, productividad neta negativa. Si se mira con atención, ese flujo de trabajo no sería problema en un sistema de medición basado en el uso.

Los líderes empresariales tienen razón en exigir resultados en su inversión en Inteligencia Artificial. La clave está en distinguir dos tipos de uso: la IA como acelerador de procesos y la IA como socio de razonamiento.

En la aceleración de procesos, si la IA se usa para realizar en una hora una tarea que antes tomaba cuatro, la productividad es fácil de medir: tiempo ahorrado, costo reducido, mayor rendimiento. Aquí es donde la IA entrega ganancias más consistentes y verificables, y donde las métricas basadas en resultados funcionan bien.

El razonamiento como socio es más difícil de cuantificar, pero es donde están las aplicaciones de mayor valor. Cuando la IA se usa para modelar escenarios, poner a prueba supuestos, sintetizar información compleja o generar opciones para que el usuario decida, el valor está en la calidad de las opciones que brinda. El consumo de tokens no revela nada útil en este contexto.

Las organizaciones que están haciendo esto bien tienden a compartir algunas características:

Definen el éxito de la IA a nivel de unidad de negocio antes de implementar las herramientas, identificando resultados específicos que quieren mejorar y cómo sabrán si lo lograron.

Tratan los datos de uso de IA como un diagnóstico y no como un indicador de desempeño: un uso alto en un puesto donde los resultados no han mejorado es una señal de alerta, no una insignia de honor.

Distinguen entre los puestos donde las ganancias de eficiencia son el valor principal y aquellos donde la calidad del juicio es el valor principal, aplicando marcos de medición distintos según el caso.

Culturas de experimentación frente a adopción impulsada por cuotas

Existe una diferencia significativa entre las organizaciones que construyen culturas de experimentación con la IA y las que impulsan la adopción mediante cuotas e incentivos. Las culturas de experimentación dan permiso a los empleados para probar herramientas de IA en trabajo real, fallar de forma productiva y compartir lo que aprenden. La medición en estos entornos puede ser la velocidad con la que aprenden y la cantidad de conocimiento que se difunde. Esto construye una cultura de adopción duradera porque los empleados desarrollan una intuición genuina sobre dónde la IA agrega valor.

Las culturas de adopción impulsadas por cuotas, como clasificar a los empleados por los tokens que usan y los bonos por tiempo de uso, producen un resultado marcadamente distinto. Los empleados aprenden a usar las herramientas de forma que satisfagan la métrica, no necesariamente para mejorar su trabajo. Peor aún, el sistema de medición oculta esta distinción. Desde el tablero, la adopción impulsada por cuotas se ve idéntica a la adopción que crea valor real. La diferencia solo aparece cuando se intenta encontrar los resultados de negocio.

Grandes corporaciones están midiendo la frecuencia de uso como su principal métrica de cumplimiento, y el hecho de que hayan llegado a esto sugiere que no se trata de una falla de sofisticación, sino de marcos de referencia. La industria simplemente no cuenta con manuales bien establecidos para medir la productividad de la IA en el trabajo del conocimiento, y las organizaciones están llenando ese vacío con las métricas más fáciles de producir.

Qué deben hacer ahora los líderes empresariales

Separar las métricas de adopción de las métricas de productividad: rastrear el uso para entender la cobertura de la implementación. No usar los datos de uso como sustituto del valor entregado. Están relacionados, pero son distintos, y confundirlos produce malos incentivos.

Definir métricas de resultados antes de implementar la IA en cada función: para cada caso de uso, sea atención al cliente, ingeniería, análisis financiero u otros, identificar cómo se ve una mejora significativa antes de que las herramientas entren en operación. Si no se puede definir el éxito de antemano, no se está listo para medir la productividad, solo se está listo para medir la actividad.

Auditar los puestos según el tipo de valor que se espera que entregue la IA: la aceleración de procesos y el apoyo al razonamiento requieren marcos de medición distintos. Aplicar métricas de tiempo ahorrado a puestos donde la calidad del juicio es el resultado principal subestimará de forma sistemática el valor de la IA en esos puestos y, lo más importante, no dará ninguna señal cuando la IA esté degradando la calidad del resultado.

Construir una gobernanza del gasto en IA que conecte el costo con los resultados: el caso de Uber es tanto una falla de gobernanza como una falla de medición. Los costos de infraestructura de IA son reales y van en aumento. Las organizaciones necesitan estructuras de rendición de cuentas que conecten el gasto con un valor de negocio demostrable, no solo con el volumen de uso.

Tratar las métricas de uso al estilo tabla de clasificación como una señal de riesgo, no como una señal de éxito: cualquier sistema de medición que pueda manipularse será manipulado. Las tablas de clasificación por tokens y los bonos por tiempo de uso son manipulables. Las organizaciones que evitan esta trampa son las que hacen visible la rendición de cuentas por resultados al mismo nivel que la visibilidad de la actividad, asegurando que un uso alto combinado con resultados planos se registre como un problema.

La medición necesita ponerse al día

Nada de esto es un argumento contra la adopción de la IA ni contra medir su impacto. Las ganancias de productividad de una IA bien implementada son reales, y las organizaciones que descubran cómo capturarlas tendrán ventajas estructurales. La pregunta es si la medición está orientada hacia lo que realmente importa.

En este momento, muchas empresas están midiendo lo que es fácil de medir. El consumo de tokens es contable. El tiempo de uso es rastreable. Estas métricas existen, son en tiempo real y satisfacen el apetito organizacional por la rendición de cuentas. El problema es que miden el cumplimiento con la adopción de la IA, no el valor del trabajo asistido por IA.

Las organizaciones que vale la pena observar son las que están construyendo marcos de medición que parten de los resultados del negocio y trabajan hacia atrás hasta la actividad de IA, no las que parten de la actividad de IA con la esperanza de que los resultados sigan.