Cuando dirección pregunta "¿cómo va la IA?", la respuesta más fácil de dar es una cifra de adopción: "el 70% de la plantilla tiene licencia activa" o "enviamos 40.000 prompts el mes pasado". Son cifras reales, fáciles de sacar de cualquier panel de administración, y suenan a progreso. El problema es que no responden a la pregunta que dirección realmente está haciendo, que es si esa inversión está generando algo — tiempo, dinero o calidad — que compense lo que cuesta.
Adopción no es lo mismo que valor
Son dos categorías de métrica distintas, y confundirlas es uno de los errores más comunes al reportar el estado de la IA en una empresa:
| Métrica de adopción (uso) | Métrica de valor (resultado) |
|---|---|
| % de empleados con licencia activa usada en el último mes | Horas ahorradas por tarea o proceso, por semana |
| Número de prompts o interacciones al mes | % de reducción de tiempo en un proceso concreto y medido |
| Usuarios que probaron la herramienta una vez | Casos de uso con seguimiento continuado a 90 días |
| Qué % de un proceso ya "pasa por IA" en algún punto | Coste evitado frente a hacerlo de la forma anterior |
| Número de licencias o asientos comprados | Casos de uso con business case documentado por unidad de negocio |
La columna de la izquierda describe actividad. La de la derecha describe resultado. Una empresa puede tener adopción alta — mucha gente usando IA generativa a diario — y aun así no tener ni idea de si eso está generando valor de negocio real. Y al revés: algunas empresas descubren que, sumando lo que gastan en tokens y licencias en varios equipos, el coste supera con holgura lo que ahorran frente a hacer esas tareas de otra forma, simplemente porque nadie había puesto ambas cifras una al lado de la otra.
El riesgo de la IA en la sombra al medir adopción
Hay un problema adicional que hace que incluso las métricas de adopción "fáciles" sean poco fiables: si solo cuentas las licencias oficiales que la empresa ha comprado, estás midiendo una parte de la adopción real, no toda. Buena parte de la plantilla en muchas organizaciones usa herramientas de IA gratuitas o con cuentas personales — la llamada IA en la sombra (shadow AI) — que no aparecen en ningún panel de administración corporativo.
Esto tiene dos consecuencias directas para la medición. Primero, cualquier cifra de "% de adopción" basada solo en licencias contratadas está subestimando el uso real, a veces de forma significativa. Segundo, y más grave, esa IA no visible es la que más riesgo de cumplimiento genera — datos corporativos o personales que salen de la organización a través de una herramienta que nadie ha evaluado ni autorizado. Reportar adopción sin abordar primero la visibilidad sobre qué herramientas se usan de verdad es reportar una cifra incompleta a dirección, con un riesgo de cumplimiento no contado detrás.
4 pasos para una medición mínima viable
No hace falta un sistema de medición complejo para empezar a separar adopción de valor. Con esto es suficiente:
- Elige 2-3 casos de uso con caso de negocio claro antes de medir nada a nivel global — no intentes medir "el valor de la IA en la empresa" de golpe, empieza por procesos concretos donde puedas aislar el efecto.
- Define la métrica de valor antes de desplegar, no después — si esperas a que la herramienta ya esté en producción para decidir qué vas a medir, normalmente ya has perdido la oportunidad de tener un punto de comparación limpio.
- Usa un periodo de referencia "antes" siempre que sea posible — cuánto tardaba esa tarea, cuántos errores tenía, cuánto costaba, antes de introducir la IA. Sin esa línea base, cualquier mejora reportada después es una afirmación, no una medición.
- Revísalo en el comité de gobernanza, no lo dejes en un dashboard que nadie mira — si nadie con autoridad para decidir presupuesto revisa estas métricas de forma recurrente, la medición existe pero no influye en ninguna decisión real. Ver cómo montar un comité de gobernanza de IA desde cero.
Antes de calcular si la IA compensa frente a un puesto humano en un proceso concreto, conviene tener también los números reales de ese lado — ver ¿es la IA más barata que un empleado? La respuesta real para perfiles de datos. Y si el reto no es tanto medir sino saber quién debería estar mirando estas cifras cada mes, revisa las responsabilidades en AI Governance.