Estaba con un compañero de curso conversando sobre cómo las empresas analizan sus inversiones tecnológicas. Y siempre, siempre, siempre llegábamos a lo mismo: utilizan los modelos de ROI de toda la vida. Esos que funcionaron bien cuando comprábamos servidores, cuando migrábamos al ERP nuevo o cuando cambiábamos la infraestructura de red.
El problema es que ahora están intentando aplicar exactamente la misma calculadora a los proyectos de Inteligencia Artificial. Y ahí es donde la cosa se tuerce.
Porque resulta que la IA no funciona como un proyecto tecnológico clásico. Ni de lejos. En comités de inversión se rechazan iniciativas brillantes porque “los números no salen” con las métricas tradicionales. Y se aprueban proyectos de IA que luego fracasan porque nadie entendió realmente qué estaban comprando.
La IA introduce variables que los modelos clásicos no contemplan: calidad de datos, entrenamiento de modelos, adopción humana, mejora continua, aprendizaje constante. Y, sobre todo, un ciclo de vida completamente distinto al de cualquier herramienta que hayas comprado antes.
Por eso me parece importante hablar de esto. Porque si seguimos midiendo la IA con la regla equivocada, vamos a seguir tomando decisiones equivocadas.
Un ROI tradicional busca eficiencia. La IA busca transformación
Cuando compras un software tradicional, el objetivo suele estar clarísimo: reducir costes, sustituir una herramienta obsoleta, automatizar ese proceso que lleva años matando a tu equipo, mejorar los tiempos operativos. El impacto es directo y relativamente fácil de medir. Has invertido X, has ahorrado Y, haces la cuenta y listo.
La IA no funciona así. Un sistema de IA no solo optimiza lo que ya hacías: muchas veces cambia completamente la forma en que tu organización opera. Puede modificar procesos de decisión que llevaban décadas sin tocarse, redefinir la relación con tus clientes, optimizar recursos en tiempo real de formas que antes eran imposibles, o generar capacidades que directamente no existían en tu empresa.
Es decir: mientras el ROI tradicional mide eficiencia, el ROI en IA también tiene que medir capacidad de transformación. Y eso no aparece en ninguna hoja de cálculo estándar.
En proyectos clásicos el sistema es estable. En IA, evoluciona
Una aplicación tradicional se comporta de forma relativamente estable después de su implantación. La instalas, la configuras, formas a tu gente, y ya está. A partir de ahí, mantenimiento básico y poca cosa más.
Un sistema de IA necesita entrenamiento continuo. Supervisión. Reentrenamiento. Mantenimiento de datos. Ajustes constantes. Porque la IA aprende, evoluciona y —esto es lo que muchos no entienden— también puede degradarse si no la cuidas correctamente.
Vamos a ver sistemas de IA que funcionen de maravilla durante los primeros seis meses y luego empiecen a fallar porque nadie se ocupó de mantener la calidad de los datos que los alimentaban.
Por eso, en IA el ROI no se calcula sobre la inversión inicial. Se calcula sobre el ciclo de vida completo del modelo. Y ese ciclo puede ser muy, muy largo.
El dato se convierte en parte central de la inversión
En un proyecto tradicional, los datos suelen ser un elemento secundario. Nadie hace un análisis exhaustivo de la calidad de los datos antes de comprar un CRM, por ejemplo. Se da por hecho que “ya tenemos los datos” y punto.
En IA, los datos son el núcleo del proyecto. Todo el proyecto. La calidad del retorno que vas a obtener depende directamente de la calidad de tus datos, su disponibilidad, su estructura y su capacidad para alimentar correctamente los modelos. Y aquí viene la sorpresa que muchas empresas se llevan: el mayor coste no está en desarrollar la IA.
El mayor coste está en preparar los datos para que la IA pueda funcionar. Hay proyectos donde el 70 % del presupuesto se va en limpiar, estructurar y normalizar datos. El modelo de IA en sí es casi lo más barato. Pero eso no aparecía en el ROI inicial que se le presentó al comité de dirección.
El ROI clásico suele ser inmediato. El de IA es progresivo
En proyectos tradicionales, el retorno suele aparecer poco después de la implantación. Instalas el sistema, empiezas a usarlo, y en cuestión de semanas o meses ya estás viendo beneficios.
En IA esto rara vez ocurre así. Yo diría que nunca. Normalmente hay varias fases: inversión inicial (que incluye datos, modelos, infraestructura), luego una fase de aprendizaje y adopción (donde el sistema empieza a entender tu negocio), después optimización (donde ajustas y mejoras) y, finalmente, escalado (cuando realmente empiezas a ver el valor).
Esto significa que el ROI en IA debe analizarse con horizontes temporales mucho más amplios. Y con expectativas mucho más realistas. Si alguien te promete resultados inmediatos con IA, desconfía.
La adopción humana tiene mucho más peso en IA
En un proyecto tradicional, las personas suelen adaptarse al sistema. Te guste o no, acabas aprendiendo a usar el nuevo software porque no hay alternativa.
En IA, las personas deben confiar en el sistema. Y eso cambia completamente el juego. Aunque el modelo funcione técnicamente bien, si los usuarios no entienden las recomendaciones, desconfían de los resultados o simplemente no integran la herramienta en su operativa diaria, el ROI real puede desplomarse.
He visto proyectos donde todo funciona perfectamente desde el punto de vista técnico. Los algoritmos son brillantes. Los datos, impecables. Pero el sistema acaba apagándose porque nadie lo usaba. Porque la gente no confía.
Por eso, el componente cultural y organizativo tiene mucho más peso en proyectos de IA que en proyectos tecnológicos convencionales. Y eso, de nuevo, no aparece en las métricas clásicas de ROI.
La IA genera valor difícil de medir
El ROI clásico trabaja con métricas financieras claras: ahorro, productividad, reducción de costes, incremento de ingresos. Todo se puede meter en una hoja de Excel y calcular el break-even.
La IA también puede generar ese tipo de beneficios. Pero además aporta valor estratégico muy difícil de cuantificar: mejor toma de decisiones, reducción de riesgos, capacidad predictiva, mayor escalabilidad, ventaja competitiva frente a tu competencia.
Y muchas veces ese valor intangible termina siendo el más importante. Pero, como no aparece en la hoja de cálculo del ROI, no se tiene en cuenta a la hora de aprobar el proyecto.
Lo que yo haría (y lo que creo que deberías hacer tú)
Si estás evaluando un proyecto de IA, no uses solo los modelos clásicos de ROI. No porque sean malos, sino porque no están diseñados para esto.
La IA evoluciona, aprende, depende de datos, requiere adopción humana y genera valor tanto operativo como estratégico. Eso significa que necesitas cambiar el enfoque: mide eficiencia, por supuesto, pero también mide transformación. Mide capacidad de adaptación. Mide ventaja competitiva futura. Mide el valor de tomar mejores decisiones. Y, sobre todo, mide con horizontes temporales realistas.
Porque en Inteligencia Artificial el verdadero retorno no siempre está en ahorrar más. A veces está en ser capaz de hacer cosas que antes eran imposibles.
Y eso no tiene precio. O, mejor dicho: tiene un precio que todavía no sabemos calcular con las herramientas de siempre.