En 2025, procesar 1.500 millones de tokens costaba unos 150 dólares. Con GPT-4, en su lanzamiento, la misma tarea rondaba los 70.000, según un gráfico de Ethan Mollick sobre el coste de los mejores modelos. El precio del modelo ya no frena la IA corporativa. Lo que la frena es que casi ningún piloto llega a ser una capacidad repetible y rentable.
De eso trata el modelado empresarial de IA corporativa. Hay que decidir dónde la IA aporta valor de verdad, cómo encaja con el resto de apuestas de la empresa y cuánto rinde cuando los costes cambian con el uso y los resultados nunca están garantizados.
Los pilotos sobran: lo que falta es un portafolio
El error más común es tratar la IA como una extensión del software tradicional. La empresa elige un caso de uso, desarrolla una solución, la conecta a un flujo de trabajo y espera que el valor aparezca solo.
La IA no funciona así. Además de lo que exige cualquier software, cada consulta tiene un coste de cómputo (inferencia). Depende de los datos, obliga a fijar reglas y controles, pierde calidad con el tiempo si nadie la vigila (deriva o drift), hay que evaluarla siempre y en algunos procesos necesita revisión humana. Por eso un proyecto no se juzga solo por lo vistoso que sea ni por lo bueno que sea el modelo.
La consecuencia. Una empresa madura rara vez gana ventaja con un único sistema que funciona. La gana cuando aprende a elegir, construir, controlar y reutilizar IA una y otra vez. Un proyecto aislado puede rendir bien. Pero si no deja datos, pruebas, piezas técnicas o experiencia que otros puedan aprovechar, su peso estratégico es pequeño.
De ahí el mapa de portafolio, que ordena las inversiones por el tipo de valor que producen y por el plazo en que aparece.
Eficiencia y automatización. Procesamiento documental, clasificación, enrutado de tickets, atención al cliente, detección de anomalías. Su retorno es el más visible a corto plazo: menos horas, menos cola, menos carga manual. Sirven para demostrar tracción temprana.
Experiencia y personalización. Asistentes que ayudan al empleado (copilotos), recomendaciones que cambian según el usuario, interfaces en las que se conversa, funciones inteligentes añadidas a sistemas que ya existen. Aquí la IA no solo sustituye tareas: también ayuda a decidir mejor y a trabajar más rápido. El retorno llega más tarde, pero se nota en adopción, profundidad de uso y retención.
Apuestas estratégicas. Productos nativos de IA, modelos propios de dominio, plataformas compartidas, ecosistemas de socios. Son lentas, exigentes e inciertas. También son las únicas que construyen una ventaja duradera, siempre que la empresa tenga datos distintivos, distribución o conocimiento sectorial.
El mapa evita mezclar expectativas. Pedir a una plataforma reutilizable el retorno inmediato de una automatización puntual es un error. Llamar «estratégico» a todo para no medirlo con disciplina económica, también.
El portafolio de IA en tres capas
| Tipo de apuesta | Horizonte de ROI | Ejemplos | Con qué criterio medirla |
|---|---|---|---|
| Eficiencia y automatización | corto plazo, visible | procesamiento documental, clasificación, enrutado, detección de anomalías | ahorro de tiempo o de cola pendiente y coste de servicio por interacción |
| Experiencia y personalización | medio plazo, más amplio | copilotos, recomendaciones dinámicas, interfaces conversacionales | adopción, profundidad de uso y retención, no ahorro directo |
| Apuestas estratégicas (nativas de IA) | largo plazo, incierto | modelos propietarios de dominio, plataformas compartidas, nuevas líneas de ingreso | activos reutilizables y diferenciación defendible, no recuperación inmediata |
La tabla sirve para clasificar. Una iniciativa de la primera fila que no muestra ahorro en 6 meses tiene un problema. Una de la tercera se revisa por los activos que deja (datos, evaluación, arquitectura) aunque todavía no devuelva caja.
Una regla práctica para el reparto: un comité con 2 millones de euros anuales podría destinar en torno al 60% a eficiencia, el 30% a experiencia y el 10% a apuestas estratégicas. Las proporciones cambian con la empresa. Lo que no cambia es que cada fila tenga su propio presupuesto y su propio plazo.
La IA solo multiplica una ventaja que ya existe
Un portafolio bien clasificado puede apuntar al sitio equivocado. La pregunta habitual del comité es «¿en qué procesos podríamos usar IA?». La útil es otra: ¿en qué parte de nuestra ventaja competitiva debe actuar la IA como multiplicador?
Muchas empresas aplican IA donde es técnicamente factible, aunque eso no refuerce su posición. El resultado es una cartera de experimentos curiosos y desconectados de la estrategia.
La ventaja de partida decide el tipo de apuesta:
- Datos propios fuertes: convertirlos en una capacidad difícil de copiar.
- Excelencia operativa: usar la IA para escalar esa superioridad.
- Conocimiento de dominio: modelos específicos, asistentes expertos y apoyo a la decisión antes que automatizaciones genéricas.
- Experiencia de cliente: reducir fricción y acelerar la resolución de forma que el mercado lo note.
Aquí el modelado de escenarios sirve para comparar opciones. Prueba distintas combinaciones de valor, riesgo e inversión y convierte las intuiciones en supuestos que se pueden comparar. No predice el futuro. Pero obliga a que cada apuesta llegue al comité con sus supuestos por escrito, y eso ya descarta las que solo se sostenían en el entusiasmo.
Así cambia la decisión en un caso típico. Una distribuidora con diez años de históricos de pedidos tiene dos propuestas sobre la mesa: un chatbot genérico para la web y un modelo de previsión de demanda entrenado con sus propios datos. El chatbot es más rápido de lanzar, pero cualquier competidor puede comprar el mismo. La previsión tarda más, y cada punto de error que recorta se traduce en stock inmovilizado que nadie más puede ahorrar por ella. La primera propuesta es factible. La segunda multiplica una ventaja.
El ROI empieza en el coste de servir cada caso
Hablar de ROI en IA sin calcular lo que cuesta atender cada caso (cost-to-serve) es engañarse. En el software tradicional, atender a un cliente más cuesta algo casi previsible. En IA no.
La rentabilidad depende de partidas que no aparecen en la primera presentación: el cómputo de cada consulta, la cantidad de texto que se envía y se genera, la búsqueda en los documentos propios, su almacenamiento, el precio del cómputo según la región, la vigilancia del sistema, las pruebas de calidad, el reentrenamiento y la revisión humana.
Esas partidas se imputan a cada flujo o unidad útil. Sumadas en una lista general no dicen nada. Si un asistente resuelve tickets, no basta con «hemos reducido el tiempo medio por caso». Hay que saber cuánto cuesta cada interacción, cuántos casos pasan a una persona y qué ocurre cuando crece el volumen.
La fórmula que conviene guardar:
- Coste por caso resuelto = (inferencia + revisión humana × tasa de escalado + mantenimiento mensual / casos) por caso.
- Ahorro neto mensual = casos × coste manual por caso, menos casos × coste por caso resuelto con IA.
- Umbral de rentabilidad = la tasa de escalado a la que el ahorro neto llega a cero.
Ejemplo ilustrativo. Una aseguradora recibe 40.000 consultas al mes. Atender una a mano cuesta 4 euros. El asistente cuesta 0,05 euros de inferencia por consulta y escala el 25% a un agente, con un coste de 4 euros por consulta escalada. El mantenimiento de la base de conocimiento suma 6.000 euros al mes.
Las cuentas: inferencia, 2.000 euros. Revisión humana, 10.000 consultas a 4 euros, 40.000 euros. Mantenimiento, 6.000. Total, 48.000 euros frente a 160.000 de la atención manual. Ahorro: 112.000 euros al mes.
Un detalle local cambia la cuenta. Las operaciones de seguro están exentas de IVA, así que la aseguradora no deduce el 21% que paga por el software y la inferencia. Para ella, los 8.000 euros de partidas externas cuestan en realidad unos 9.680. El ahorro baja a unos 110.300 euros, poco, pero el mismo error en un caso de margen estrecho decide el voto.
Ahora el giro. Si la tasa de escalado sube al 60% porque llegan casos más complejos, la revisión humana pasa a 96.000 euros y el total a 104.000. El ahorro cae a la mitad, sin que el precio del modelo haya cambiado un céntimo. Quien decide el caso es la tasa de escalado.
La comprobación inversa lo confirma. Supongamos que el precio de la inferencia cae otro 82%, la bajada que el gráfico de Mollick atribuía a los mejores modelos en dos años. La partida pasa de 2.000 a unos 360 euros al mes. El ahorro mejora en 1.640 euros sobre 112.000, menos de un 2%. Abaratar el modelo apenas mueve el caso. Bajar la tasa de escalado del 25% al 20% ahorra 8.000 euros al mes, casi cinco veces más.
El umbral de este ejemplo sale solo: con 2.000 euros de inferencia y 6.000 de mantenimiento, el ahorro llega a cero cuando el escalado roza el 95%. Muy lejos. Pero si cada caso escalado cuesta más que uno manual, porque el agente debe deshacer la respuesta automática, el umbral baja rápido.
Por eso el modelo económico debe simular la economía por unidad, los picos de tráfico y cómo evolucionan los costes a largo plazo. Una iniciativa solo es sólida si cada beneficio está ligado a un indicador concreto y si sus costes no se disparan cuando crece el uso.
El 25% de escalado y la calidad que percibe el cliente son, de momento, supuestos. Ambos se miden en producción, con muestras revisadas a mano, y la hoja de cálculo se corrige con lo que salga.
La misma cuenta explica por qué el margen de un producto de IA rara vez se parece al de un SaaS. Servir a un cliente más de un software clásico no cuesta casi nada; aquí cada consulta arrastra su inferencia y, sobre todo, su parte de revisión humana, que crece con el volumen. Los precios de los modelos bajan cada año, pero la revisión humana y la adaptación a cada cliente siguen fuera de esa bajada.
Un ahorro visible no demuestra valor: el ROI tiene cuatro capas
La IA rinde de cuatro formas, y reducirlas a una cifra deforma la realidad.
- Ahorro directo: menos horas manuales, menos cola, resolución más rápida.
- Productividad: más volumen procesado, menos errores, mejor reparto del trabajo.
- Beneficio estratégico: menos riesgo operativo, más retención, más venta cruzada.
- Ingresos incrementales: funciones premium, nuevas líneas nativas de IA, más valor capturado en procesos existentes.
El problema aparece al mezclarlas o al medir solo la más fácil. Una automatización muestra ahorro, pero no recoge el riesgo de que baje la calidad. Un sistema de personalización promete ingresos sin probar que los genera él. Un copiloto interno gusta a los empleados, pero eso no significa que trabajen mejor.
Que un copiloto se abra cada día no prueba que haya reducido el tiempo por caso. Solo un grupo de control o una comparación por tarea puede mostrarlo. Por eso en IA no basta con las pruebas A/B clásicas. Hacen falta pruebas con datos históricos, pilotos con grupo de control, análisis por tarea y seguimiento del efecto durante meses.
Conviene además esperar pocas victorias. Un piloto disfruta de condiciones que desaparecen al escalar: un equipo voluntario, casos escogidos, semanas de atención de la dirección. Si un comité recibe 10 pilotos y los 10 «funcionan», lo probable es que esté midiendo adopción y entusiasmo, con el valor todavía por demostrar.
Métrica y salvaguarda. Para el asistente del ejemplo, la métrica principal es el coste por caso resuelto. La salvaguarda es la tasa de reapertura: si los casos cerrados por la IA se reabren más que los cerrados por personas, el ahorro es ficticio. Una regla de partida razonable: detener la ampliación si la reapertura supera en más de 2 puntos a la de la atención manual durante 4 semanas seguidas.
Primero sistematizar, después escalar
La proliferación de pilotos desconectados es el síntoma más claro de inmadurez. Uno a uno parecen prometedores. Juntos generan dispersión, deuda técnica y frustración. Casi nunca falta talento. Falta una hoja de ruta que diga qué construir primero.
Fase 1: experimentar. La empresa identifica flujos aptos para IA, prueba hipótesis de valor, evalúa la calidad de los datos y observa el comportamiento del modelo. Toca aprender antes de comprometer inversiones irreversibles. Un plazo razonable para cada hipótesis es de 8 a 12 semanas, con el criterio de cierre escrito antes de empezar. Por ejemplo: «si en la semana 10 la tasa de escalado supera el 40% o la precisión en la muestra revisada baja del 90%, el piloto se cierra». Un piloto sin ese criterio nunca fracasa, y por eso nunca enseña nada.
Fase 2: sistematizar. Si los primeros casos aportan valor, se construye la base para repetirlo: un registro central de modelos, piezas reutilizables, pruebas de calidad comunes, alertas cuando un modelo empeora y procesos de seguridad y control. Esta fase separa a la empresa que «hace cosas con IA» de la que opera la IA como capacidad.
Fase 3: escalar. La IA se extiende a más unidades de negocio, a experiencias de cliente nativas y a flujos de varios pasos. Saltar de la prueba de valor al escalado sin sistematizar sale caro. Cada nuevo caso vuelve a pagar datos, evaluación y seguridad desde cero.
Una señal sencilla de que la fase 2 funciona: el tercer caso de uso cuesta claramente menos que el primero. Si cuesta lo mismo, no se ha construido nada reutilizable.
Tres síntomas avisan de que la hoja de ruta se ha roto:
- Cada equipo elige su proveedor de modelos. En un año hay cinco contratos, cinco formas de registrar el uso y ninguna cifra de coste comparable.
- Ningún piloto se cancela. Si en 12 meses no se ha cerrado ninguno, el comité se limita a acumular.
- El escalado lo pide el proveedor. La ampliación llega con una oferta comercial y sin una tasa de escalado medida.
Todo esto tiene un tamaño mínimo. Una empresa mediana con dos casos de uso no necesita comité, tabla ni fases: para ella, el portafolio sería burocracia que retrasa el primer ahorro. Con menos de 3 iniciativas activas basta un caso de negocio por proyecto con la fórmula de arriba. A partir de la tercera, los costes compartidos de datos, evaluación y seguridad empiezan a repetirse, y ahí el portafolio se paga solo.
Sin gobernanza ni equipo propio, nada pasa a escalado
Muchas transformaciones fracasan por una razón incómoda: el modelo funcionaba y la organización no estaba lista para sostenerlo. Se puede comprar tecnología, contratar consultoras o integrar APIs. Sin capacidades internas, la IA queda atada a expertos externos o a unas pocas personas.
Producto. Los product managers necesitan alfabetización en IA: límites de los modelos, datos, economía de la inferencia y criterios de experimentación. No sustituyen a data science, pero sin esa base no traducen problemas de negocio en decisiones viables. La prueba es sencilla: pregunta a un PM cuánto cuesta servir su funcionalidad por usuario y qué tasa de error tolera el flujo. Si no sabe, la capacidad no existe.
El ejemplo de la aseguradora pone precio a esa base. Cada punto de escalado son 400 consultas al mes atendidas a mano, 1.600 euros. Un PM capaz de leer un informe de evaluación y detectar qué preguntas resuelve mal la recuperación de documentos baja ese número; uno que no sabe hacerlo lo descubre en la factura.
Ingeniería y MLOps. Después del piloto, el tráfico real empieza a alejar el modelo de lo que se vio en pruebas. Para que siga aportando valor, ingeniería debe lograr que responda rápido con mucho volumen, vigilarlo, controlar sus versiones, coordinar varios modelos, reentrenarlo de forma automática y detectar cuándo empeora. Los especialistas en evaluación cuidan la calidad: casos de prueba, tipos de error, umbrales y pruebas de sesgo y de respuestas inventadas.
Las organizaciones maduras no dejan estas capacidades dispersas. Crean academias internas, gremios transversales, laboratorios y repositorios de conocimiento, para que lo aprendido pase de un equipo a otro.
Gobernanza. Suele verse como burocracia. En IA ocurre lo contrario: sin ella, el escalado se vuelve inseguro, opaco y económicamente inestable. Gobernanza de datos, documentación de modelos, revisión humana, trazabilidad, versionado y auditoría forman parte del diseño desde el principio.
Lo mismo vale para el riesgo. Alucinaciones, degradación, uso malicioso, sesgo, privacidad, residencia de datos, picos de coste y cumplimiento normativo entran en el modelo como variables que cambian pricing, diseño de producto, límites operativos y supervisión. En España, cualquier flujo con datos personales pasa además por el RGPD, con la AEPD como autoridad de control, y ese coste de cumplimiento va dentro de la fórmula.
La revisión humana tiene su propia trampa: el sesgo de automatización, la tendencia a aceptar lo que propone la máquina. Crece con el volumen y con la fiabilidad aparente del sistema, porque cuanto más acierta el asistente, menos se le revisa. Un agente que valida 200 respuestas al día sin leerlas genera un coste que no reduce el riesgo, y eso debe medirse con muestras sembradas de errores conocidos.
Conectadas las piezas, el modelo funciona como un sistema: posición estratégica, arquitectura de capacidades, modelo financiero con coste de servicio y reentrenamiento, gobernanza auditable y un equipo que comparte la misma lógica. Si además lo acompaña un modelo de experimentación que une evaluación técnica, impacto operativo y caso de negocio, se corrige con cada piloto en lugar de quedarse como la foto del día en que se aprobó.
La lista para el comité. Antes de financiar la próxima propuesta, cinco comprobaciones:
- ¿En qué fila del portafolio cae y con qué métrica y plazo se juzgará?
- ¿Refuerza una ventaja que la empresa ya tiene o solo es factible?
- ¿Cuánto cuesta cada caso con el volumen esperado y con el doble de tasa de escalado?
- ¿Qué riesgo de calidad, privacidad o cumplimiento introduce y quién lo vigila?
- ¿Hay un equipo interno capaz de operarla sin consultores?
Si falla la 1 o la 2, no se financia. Si falla la 3, vuelve a diseño con otro modelo, otro contexto o la revisión humana ya presupuestada. La 4 y la 5 no la frenan, pero deciden la fase: sin gobernanza ni equipo propio, una propuesta sólida se queda en experimentación.
El modelado empresarial convierte cada piloto en una máquina de dejar activos: datos, evaluaciones y una tasa de escalado medida que la siguiente iniciativa ya no tiene que adivinar.