El proyecto de ley simbólico no es el caso de negocio de la IA.

Cada cobrador perdía tiempo incluso antes de que comenzara el trabajo real. La tarea no consistía solo en comprender la cuenta, decidir la siguiente acción o avanzar en la conversación con el cliente. Antes de que todo eso pudiera suceder, alguien tenía que abrir múltiples sistemas ERP, comparar datos de facturas, validar el estado de pago, verificar discrepancias, conciliar diferencias y generar la suficiente confianza para saber qué era realmente cierto. Desde fuera, el trabajo parecía simplemente gestionar cobros. Dentro de la operación, gran parte del trabajo era de ensamblaje: reunir los fragmentos, verificar las cifras y preparar el terreno antes de que el cobrador pudiera realizar el trabajo para el que realmente estaba destinado su puesto.

Ese trabajo oculto costaba alrededor de dos horas por cobrador al día. No parecía grave porque la gente se había adaptado. La organización había aprendido a convivir con la fricción diaria de cambiar entre sistemas, comparar registros y preparar la información antes de actuar. Pero cuando ese tipo de trabajo se repite a diario en un equipo, deja de ser una molestia y se convierte en una carga estructural. La automatización de la comparación de facturas entre múltiples sistemas ahorró alrededor de 9000 horas a la operación, no reemplazando personal ni fingiendo que la cobranza no requería criterio, sino eliminando la carga de trabajo que impedía que los empleados cualificados se dedicaran a tareas de mayor valor.

Esa es la parte que muchos casos de negocio de IA aún pasan por alto. Se centran demasiado en el coste visible de la tecnología y no lo suficiente en el coste invisible del trabajo. En IA, esto suele significar fijarse en la factura de los tokens sin tener en cuenta los costes operativos asociados. La fijación de precios del modelo es importante. Los tokens de entrada, los tokens de salida, el almacenamiento en caché, las ventanas de contexto, la latencia, los niveles de proveedores, las tarifas de la plataforma y los límites de uso son importantes. Ninguna empresa debería ignorarlos. Pero no constituyen el caso de negocio en sí. Son solo una línea dentro del caso de negocio, y a veces ni siquiera la más importante.

La verdadera cuestión económica no es qué modelo es el más barato por token. La verdadera cuestión es qué diseño operativo produce el menor coste fiable por resultado resuelto. Esta distinción es importante porque un token es fácil de contabilizar, mientras que un resultado resuelto es más difícil. Un token se encuentra en una factura. Un resultado resuelto se encuentra dentro de un flujo de trabajo, con toda la revisión, corrección, reelaboración, escalamiento, tiempo de espera, gobernanza, manejo de excepciones y juicio humano necesarios para que el trabajo se complete. Cuando la economía de la IA se mide solo a nivel de modelo, el caso de negocio puede parecer sencillo, pero la operación sigue siendo compleja.

Así es como los análisis de viabilidad de la IA se vuelven demasiado optimistas. Consideran el borrador, pero no la revisión. Consideran la respuesta del chatbot, pero no el contacto posterior. Consideran la primera respuesta, pero no el caso reabierto. Consideran la interacción del modelo, pero no el esfuerzo humano necesario para que el resultado sea útil. Consideran la automatización visible e ignoran a las personas que, en silencio, protegen el flujo de trabajo de un mal diseño. Esto no es un detalle financiero. Es la diferencia entre la actividad de la IA y el valor de la IA.

El proyecto de ley ficticio resulta atractivo porque ofrece a los líderes algo concreto. Un modelo es más económico. Otro es más rápido. Uno maneja contextos más extensos. Otro tiene mejor capacidad de razonamiento. Uno admite almacenamiento en caché. Otro tiene un menor costo por llamada. La comparación parece rigurosa porque las cifras son claras, pero la claridad en el nivel incorrecto aún puede inducir a error. Un modelo económico puede producir un resultado que requiera más revisión, corrección y escalamiento. Un modelo más costoso puede reducir el trabajo posterior lo suficiente como para resultar más económico en la práctica. Un modelo ligero puede ser perfecto para clasificaciones simples, pero deficiente para el manejo de casos complejos. Una estrategia de enrutamiento puede ser mejor que obligar a un solo modelo a realizar todo tipo de trabajo.

El problema no radica en lo barato frente a lo caro. El problema radica en la adecuación al resultado. El trabajo empresarial no termina cuando la IA genera una respuesta. El trabajo termina cuando el caso es válido, aceptado, controlado y no se devuelve a la organización como retrabajo. Si un flujo de trabajo se cierra rápidamente pero se reabre más tarde, el primer cierre no fue el resultado real. Si se genera una respuesta rápidamente pero a una persona le lleva más tiempo validarla, la velocidad del modelo no es valor para el negocio. Si un agente enruta el trabajo rápidamente pero envía excepciones al responsable equivocado, la velocidad de enrutamiento no es productividad. Es confusión acelerada.

Por eso importa la unidad de costo. Si la organización mide el costo por llamada al modelo, optimizará para obtener llamadas más económicas. Si mide el costo por resultado resuelto, optimizará para obtener un mejor desempeño. Estos dos enfoques pueden llevar a decisiones muy diferentes. El primero se centra en la herramienta; el segundo, en la operación. Uno se pregunta qué línea de modelos es más económica; el otro, si el flujo de trabajo produce un resultado confiable sin ocultar la carga en otro lugar.

El ejemplo de las 9000 horas es útil porque muestra cómo suele ser el coste real incluso antes de la introducción de la IA. El coste no se reflejaba en una factura tecnológica sencilla, sino en la carga de trabajo diaria de preparación: dos horas por recolector al día en múltiples sistemas. El trabajo no parecía defectuoso porque la gente seguía haciéndolo. El problema era que la organización había normalizado el desperdicio. Eso es precisamente lo que ocurre en muchos programas de IA. La factura del modelo es visible porque la envía el proveedor. La factura de corrección se oculta porque los empleados la asumen. La factura de escalamiento se oculta porque los gerentes la gestionan. La factura de retrabajo se oculta porque operaciones la trata como un volumen normal. La factura de confianza se oculta porque los empleados evitan discretamente usar la herramienta para el trabajo que realmente importa.

La factura es visible, pero la economía está distribuida. Por eso, los casos de negocio de IA deben partir del trabajo, no de la fijación de precios del modelo. ¿Cuál es el coste actual del flujo de trabajo? ¿Cuánto tiempo se dedica a la preparación, la búsqueda, la verificación, la corrección, la escalada y la reapertura? ¿Qué significa un resultado resuelto? ¿Qué pasos son rutinarios? ¿Cuáles requieren criterio? ¿Qué excepciones se repiten? ¿Qué sucede cuando el resultado es incorrecto? ¿Qué revisión humana queda y se trata de una supervisión planificada o de una corrección encubierta? Sin estas preguntas, la organización podría aprobar un caso de negocio impecable con una imagen de costes incompleta.

Esto es importante porque la IA suele mejorar el primer paso visible antes de optimizar el flujo de trabajo completo. Redacta, resume, clasifica, recupera y genera más rápido. Esa velocidad es útil, pero no genera valor automáticamente. El valor depende de lo que sucede después de que se muestra el resultado. ¿El empleado confía en él? ¿El cliente lo acepta? ¿El caso permanece cerrado? ¿El flujo de trabajo evita la repetición de tareas? ¿El resultado reduce las escaladas? ¿Mejora el control? ¿Libera capacidad para realizar un trabajo de mayor calidad? ¿O simplemente traslada el esfuerzo a la verificación, corrección y explicación?

El héroe operativo celebra el ahorro visible. El arquitecto controla los costos hasta que el resultado se resuelve por completo. Un modelo que reduce el tiempo de diseño en cinco minutos suena bien hasta que el caso se reabre. Un chatbot que gestiona más consultas suena bien hasta que aumentan los contactos repetidos. La automatización de un flujo de trabajo suena bien hasta que las excepciones se derivan a los supervisores. Un modelo más económico suena bien hasta que la revisión humana se convierte en el verdadero centro de costos. Esto no es escepticismo por el mero hecho de serlo. Es disciplina operativa.

La misma lógica se manifiesta en los pequeños detalles. En otra operación, reducir el tiempo de descarga de facturas de 16 a 8 segundos puede parecer insignificante si se analiza de forma aislada. Medio segundo aquí, unos segundos allá, un clic menos, un archivo recuperado más rápido. Los líderes suelen ignorar las pequeñas fricciones porque no parecen estratégicas. Pero repetidas en un gran volumen de trabajo, las pequeñas fricciones se acumulan. Unos pocos segundos multiplicados por miles de transacciones se convierten en capacidad. Una verificación manual diaria se convierte en un costo. Un cambio de sistema recurrente se convierte en un impuesto oculto. El tamaño de la unidad no importa tanto como la frecuencia y el papel que desempeña en el flujo de trabajo.

Los casos de negocio de la IA requieren la misma disciplina. Un resultado de un modelo puede parecer económico, pero si cada resultado requiere una pequeña corrección, y esta se repite en miles de casos, el coste real cambia. Si un flujo de trabajo ahorra unos minutos pero genera una mayor tasa de reapertura, la situación económica se modifica. Si una herramienta reduce un tipo de trabajo manual pero añade más trabajo de revisión en otro ámbito, el ahorro no es total; simplemente se ha trasladado. El caso de negocio no debe preguntarse solo qué elimina la IA, sino también qué deja atrás.

Aquí es donde muchos programas se vuelven frágiles. Asumen que la revisión humana es gratuita porque ya hay personal disponible. Asumen que la corrección es temporal porque el modelo mejorará. Asumen que la escalada es poco frecuente porque la muestra piloto fue positiva. Asumen que la gobernanza es un gasto adicional porque no se asemeja a la productividad. Asumen que la adopción implica valor porque el uso es visible. Estas suposiciones hacen que el caso de negocio sea más fácil de aprobar y más difícil de defender.

La corrección humana es una de las mayores trampas. A menudo se presenta como una supervisión responsable, y a veces lo es. Hay flujos de trabajo donde la revisión humana es necesaria, valiosa y está diseñada intencionalmente. Pero hay una diferencia entre supervisión y corrección. La supervisión protege el trabajo. La corrección compensa un diseño deficiente. Si una persona revisa un resultado de IA porque el flujo de trabajo requiere criterio, eso puede ser una buena gobernanza. Si una persona reescribe el resultado, verifica tres sistemas, completa el contexto faltante, identifica la excepción y evita que una acción incorrecta continúe, eso es retrabajo oculto. Si ese retrabajo oculto no se mide, el caso de negocio de la IA está incompleto.

Lo mismo se aplica a la escalada de problemas. Cierta escalada es necesaria, especialmente en trabajos de alto riesgo, pero la escalada evitable supone un coste. Cuando la IA no detecta una excepción, gestiona mal un caso o genera un resultado en el que un empleado de primera línea no puede confiar, el problema se remite a un supervisor, especialista, gerente, equipo de riesgos o responsable de atención al cliente. Ese tiempo es más costoso, genera más interrupciones y rara vez se tiene en cuenta en la comparación de modelos. El coste de la IA no se limita al consumo del modelo, sino que incluye todo lo que la organización tuvo que hacer para que el resultado fuera útil.

Por eso, el costo por resultado resuelto es un estándar mejor que el costo por token. Un resultado resuelto incluye la ruta completa: entrada, recuperación, interacción con el modelo, revisión humana, corrección, escalamiento, gobernanza, cierre y ventana de calidad posterior al cierre. Si el caso se reabre, el resultado no fue tan resuelto como lo sugería el panel. Un caso de soporte al cliente no se resuelve porque el bot haya respondido una vez. Se resuelve cuando el cliente no necesita volver por el mismo problema. Un flujo de trabajo financiero no se resuelve porque el sistema haya registrado una entrada. Se resuelve cuando la entrada es válida, está conciliada y no crea una corrección posterior. Un flujo de trabajo de adquisiciones no se resuelve porque se haya extraído un documento. Se resuelve cuando el pedido puede avanzar con datos confiables, validación correcta y excepciones controladas.

Aquí es donde las conversaciones con los proveedores también necesitan mayor rigor. Los proveedores pueden mostrar la capacidad del modelo, las características de la plataforma, ejemplos de automatización y comparaciones de costos. Esto es útil, pero no suficiente. La organización debe aportar su propia realidad operativa a la conversación. De lo contrario, el proveedor termina basando el caso de negocio en lo que la herramienta puede mostrar, no en lo que el trabajo realmente necesita. Una empresa que no comprende claramente su flujo de trabajo se convierte fácilmente en compradora de soluciones genéricas de IA. Escucha que la IA reducirá el tiempo de gestión, mejorará la productividad, apoyará a los empleados, automatizará tareas repetitivas y liberará capacidad. Estas afirmaciones pueden ser ciertas, pero solo si el trabajo se selecciona y diseña adecuadamente.

La cuestión no es si la IA puede crear valor en general. Puede. La cuestión es si esta intervención de IA crea valor cuantificable en este flujo de trabajo una vez contabilizados todos los costes. Para responder a esta pregunta se requiere evidencia operativa. Se requiere una base de referencia. ¿Cuánto tiempo lleva el trabajo actualmente? ¿Dónde se detiene? ¿Con qué frecuencia se corrige? ¿Con qué frecuencia se vuelve a abrir? ¿Qué excepciones provocan la escalada? ¿Cuánto esfuerzo se dedica a la búsqueda, preparación, comparación y validación antes de que comience el trabajo visible? ¿Quién soporta la carga oculta?

En el caso de las 9000 horas, la carga oculta no era filosófica. Era diaria y cuantificable. Dos horas por recolector al día se consumían en la comparación de múltiples sistemas antes de que se pudiera realizar el trabajo de mayor valor. Una vez eliminada esa carga, la operación ganó capacidad sin pretender que el problema fueran las personas. El problema no era el empleado. El problema era el diseño del trabajo. Esta lección se aplica directamente a la IA. Si el caso de negocio de la IA se basa en reemplazar el esfuerzo humano sin comprender qué implica ese esfuerzo, será superficial. Parte del esfuerzo es desperdicio. Parte es juicio. Parte es control. Parte es manejo de excepciones. Parte es compensación por sistemas deficientes. Tratar todo como el mismo "tiempo ahorrado" conduce a malas decisiones.

Un análisis empresarial riguroso define las tareas. ¿Qué debería desaparecer? ¿Qué debería automatizarse? ¿Qué debería seguir siendo una tarea humana? ¿Qué debería convertirse en conocimiento reutilizable? ¿Qué debería desencadenar una escalada? ¿Qué nunca debería haber sido una carga manual? Esta separación impide que la IA se convierta en otra fuente de confusión costosa. También cambia la perspectiva del departamento financiero sobre la IA. El director financiero no solo debe preguntar cuánto cuesta el modelo, sino dónde reside el valor, si el costo se elimina del sistema o simplemente se traslada, si se libera capacidad, si las tasas de reapertura disminuyen, si el flujo de trabajo es más fácil de gestionar y si la organización está generando conocimiento reutilizable o pagando de nuevo para redescubrir el mismo trabajo el próximo año.

Estas preguntas no son contrarias a la IA. Son pro-valor. Protegen a la organización del teatro. El teatro de la IA se produce cuando la organización puede señalar actividad, pero no puede demostrar una mejora operativa. Una herramienta está en funcionamiento. Un panel de control está activo. La gente lo usa. El proveedor está satisfecho. El programa interno parece moderno. Pero el trabajo real sigue siendo pesado. Los empleados siguen cometiendo errores. Los gerentes siguen escalando problemas. Las excepciones se siguen repitiendo. El departamento de finanzas sigue sin ver el valor con claridad. Eso no es transformación. Eso es un mero espectáculo.

El camino más adecuado es el más sólido. Comience con el costo actual del trabajo. Incluya las partes invisibles. Calcule la búsqueda, el ensamblaje, la verificación, la corrección, la reapertura, la escalada y la gestión. Luego, decida dónde la IA puede reducir la fricción de manera responsable. Después de la implementación, mida si el resultado general mejoró, no si el primer resultado apareció más rápido. Esto es especialmente importante a medida que las organizaciones pasan de copilotos a agentes. Un copiloto puede ayudar a una persona a producir un borrador, resumir un documento o preparar una respuesta, pero el humano aún está cerca del resultado. Un agente puede influir en el flujo de trabajo de manera más directa. Puede enrutar, actualizar, activar, priorizar o ejecutar. Eso cambia el costo de equivocarse.

Si un agente genera más correcciones, el costo puede extenderse rápidamente. Si maneja mal las excepciones, aumenta la necesidad de escalar. Si actúa sin suficiente trazabilidad, aumenta el costo de gobernanza. Si los empleados no confían en él, la adopción es limitada. Si el flujo de trabajo no estaba listo, la organización paga con las correcciones necesarias. La factura simbólica no lo reflejará. El trabajo sí.

Por eso, el análisis de viabilidad debe basarse en el flujo de trabajo, no en el modelo. Cada flujo de trabajo requiere una lógica económica diferente. Una tarea de clasificación de bajo riesgo y alto volumen puede justificar un modelo más económico con una mínima intervención humana. Una excepción financiera compleja puede justificar un modelo más robusto, controles más estrictos y una revisión humana más minuciosa. Un flujo de trabajo orientado al cliente puede requerir ventanas de calidad y medición de reaperturas. Un flujo de trabajo que exige cumplimiento normativo puede requerir trazabilidad y escalamiento controlado. Una única estrategia de modelo para cada tipo de trabajo rara vez es la solución ideal. La solución ideal consiste en adaptar el nivel de capacidad de IA, la supervisión humana, la gobernanza y la tolerancia al coste a la naturaleza del trabajo.

Las organizaciones globales necesitan aún más atención. Un mismo flujo de trabajo puede tener un impacto económico diferente según la región, debido a las diferencias en el costo de la mano de obra, la complejidad lingüística, la madurez de los procesos, la normativa, las expectativas de los clientes y la calidad de los datos. Un modelo que parece eficiente en un mercado puede generar una carga de corrección en otro. Un flujo de trabajo que está listo para la automatización en una región puede requerir más criterio humano en otra. Un plan de negocios global que ignora la realidad operativa local se verá impecable en el centro, pero será caótico en la ejecución. La solución no es tratar cada mercado como un caso especial, sino utilizar una lógica económica común combinada con evidencia local. El costo por resultado resuelto es la lógica común. La evidencia local explica lo que se necesita para resolver el resultado en su contexto.

El mismo principio se aplica a los empleados. Si se les pide que utilicen IA, pero solo se les evalúa en función de su productividad manual, optimizarán el sistema según el antiguo criterio. Si se les pide que validen los resultados, pero la validación se considera un retraso, se les presionará para que trabajen más rápido de lo que el flujo de trabajo puede soportar de forma segura. Si se les pide que capturen conocimiento, pero solo se recompensa el cierre de casos, la captura de conocimiento seguirá siendo secundaria. Si se les pide que supervisen a los agentes, pero la supervisión de agentes no se tiene en cuenta en la planificación de la carga de trabajo, el análisis de viabilidad subestimará el trabajo humano necesario para que la IA sea fiable. La factura de fichas tampoco lo reflejará. El sistema de evaluación del desempeño sí.

Por eso, el valor de la IA no puede separarse del diseño operativo. El modelo es solo una parte del costo. La cuestión fundamental es si la organización ha diseñado el trabajo, el rol, la gobernanza y la medición en función del resultado deseado. La lección del caso de las 9000 horas no es que la automatización sea siempre la solución. La lección es que el trabajo oculto debe hacerse visible antes de poder afirmar que aporta un valor significativo. Una vez visible la carga de comparación oculta, la empresa pudo rediseñar el trabajo. La IA requiere la misma disciplina. Antes de que los líderes afirmen que se han logrado ahorros, deben identificar qué trabajo se elimina, qué trabajo permanece y qué trabajo nuevo se crea.

De lo contrario, el caso de negocio se vuelve demasiado conveniente. Dice que la IA ahorra tiempo, pero no contabiliza las correcciones. Dice que la IA reduce los costos, pero no registra las escaladas. Dice que la IA mejora la productividad, pero no mide el trabajo reabierto. Dice que la IA apoya a los empleados, pero no se pregunta si la herramienta redujo la carga de trabajo o añadió una capa adicional de verificación. La factura simbólica no es el caso de negocio de la IA porque la factura es solo la parte más visible del sistema. El verdadero caso de negocio reside en el trabajo. Reside en el tiempo de recuperación de las personas, los errores evitados, la reducción del retrabajo, la reutilización de las excepciones, la mejora de las decisiones, el fortalecimiento de los controles y la redirección de la capacidad hacia el trabajo que realmente importa.

Los líderes no deben ignorar el costo del modelo. Deben comprenderlo claramente. Pero deben dejar de confundirlo con la economía de la IA. La pregunta más pertinente no es "¿Qué modelo es más barato?", sino "¿Qué flujo de trabajo produce un resultado fiable y resuelto al costo adecuado, con el nivel de control correcto y sin trasladar la carga a otro lugar?". Esa pregunta es más difícil, pero también es la única que revela la verdad.

Preguntas y respuestas

P: ¿Por qué el proyecto de ley de tokens no es el caso de negocio de la IA?

A: La factura del token solo muestra el costo visible del uso del modelo. No incluye el costo operativo total necesario para producir un resultado confiable, como la recuperación, la verificación, la corrección, la escalada, la gobernanza, el retrabajo, los casos reabiertos y el tiempo de los empleados.

P: ¿Cuál es el costo por resultado resuelto?

A: El costo por resultado resuelto es el costo total necesario para completar el trabajo correctamente y mantenerlo resuelto. Incluye la interacción con el modelo, la revisión humana, la corrección, la escalada, la gobernanza y cualquier retrabajo que se realice antes de que el resultado se cierre definitivamente.

P: ¿Puede un modelo más económico resultar más caro en la práctica?

R: Sí. Un modelo más económico puede resultar más caro si genera más correcciones, retrabajos, escalamientos o reapertura de casos. Un modelo más caro a veces puede ser más económico en general si produce resultados más fiables y reduce el trabajo oculto asociado.

P: ¿Qué costes ocultos deberían incluir los líderes en los estudios de viabilidad de la IA?

A: Los líderes deben incluir la corrección humana, el contacto repetido, los casos reabiertos, la escalada, la revisión de calidad, la gobernanza, el esfuerzo de implementación, la integración del sistema, la infraestructura de recuperación y el tiempo que los empleados dedican a verificar o reconstruir los resultados de la IA.

P: ¿Cómo debería el sector financiero evaluar el valor de la IA?

A: El departamento de finanzas debería ir más allá del costo del modelo y preguntarse si el flujo de trabajo ha mejorado. Las preguntas clave son si el tiempo de ciclo, las correcciones, las reelaboraciones, las escalaciones y las tasas de reapertura están disminuyendo, y si la capacidad se está liberando realmente o simplemente se está destinando a tareas de revisión ocultas.

P: ¿Cuál es el primer paso práctico antes de aprobar un plan de negocio de IA?

A: Empiece por determinar el coste actual del trabajo, incluyendo la preparación, la búsqueda, la verificación, la corrección y la escalada de costes. Una vez que se conozca el coste total, la IA podrá evaluarse en función del resultado que se supone que debe mejorar, y no solo en función del precio del modelo.