Medir antes de automatizar: la clave que falta en la IA

Casi el 30% de las empresas que adoptaron herramientas de inteligencia artificial agéntica en el último año vio caer su productividad, no subir, según el Technology Trends Outlook 2026 de McKinsey. El motivo no fue la tecnología: fue que casi ninguna de esas empresas sabía, con números, cuánto rendía el proceso antes de tocarlo. Sin esa línea base, es imposible saber si algo mejoró, empeoró o simplemente se movió de lugar.

Lo esencial

• Automatizar sin medir primero el proceso hace imposible comprobar si realmente mejoró: por eso cerca del 30% de las empresas que adoptaron IA agéntica reporta menos productividad, no más.
• Una línea base honesta combina cinco datos concretos —tiempo de ciclo, costo por transacción, tasa de reproceso, tiempo de espera y volumen por persona— medidos antes de cambiar nada.
• La automatización no elimina trabajo: lo desplaza a revisar, corregir y supervisar. Si ese trabajo nuevo no se cuenta, el ahorro reportado nunca aparece en el estado de resultados.

¿Por qué falla tanto proyecto de automatización? Porque la mayoría de las empresas define el éxito después de implementar, no antes. Gartner encontró que los proyectos de IA con métricas de éxito cuantificadas desde el inicio alcanzan una tasa de éxito de 54%, frente a apenas 12% en los que no las definieron. La diferencia no está en la tecnología que se compra, sino en la disciplina de medición que la precede.

¿Por qué cae la productividad después de automatizar?

El caso de la IA agéntica —sistemas que no solo responden, sino que ejecutan tareas de varios pasos por su cuenta— es el más visible ahora, pero el patrón es viejo. McKinsey documentó que, en las empresas donde la IA aumentó el volumen de código o de trabajo producido, los resultados de negocio efectivamente entregados crecieron mucho menos que ese volumen. Se produce más actividad, pero no necesariamente más valor.

La razón estructural, según el mismo informe, no es la calidad de las herramientas sino la falta de disciplina en la integración: nadie definió qué proceso se estaba mejorando, con qué unidad se mediría el avance, ni durante cuánto tiempo se observaría antes de declarar éxito. Sin esos tres elementos, cualquier cambio parece una mejora los primeros días —hay entusiasmo, hay menos quejas, el equipo se siente más rápido— y luego, cuando aparecen los errores de un sistema que nadie supervisó de cerca, ya es tarde para compararlo con algo.

Este no es un problema exclusivo de la inteligencia artificial. Es el mismo error que durante décadas hizo fracasar proyectos de reingeniería de procesos y de implementación de ERP: automatizar el caos en lugar de simplificarlo primero. La IA solo hace el error más rápido y más caro.

Qué es una línea base y por qué casi nadie la levanta

Una línea base es, en términos simples, una fotografía numérica de cómo funciona un proceso antes de cambiarlo. No es una opinión (“este trámite es lento”), es un dato (“este trámite toma en promedio 6.4 días hábiles, con una desviación de dos días, y el 18% de los casos requiere corrección”). El problema es que levantar esa fotografía toma tiempo y disciplina, y casi siempre hay presión por mostrar resultados rápido —sobre todo cuando la automatización ya se compró y hay que justificarla.

MIT Sloan Management Review lo resume con una idea incómoda: perseguir un solo indicador estrella, sin entender el sistema completo que lo produce, suele generar decisiones peores que no medir nada. La línea base no es un indicador aislado; es un conjunto pequeño y honesto de datos que describe el proceso completo, no solo la parte que se va a automatizar.

En la práctica regional, esto pesa más de lo que parece. Según la CEPAL, las microempresas y pequeñas empresas de América Latina alcanzan apenas una fracción de la productividad de las grandes compañías de su mismo sector, una brecha considerablemente mayor que en las economías desarrolladas. Cuando una PYME de este tamaño decide automatizar sin haber medido antes, el margen de error que puede absorber es mucho menor que el de una corporación con recursos de sobra para corregir a mitad de camino.

Los cinco datos que debe tener toda línea base

No hace falta un sistema sofisticado de analítica para levantar una línea base útil. Cinco datos, medidos con la misma metodología antes y después, bastan para la mayoría de los procesos de una empresa mediana o una PYME:

1. Tiempo de ciclo: cuánto tarda el proceso completo, de principio a fin, no solo la parte visible. Si se mide desde que llega la solicitud de un cliente hasta que recibe la factura, hay que fijar exactamente esos dos puntos (recepción del correo, aprobación en el sistema contable) y usar los mismos después.
2. Costo por transacción: cuánto cuesta procesar una unidad —una factura, un pedido, una solicitud de crédito— incluyendo el tiempo de las personas involucradas, no solo el costo de la herramienta.
3. Tasa de reproceso: qué porcentaje de los casos hay que corregir, repetir o escalar. Es, con frecuencia, el número que más cambia (para mal) cuando se automatiza sin cuidado.
4. Tiempo de espera: cuánto tiempo pasa el trabajo detenido entre una etapa y otra, sin que nadie lo esté tocando. Suele ser mayor que el tiempo de trabajo real y es donde más rápido se gana con procesos bien diseñados, con o sin IA.
5. Volumen por persona: cuántas unidades procesa cada colaborador en un período dado, para poder comparar capacidad antes y después sin depender de percepciones subjetivas.

Una empresa de manufactura en Guadalajara, una firma de servicios financieros en Bogotá y un despacho contable en Madrid enfrentan procesos distintos, pero los cinco datos se aplican igual: lo que cambia es la unidad de trabajo, no la lógica de la medición.

El trabajo que la automatización esconde

Aquí está el punto que casi nadie mide y que explica buena parte del “workslop” que hoy circula en las empresas que adoptaron IA sin método: trabajo que parece producido, pero que en realidad hay que revisar, corregir o rehacer. La automatización rara vez elimina trabajo por completo. Con frecuencia lo desplaza: de la persona que hacía la tarea a la persona que ahora tiene que revisar lo que la herramienta produjo, corregir sus errores o supervisar que no se salga de los límites esperados.

Ese trabajo nuevo —revisión, corrección, supervisión— casi nunca aparece en el caso de negocio original. Se presenta la automatización como “ahorro de 200 horas al mes”, pero nadie resta las horas que ahora se dedican a auditar los resultados de la herramienta. El resultado es un ahorro que existe en la presentación de PowerPoint y nunca aparece en el estado de resultados, porque el tiempo simplemente se movió a otra celda de la hoja de cálculo, no desapareció.

Contar ese trabajo desplazado —y no solo el trabajo eliminado— es la diferencia entre un proyecto de automatización que efectivamente libera capacidad y uno que solo cambia quién hace qué, sin ganancia neta. Las empresas que ya enfrentan estos “cuellos de botella” después de automatizar suelen descubrir, tarde, que el proceso nunca se simplificó: solo se le agregó una capa de tecnología encima del mismo desorden.

¿Cómo se mide un proceso antes de automatizarlo? Seis pasos

La secuencia siguiente funciona igual para una PYME con una hoja de cálculo que para una corporación con un centro de excelencia en automatización. La diferencia está en el nivel de formalidad, no en los pasos:

1. Mapear. Dibujar el proceso tal como ocurre hoy, no como debería ocurrir. Incluir los pasos informales, las excepciones y los “arreglos” manuales que nadie documenta pero que todo el equipo conoce.
2. Medir. Levantar los cinco datos descritos arriba durante un período representativo —lo suficientemente largo para capturar variaciones normales, no solo una semana buena o mala—.
3. Simplificar. Eliminar pasos redundantes, aprobaciones innecesarias y reprocesos antes de automatizar nada. Automatizar un proceso desordenado solo produce desorden más rápido.
4. Automatizar, recién entonces. Con el proceso ya simplificado y la línea base documentada, decidir qué parte conviene automatizar y con qué herramienta —lo que puede incluir IA agéntica, pero también reglas más simples que resuelven el 80% del problema sin esa complejidad—.
5. Volver a medir. Usar exactamente la misma metodología del paso 2, con los mismos puntos de inicio y fin, para que la comparación sea válida.
6. Decidir si se sostiene. Un resultado positivo en las primeras semanas no basta: hay que observar varios ciclos completos del proceso antes de declarar éxito, porque el entusiasmo inicial y la curva de aprendizaje del equipo distorsionan los primeros datos.

Este mismo orden es el que ya usan bien las empresas que están pasando “del experimento al sistema” con IA en sus operaciones: primero entender el proceso, después decidir qué automatizar.

¿Cuánto tiempo hay que medir antes de declarar éxito?

No existe un número universal, pero una referencia práctica es observar al menos tres ciclos completos del proceso después del cambio —no tres semanas cualquiera, sino tres repeticiones completas del flujo de principio a fin—, o un mínimo de 30 a 60 días para procesos que corren varias veces al día. El objetivo es dejar que pase la “luna de miel” inicial, cuando todos prestan más atención de lo normal simplemente porque hay algo nuevo, y llegar al punto en que el proceso automatizado opera en condiciones reales, con la carga de trabajo habitual y sin supervisión especial.

Medir antes de ese punto produce resultados optimistas que rara vez se sostienen. Es la misma razón por la que un plan de acción bien ejecutado necesita revisión periódica, no una sola foto al final.

Una disciplina, no una excepción para la IA

La tentación, frente a cada nueva ola tecnológica, es tratarla como si las reglas de gestión de siempre no aplicaran. La IA agéntica no es distinta en este sentido: sigue siendo una herramienta que opera sobre un proceso, y ese proceso sigue teniendo un tiempo de ciclo, un costo y una tasa de error que se pueden medir con métodos que existen desde mucho antes de que la inteligencia artificial estuviera de moda. La categoría de procesos de negocio de esta misma publicación reúne buena parte de esas herramientas clásicas, y siguen siendo tan válidas hoy como hace veinte años.

La pregunta que toda gerencia debería poder responder antes de aprobar un proyecto de automatización no es “¿qué tan potente es esta herramienta?”, sino “¿cómo sabremos, con datos, si esto funcionó?”. Si la respuesta no está clara antes de empezar, tampoco lo estará después —y para entonces ya se habrá gastado el presupuesto, el tiempo del equipo y, con frecuencia, su confianza en el próximo proyecto de mejora que se proponga.

Fuentes: McKinsey — Technology Trends Outlook 2026, Gartner — Why Half of GenAI Projects Fail, MIT Sloan Management Review — The Quest for a Killer KPI, CEPAL — Transformación digital productiva en América Latina.