Más allá del AI-First: convertir la inteligencia artificial en resultados de negocio

1. Preguntas que cada líder debería hacerse

Imagine una empresa que ha invertido seriamente en inteligencia artificial durante los últimos dos años. Y no me refiero solo a comprar tecnología. Ha desplegado o piloteado asistentes de IA generativa, construido modelos predictivos, probado agentes, automatizado tareas en varias áreas y creado dashboards para seguirlo todo. Los empleados usan las herramientas, algunas aprobadas por la empresa y otras por su cuenta. El equipo de tecnología u operaciones entrega los proyectos a tiempo. El comité ejecutivo recibe reportes periódicos de adopción y avance. Todo parece estar bien.

Hasta que alguien, un director escéptico de la IA o el propio directorio, empieza a hacer preguntas de otro tipo. ¿Cuánto aumentaron los ingresos por empleado? ¿En qué porcentaje mejoró el margen bruto? ¿Bajaron los costos operacionales o subió el EBITDA? Y, sobre todo, ¿puede la gerencia general, operaciones o finanzas decir qué iniciativas de IA contribuyeron a alguno de esos resultados?

En mi experiencia con directorios y equipos ejecutivos, la respuesta sincera suele ser “la verdad, no estoy seguro; tendríamos que medirlo”. A partir de ahí, unos apuestan por mejorar las iniciativas y otros por cortarlas. En ambos casos, quienes las desarrollaron o lideraron no son necesariamente los que se equivocaron: el error suele estar más atrás, en no haber definido desde el principio qué resultado debían mover y cómo se iba a medir.

Y no es solo mi impresión. En su encuesta global de agosto de 2026, McKinsey encontró que casi 9 de cada 10 empresas ya usan IA de forma regular en al menos una función, pero solo un 37 % atribuye a la IA algún impacto en el EBIT (la utilidad operacional), y apenas un 6 % cumple los criterios que McKinsey usa para clasificar a una empresa como de alto desempeño.² BCG estimaba en 2025 que solo un 5 % de las empresas capturaba valor sustancial.⁴ Según su nuevo índice de 2026, un 7,5 % captura valor a escala y cerca de la mitad obtiene algún valor; la otra mitad todavía no obtiene nada significativo.⁵ La brecha entre adoptar y rentabilizar sigue siendo la regla.

De esos mismos datos, BCG saca una conclusión más ambiciosa que la que propongo en este artículo: las empresas que llama future-built (construidas para el futuro) crecen 2,4 veces más en ingresos y 2,8 veces más en EBITDA que las rezagadas, y por eso recomienda adoptar un modelo operativo AI-first.⁵ El dato es real, pero no obliga a seguir esa receta, por tres razones. Primero, porque esas empresas no llegaron ahí por azar: ya tenían mejores datos, más disciplina de gestión y más capital antes de la IA. Parte de su ventaja viene de lo que ya eran, no de la IA, y una encuesta no puede separar las dos cosas. Segundo, porque lo que BCG mide en ellas —rediseño de flujos, disciplina de resultados, inversión sostenida— es exactamente lo que este artículo llama capturar valor. Y eso se puede hacer sin adoptar la etiqueta ni rediseñar toda la empresa de una vez. Tercero, porque el 5 % de 2025 y el 7,5 % de 2026 vienen de índices con definiciones distintas: muestran una tendencia, pero no son cifras comparables entre sí.

Ahí está el problema central de la IA empresarial hoy: las organizaciones despliegan tecnología cada vez más sofisticada sin desarrollar, con la misma seriedad, la capacidad de convertirla en resultados de negocio medibles. En la mayoría de los casos de analítica y automatización, la tecnología no es la que falla. La excepción es la IA generativa, que todavía inventa respuestas con tono seguro y arrastra sesgos, y por eso exige supervisión humana y monitoreo en las decisiones que importan. Pero incluso ahí, lo que suele fallar es lo que rodea a la tecnología: procesos, reglas sobre quién decide qué y modelos operativos que nunca se rediseñaron para aprovechar lo que la IA puede hacer.

Por eso la conversación tiene que ir más allá de la adopción. El objetivo no es maximizar el número de aplicaciones de IA desplegadas. Es decidir dónde y cómo la IA puede mejorar el desempeño económico de la organización.

Esa distinción importa en el debate sobre las empresas “AI-first”, las que ponen la IA en el centro de su modelo operativo. No toda empresa necesita convertirse en una de ellas. Una minera puede reducir la variabilidad de sus procesos de planta, dejar de repetir errores operacionales y optimizar mantenimiento y energía sin reconstruir su modelo operativo. Una manufacturera puede hacer lo mismo con su producción y sus inventarios. Una firma de servicios profesionales o una empresa de software, en cambio, puede descubrir que integrar agentes de IA en la forma misma de organizar el trabajo abre la puerta a una transformación mucho más profunda. Ambos caminos pueden justificarse económicamente.

Ser AI-first es una opción estratégica. Capturar valor de la IA es un imperativo de negocio.

La tarea del liderazgo es decidir qué nivel de integración crea más valor para su organización, y hacer que ese valor sea medible.

2. Dónde está el valor: indicadores y mecanismos por industria

La productividad es el beneficio que más se atribuye a la IA, y el que peor se mide. Contar horas ahorradas dice muy poco. Para un líder, la productividad de la IA solo significa algo cuando aparece en el desempeño operacional y financiero del negocio. Con cuatro indicadores se cubre la mayoría de los casos, y en cada uno conviene ir más allá de la definición y mirar los mecanismos concretos que lo hacen subir o bajar.

Ingresos por empleado. Sube cuando la IA entra en el trabajo que genera ingresos. En una empresa de software o de servicios tecnológicos, una prueba de concepto para un cliente, que antes tomaba semanas, hoy se arma en días. Los ciclos de desarrollo (los sprints) rinden más porque parte del código, de las pruebas y de la documentación se genera con ayuda de la IA. Un ingeniero nuevo acorta su curva de aprendizaje porque un agente le entrega el contexto del sistema en minutos. En el área comercial, los vendedores administran carteras más grandes y preparan más propuestas. La señal de alerta más común no es que el indicador caiga, sino que se quede plano mientras el negocio crece: cada peso adicional de ingreso exige contratar en la misma proporción. Cuando eso pasa después de dos años de inversión en IA, la IA no está entrando en el trabajo que genera el ingreso.

Margen bruto. Se mueve cuando la IA reduce el costo de producir o entregar cada unidad. En minería, eso significa acotar la variabilidad de la planta concentradora, sostener la recuperación metalúrgica cerca de su óptimo y no repetir los mismos errores turno tras turno. En manufactura, significa menos merma y retrabajo, y una planificación que reduce los cambios de línea. En retail, pronósticos de demanda que eviten quiebres de stock y liquidaciones. En software, un costo de entrega por proyecto más bajo, porque el mismo equipo saca adelante más trabajo. En negocios intensivos en capital, mejoras pequeñas de eficiencia tienen un efecto financiero desproporcionado, porque el costo de ventas es la partida más grande del estado de resultados.

EBITDA. La IA llega al EBITDA por varias vías a la vez: ingresos que crecen más rápido que los gastos operacionales, menores costos directos de producción o de servicio, mejor utilización de los activos, menos gasto administrativo y mejores decisiones sobre rentabilidad. Lo que exige disciplina es evaluar el impacto neto, descontando el costo adicional de la propia IA y sin contar dos veces lo que ya está en la utilidad bruta.

Productividad operacional. Los indicadores dependen de la industria y conviene nombrarlos con precisión. En una mina: toneladas procesadas por hora efectiva, disponibilidad de equipos críticos, desviación respecto del plan. En una planta: unidades por hora-hombre, OEE, tasa de merma. En un banco o una aseguradora: transacciones o reclamos procesados por empleado y costo por transacción. En salud: el tiempo que el clínico dedica a documentar en vez de atender al paciente, la rapidez con que la información relevante llega al momento de decidir un tratamiento y la claridad con que se explica un diagnóstico al paciente y a su familia. En todos esos casos la IA apoya al equipo clínico; no lo reemplaza. En software: tiempo de idea a prototipo, defectos por entrega, tiempo de ciclo de un cambio a producción.

El hilo común es que la productividad de la IA debe medirse a través de resultados de negocio, no de uso de la tecnología. La Figura 1 traza ese recorrido, desde los procesos y decisiones que la IA mejora hasta el indicador financiero que finalmente se mueve.

Figura 1. El recorrido del valor va de los procesos y decisiones que la IA mejora al indicador financiero que se mueve; medir la IA en el extremo izquierdo de la cadena no dice nada sobre el derecho.

¿Dónde buscar, entonces? Las oportunidades más valiosas rara vez son las más sofisticadas tecnológicamente. Suelen estar en tres lugares.

Procesos recurrentes. Conciliaciones financieras, planificación de la producción, gestión de pedidos, reposición de inventario, procesamiento de reclamos, y también los reportes y presentaciones que consumen horas cada semana. Estos procesos son atractivos porque las mejoras se acumulan: una reducción pequeña del costo unitario, multiplicada por un gran volumen, es un beneficio anual significativo. Eso sí, hay que distinguir entre acelerar una actividad y mejorar el proceso completo: automatizar un paso sirve de poco si el ritmo lo siguen marcando otros cuellos de botella.

Decisiones recurrentes. Son las que la empresa toma una y otra vez: cuánto inventario reponer, qué órdenes priorizar, qué clientes requieren intervención comercial, qué equipos mantener, qué productos están perdiendo margen. La IA puede hacer que esas decisiones se tomen a tiempo, con más consistencia, con mejor calidad y a mayor escala. Lo valioso no son las predicciones más precisas, sino las mejores decisiones que se convierten en acciones efectivas.

Gestión continua del desempeño. La mayoría de las empresas tiene dashboards sofisticados de ventas, rentabilidad, producción e inventario. Dan visibilidad, pero la visibilidad no produce mejoras por sí sola. Un dashboard muestra que el margen se deteriora; no dice por qué, ni elige la acción correctiva, ni la ejecuta, ni verifica que funcionó. Pasar del monitoreo a la gestión del desempeño apoyada en IA significa combinar las capacidades adecuadas —desde la inteligencia de negocios y la analítica predictiva hasta la optimización y los agentes— y usar cada una solo donde ya es confiable.

La Figura 2 ordena ejemplos de estas tres categorías según su recurrencia y su impacto económico. En el cuadrante superior derecho, una mejora pequeña en cada decisión se transforma en un beneficio anual significativo.

Figura 2. La recurrencia multiplica el impacto: el cuadrante superior derecho es donde una mejora modesta por decisión se convierte en un beneficio anual material.

3. Un caso: llevar el margen bruto de 30 % a 31 %

Considere una empresa de bebidas: gaseosas, jugos y aguas, con dos plantas, una red propia de distribución y unos 1.800 empleados. Vende a las cadenas de supermercados, a decenas de miles de almacenes y botillerías a través de sus propios camiones, y a restaurantes y hoteles. Factura USD 200 millones al año con un margen bruto de 30 % (utilidad bruta de USD 60 millones), gastos operacionales de USD 36 millones y un EBITDA de USD 24 millones, es decir, un margen EBITDA de 12 %. Las cifras son hipotéticas, pero el perfil es el de muchas embotelladoras medianas de la región.

Su margen vive apretado entre tres frentes. Por el lado de los costos, el azúcar, las resinas de los envases y la energía suben y bajan con los mercados. Por el lado de los ingresos, las cadenas exigen promociones y descuentos por volumen que, si nadie los sigue, se comen el margen de una categoría completa. Y en el medio está la distribución: cada camión que sale con media carga o visita un almacén que compra dos cajas le resta margen a toda la ruta.

La empresa tiene un ERP, un CRM, sistemas de producción y de ruteo y una plataforma de inteligencia de negocios. La gerencia revisa cada mes dashboards de ventas por canal, costos de planta, costo de distribución, precios y rentabilidad. A pesar de eso, el margen bruto viene cayendo en algunas categorías y la organización tiene dificultades para reaccionar. Los dashboards revelan el problema; la respuesta se traba. Finanzas identifica la desviación; la gerencia comercial revisa precios y promociones con las cadenas; producción examina los costos de planta; distribución mira sus rutas; abastecimiento, sus contratos de azúcar y resina. Cada uno por separado y con KPI independientes. Se necesitan varias reuniones para acordar una acción y, para cuando la empresa actúa, se ha erosionado más margen.

La gerencia fija un objetivo (por ejemplo, un OKR): mejorar el margen bruto en un punto porcentual sin reducir la calidad ni comprometer la relación con los clientes. La meta de un punto no es arbitraria. Un diagnóstico previo mostró que la empresa está tres puntos de margen por debajo del cuartil superior de su sector, y que el primero de esos puntos se puede recuperar actuando sobre precios y promociones, planificación de la producción, ruteo y abastecimiento.

Observe lo que la gerencia no hace. No parte preguntando qué modelo de IA implementar. Pregunta: ¿qué decisiones recurrentes determinan nuestro margen bruto y cómo puede la IA ayudarnos a tomarlas mejor? Ese replanteamiento hace visibles seis oportunidades: detectar antes que la categoría jugos perdió dos puntos de margen por una promoción de cadena que nadie compensó; identificar qué formato, qué cliente y qué ruta explican la caída; estimar qué pasa si se sube el precio de lista del formato familiar o se reduce la frecuencia de visita a los almacenes de menor compra; coordinar a comercial, producción, distribución y abastecimiento en una sola decisión; ejecutar más rápido lo aprobado; y medir si las acciones mejoraron la rentabilidad. La Figura 3 contrasta el estado actual con el estado objetivo.

Figura 3. El estado objetivo no saca a las personas del ciclo; elimina la espera entre detección, decisión y acción.

El caso de negocio. Suponga una inversión inicial de USD 1,2 millones en integración de datos, modelos y cambio organizacional, más USD 400.000 anuales de costo de operación, que se cargan a gasto y por lo tanto descuentan del EBITDA. Con ingresos constantes, un punto de margen bruto equivale a USD 2 millones de utilidad bruta adicional. Descontado el costo operacional de la IA, quedan USD 1,6 millones de EBITDA adicional al año, cerca de un 6,7 % más que los USD 24 millones de partida. Si el punto de margen se lograra de inmediato, la inversión se recuperaría en unos nueve meses; con un período realista de seis meses hasta alcanzar el punto completo, la recuperación toma entre 12 y 15 meses. Y conviene mirar primero qué pasa si el resultado es menor que el esperado: con medio punto de margen, el EBITDA adicional baja a USD 0,6 millones y la recuperación se alarga a dos años; con solo dos décimas de punto, el costo operacional de la IA absorbe todo el beneficio. Ese ejercicio muestra dónde está el riesgo del caso: no en la tecnología, sino en cuánto margen se logra mover realmente. La Tabla 1 resume el antes y el después.

Indicador financiero	Antes	Después	Variación
Ingresos	USD 200,0 M	USD 200,0 M	—
Utilidad bruta	USD 60,0 M	USD 62,0 M	+USD 2,0 M
Margen bruto	30,0 %	31,0 %	+1,0 pp
Gastos operacionales (sin IA)	USD 36,0 M	USD 36,0 M	—
Costos operacionales incrementales de IA	—	USD 0,4 M	+USD 0,4 M
EBITDA	USD 24,0 M	USD 25,6 M	+USD 1,6 M (+6,7 %)
Margen EBITDA	12,0 %	12,8 %	+0,8 pp

Tabla 1. Impacto financiero ilustrativo de una mejora de un punto de margen bruto, neto de los costos operacionales de IA. Fuera del estado de resultados: inversión inicial de USD 1,2 M (recuperación ≈ 9 meses a régimen pleno, 12–15 con una transición de seis meses hasta alcanzar el punto completo). Sensibilidad: con +0,5 pp, EBITDA +USD 0,6 M y recuperación ≈ 24 meses; con +0,2 pp, el costo operacional de la IA absorbe el beneficio.

Estas cifras ilustran un resultado posible; no son un pronóstico. Los resultados reales dependen de qué decisiones se implementen, de cuánto de la mejora se deba realmente a ellas y del costo total de la solución. Algunas acciones de precio pueden reducir la demanda. Algunas mejoras de producción pueden requerir inversión de capital. Algunas mejoras de margen pueden venir del mercado y no de la IA. Una medición creíble compara el desempeño observado con una línea base o con un escenario contrafactual, es decir, con lo que habría pasado sin la intervención.

El punto central se mantiene: lo que se evalúa no es el sistema de IA, sino la mejora en el desempeño económico que ese sistema hace posible.

4. Qué dicen los marcos y en qué convergen

Tres informes recientes miran el mismo problema desde ángulos distintos. El Work Trend Index 2026 de Microsoft describe las Frontier Firms (empresas de frontera) como organizaciones donde personas y agentes de IA trabajan en equipo, y plantea que lo que separa a las que avanzan de las que se estancan no es adoptar la IA (tenerla disponible), sino absorberla (que forme parte de la forma misma de trabajar).¹ McKinsey encontró en 2025 que rediseñar los flujos de trabajo es el factor que más aumenta la probabilidad de reportar impacto en el EBIT.³ En 2026 agregó que casi tres cuartos de las empresas de alto desempeño ya lo hicieron.² BCG propone diseñar la empresa para la IA y no la IA para la empresa, y, como vimos, va más lejos: recomienda ser AI-first.⁶ Lo que sigue —la aplicación de cada marco al caso del margen— es interpretación mía, no de esas firmas.

Lente 1: equipos humano-agente (según Microsoft). En nuestra empresa de bebidas, la gestión del margen está repartida entre cuatro áreas: comercial, producción, distribución y abastecimiento. Un modelo humano-agente introduciría capacidades especializadas en ese proceso: un agente de monitoreo que detecta desviaciones relevantes de margen por categoría, cliente, ruta y planta con datos validados; un agente de diagnóstico que investiga causas como cambios en la mezcla de formatos vendidos, descuentos a cadenas, costo de azúcar y resina, y rutas con baja carga; un agente de apoyo a la decisión que prepara alternativas con su efecto financiero; y un agente de ejecución que coordina lo aprobado con los sistemas y las personas responsables. Ninguno necesita ser un decisor autónomo. Su autoridad debe graduarse según el riesgo de cada acción: un cambio de precio o de descuento a una cadena de supermercados requiere aprobación comercial; una alerta por camiones que salen con carga bajo el estándar se emite sola. Los empleados dedican menos tiempo a recopilar información y más a evaluar decisiones y gestionar excepciones.

Lente 2: rediseño del flujo de trabajo (según McKinsey). Antes de pensar en agentes, la empresa mapea el flujo completo: cómo se detectan las desviaciones, cómo circula la información, quién decide, quién aprueba, cómo se ejecuta y cómo se mide. En la mayoría de las empresas que he visto, ese ejercicio muestra que el problema no es la velocidad del reporte financiero, sino el tiempo entre detectar una desviación, acordar una acción e implementarla. El flujo se rediseña en seis etapas —detectar, diagnosticar, evaluar, decidir, ejecutar y medir—, y cada una queda con un responsable, un tiempo de respuesta y un indicador. Estas seis etapas son los mismos eslabones de la cadena de conversión que presento en la sección 6, solo que mirados desde el proceso y no desde el valor. La IA entra donde mejora cada etapa: modelos predictivos para anticipar, optimización para evaluar alternativas, IA generativa para explicar hallazgos, automatización para coordinar. El éxito se mide por el tiempo que tarda cada decisión y por el margen recuperado, no por la cantidad de modelos desplegados.

Lente 3: diseño organizacional (según BCG). El margen depende de decisiones que se toman en cuatro áreas, pero cada área optimiza solo su parte. Introducir IA en cada una por separado mejora la productividad local sin resolver la coordinación. La alternativa es una capacidad transversal para gestionar el margen: no un departamento nuevo, sino un proceso compartido, con un ejecutivo que responde por el resultado, reglas claras sobre quién decide qué, datos y analítica comunes e indicadores compartidos. La organización se diseña en torno al resultado, no en torno a aplicaciones aisladas.

La absorción en terreno. Suponga que la empresa ya tiene un asistente que analiza reportes de margen y los empleados le preguntan qué categorías perdieron más margen el mes pasado. Eso es adopción. La organización sigue dependiendo de que alguien se acuerde de preguntar, interprete, convoque y ejecute a mano. Absorción, en el sentido de Microsoft, es que cada mañana las desviaciones se detecten solas y las causas se investiguen sin que nadie lo pida; que los responsables reciban recomendaciones priorizadas, que las acciones queden asignadas y que los resultados se comparen con lo esperado. Dean Hardy, consultor que escribe desde la experiencia práctica en su newsletter Past the Pilot, describe ese mismo paso: la IA deja de ser una herramienta que alguien puede usar y pasa a ser parte de cómo opera la empresa.⁷

Las tres miradas convergen en lo mismo: mapear el flujo, asignar responsables y derechos de decisión, incrustar la IA en la rutina y medir el resultado. Lo que ninguna responde del todo son dos preguntas que ocupan la mayor parte de mi tiempo con equipos de liderazgo. ¿Por qué una organización no implementa estos cambios aun teniendo la tecnología? Y ¿cómo sabe la gerencia si la transformación genera valor realmente? La primera lleva a lo que llamo Deuda de Liderazgo en IA, o AI Leadership Debt (sección 5); la segunda, al embudo de conversión (sección 6).

5. Por qué no se captura el valor: Deuda de Liderazgo en IA

En las empresas que no logran capturar valor se repite un patrón: la tecnología llega antes que la organización. Una empresa puede tener acceso a los mejores modelos del mercado, ingenieros experimentados, plataformas en la nube y analítica sofisticada, mientras su equipo directivo carece del conocimiento o de las capacidades para tomar buenas decisiones sobre IA. A esto lo llamo Deuda de Liderazgo en IA (AI Leadership Debt): se acumula cuando el potencial de la tecnología avanza más rápido que la capacidad del liderazgo para entender, gobernar y convertir ese potencial en valor.⁸

Se reconoce por señales concretas. Una organización la tiene cuando se cumplen varias de estas cinco:

1. Hay iniciativas de IA aprobadas sin un indicador financiero asignado.
2. Nadie responde por el resultado de punta a punta ni está definido quién puede actuar sobre una recomendación de la IA. El efecto es que las áreas construyen soluciones que compiten entre sí y los gerentes se resisten, porque la responsabilidad no está clara.
3. Los líderes no distinguen lo que la IA realmente sabe hacer de lo que aparenta saber, y oscilan entre creerle todo a un asistente generativo y delegar el tema a TI.
4. Finanzas no puede distinguir el beneficio que efectivamente se obtuvo de la productividad que solo se estimó.
5. Los empleados usan herramientas de IA que nadie aprobó ni supervisa.

Cuantas más señales, mayor la deuda. Y como toda deuda, cobra intereses: cada iniciativa que se lanza sin responsable ni métrica agrega integraciones, datos y expectativas que después cuesta más desmontar. Ordenar la casa sale cada vez más caro. La deuda de liderazgo no es la única causa de que el valor no se capture: también pesan los datos sucios, el costo de integración, los incentivos de los mandos medios y la resistencia del personal operativo. Pero el liderazgo es la causa raíz de las demás, porque es el único que puede asignar responsables, definir derechos de decisión y exigir medición. El Work Trend Index 2026 de Microsoft apunta en la misma dirección: del impacto que los usuarios atribuyen a la IA, los factores organizacionales explican el doble que la actitud individual (67 % frente a 32 %), y solo un 26 % de los usuarios dice que sus líderes tienen una posición clara y consistente sobre la IA.¹

La tercera señal merece una pausa. Cuando los líderes han delegado por completo el uso de la IA, tienden a uno de dos extremos. Algunos la sobreestiman: toman lo que entrega un asistente generativo como verdad absoluta, sin preguntar de dónde salió el dato, o concluyen que ya no habrá que contratar más programadores. Otros la subestiman y la tratan como un tema de tecnología que no les corresponde. Ambos extremos producen malas decisiones de inversión, y ambos son difíciles de corregir desde abajo.

Reducir la deuda va más allá de enseñar a los ejecutivos a escribir mejores instrucciones (prompts) para un asistente. Requiere que el equipo directivo entienda qué decisiones de negocio puede mejorar la IA, dónde sigue siendo necesario el juicio humano, cómo deben cambiar los flujos y las responsabilidades, y cómo evaluar el retorno frente a las alternativas de inversión. En el caso de nuestra empresa de bebidas, eso significa ejecutivos capaces de decidir con fundamento quién es responsable del proceso, cuánta autonomía tienen los agentes, quién tiene autoridad sobre los precios y quién responde por el resultado financiero. Cerrar esa brecha es una responsabilidad del liderazgo, no un proyecto tecnológico.

6. Cómo saber si se captura: el embudo de conversión

Ni siquiera un flujo bien diseñado crea valor por sí mismo. La organización tiene que asegurar que lo que la IA produce —la inteligencia— influya en las decisiones, que las decisiones se conviertan en acciones y que las acciones produzcan resultados medibles. Esa cadena de conversión es el núcleo de lo que llamo AI Value Realization Theory (AVRT), una teoría sobre cómo se realiza el valor de la IA que presento aquí como marco en desarrollo.⁸ Es también el hilo conductor de este artículo: las seis etapas de la sección 4 y los siete pasos de la siguiente son dos formas de recorrer la misma cadena.

IA → Inteligencia → Decisiones → Acciones → KPI operacionales → Valor financiero

El valor puede fugarse en cada eslabón. Un modelo puede identificar una oportunidad y no pasar de ahí. Un gerente puede aprobar una recomendación que nunca se ejecuta. E incluso una acción ejecutada puede no mejorar la rentabilidad. El valor se realiza solo cuando hay una mejora medible y atribuible a la intervención.

Para ubicar la fuga, el marco propone tres tasas de conversión. Se calculan por cohorte, es decir, por el grupo de alertas que nació en un mismo mes, y no por mes calendario: todas las alertas de un mes se siguen hasta que se mide su efecto, aunque eso tome tres meses.

• Tasa de conversión a decisión (DCR, por su sigla en inglés): alertas que recibieron una decisión registrada (actuar, no actuar con fundamento, o escalar), divididas por las alertas que superaron el umbral de relevancia que fijó finanzas. La fuga son las alertas que nadie miró, no las que se descartaron con criterio.
• Tasa de conversión a acción (ACR): acciones efectivamente ejecutadas en los sistemas, divididas por las decisiones de actuar.
• Tasa de conversión a valor (VCR): acciones con efecto positivo respecto de la línea base, divididas por las acciones ejecutadas. Las acciones sin efecto y las que no se midieron se reportan aparte, porque son fugas distintas y se corrigen de manera distinta.

Un mes ilustrativo en nuestra empresa de bebidas: 40 alertas materiales de margen por categoría, cliente, ruta o planta; 25 con decisión registrada (DCR 63 %; 15 nunca se revisaron); 18 acciones ejecutadas (ACR 72 %); y 12 con efecto positivo (VCR 67 %; 4 sin efecto, 2 sin medir). Las doce efectivas son, por ejemplo, un ajuste del precio de lista de un formato, la renegociación de un descuento con una cadena, un cambio de frecuencia de una ruta, la corrección de un parámetro de la línea de envasado o un cambio de proveedor de resina. El embudo dice dónde se pierde el valor: aquí, en las 15 alertas que nadie miró. Y las cifras cuadran con el caso de la sección 3: doce acciones efectivas al mes, con un efecto promedio cercano a USD 14.000 cada una, suman del orden de los USD 2 millones anuales. Estas tasas siguen en validación y hoy sirven para diagnosticar, no para comparar entre empresas. Mientras tanto, conviene complementarlas con medidas operacionales que cualquier gerencia puede seguir desde el primer mes: tiempo entre detectar y decidir, tiempo entre aprobar y ejecutar, porcentaje de recomendaciones implementadas, utilidad bruta atribuible a las acciones y costo incremental de la solución.

Más que crear dashboards, el objetivo es establecer trazabilidad entre las capacidades de IA, las decisiones, las acciones ejecutadas y los resultados económicos. La Figura 4 reúne la cadena, el embudo y las señales de deuda que la interrumpen.

Figura 4. El valor se fuga en cada eslabón de la cadena; el embudo ubica la fuga (aquí, 15 de 40 alertas nunca se convierten en decisión) y las señales de Deuda de Liderazgo en IA la explican.

7. Cómo empezar y cómo sostenerlo

No hace falta rediseñar todo el negocio para empezar. El camino más efectivo es partir con un proceso recurrente ligado a un indicador que pese en el resultado, y recorrer la cadena de conversión una primera vez en siete pasos (Figura 5):

1. Elegir un objetivo financiero u operacional que importe y fijar su línea base; no partir por una tecnología.
2. Identificar las decisiones recurrentes que lo determinan y priorizarlas por peso en el resultado, frecuencia y factibilidad.
3. Diagnosticar el flujo actual: cómo la información se convierte hoy en decisiones y dónde se pierde valor.
4. Diseñar el proceso objetivo con analítica, modelos, automatización o agentes, y con responsabilidades, aprobaciones y reglas de escalamiento explícitas.
5. Implementar un piloto acotado con criterios de éxito operacionales y financieros definidos antes de desplegar; un buen piloto demuestra que las decisiones apoyadas por IA cambian resultados, no solo que el modelo funciona.
6. Medir el valor económico distinguiendo entre el beneficio que se estimó al inicio, lo que efectivamente se implementó y el beneficio que se obtuvo, descontados los costos.
7. Escalar lo que funciona y reinvertir.

Figura 5. Siete pasos para el primer ciclo; el séptimo es el que convierte un proyecto en una capacidad.

Nuestra empresa de bebidas parte por el margen, pero la misma integración de datos, la misma gobernanza y las mismas prácticas operativas sirven después para el ruteo, el mantenimiento de las líneas de envasado o la planificación de la demanda. Una fracción del valor capturado se reinvierte en esas capacidades, y cada ciclo nuevo arranca desde un punto más alto que el anterior. A esto lo llamo Efecto Compuesto de Capacidades (Capability Compounding): la capacidad organizacional de convertir IA en resultados crece con cada ciclo de la cadena, igual que el interés compuesto crece sobre el capital acumulado.⁸ La idea no es nueva, y conviene decirlo: la literatura de estrategia la llama capacidades dinámicas (la habilidad de una empresa para reconfigurarse) y capacidad de absorción (la habilidad para incorporar conocimiento externo), y aquí se aplica al ciclo concreto de la IA. El efecto no es automático: la reinversión compite con otras prioridades y cada inversión adicional debe justificarse por lo que se espera de ella. Pero es lo que separa a las empresas que ejecutan proyectos de IA aislados de las que desarrollan una capacidad sostenida. La ventaja competitiva no vendrá de poseer un modelo o un agente en particular, sino de esa capacidad.

Conclusión

El debate sobre las empresas AI-first es valioso porque obliga a repensar cómo se opera. Microsoft, McKinsey y BCG aportan lentes útiles, y ninguno exige que todas las organizaciones sigan el mismo camino. Algunas se beneficiarán de aplicaciones focalizadas; otras rediseñarán flujos específicos; otras integrarán la IA progresivamente en su modelo operativo; algunas elegirán ser AI-first de verdad. La estrategia correcta depende del negocio, sus oportunidades, sus restricciones y sus objetivos económicos.

Lo que no debería variar es la disciplina de conectar cada inversión en IA con un resultado medible: más productividad, más ingresos por empleado, márgenes más sólidos, un EBITDA más alto y decisiones de mejor calidad. Eso requiere más que tecnología. Requiere un liderazgo capaz de entender la IA, rediseñar la operación, gobernar las decisiones y medir los resultados.

La pregunta más importante no es si su organización se está volviendo AI-first, sino si, ciclo tras ciclo, convierte cada vez mejor la IA en desempeño de negocio.

Referencias y lecturas recomendadas

1. Microsoft (2026). 2026 Work Trend Index Annual Report: Agents, Human Agency, and the Opportunity for Every Organization. Microsoft WorkLab, mayo de 2026. microsoft.com/worklab
2. McKinsey & Company (2026). The State of AI in 2026: On the Road to ROI. Encuesta global, agosto de 2026. mckinsey.com
3. McKinsey & Company (2025). The State of AI: How Organizations Are Rewiring to Capture Value. Marzo de 2025. mckinsey.com
4. Boston Consulting Group (2025). The Widening AI Value Gap. Octubre de 2025. bcg.com
5. Boston Consulting Group (2026). Applied AI Index 2026: AI Is Starting to Pay Off. 30 de septiembre de 2026. bcg.com
6. Boston Consulting Group (2026). Design Your Company for AI, Not AI for Your Company. bcg.com
7. Hardy, D. (2026). The AI Frontier Firm Field Guide: Start Here. Newsletter Past the Pilot, LinkedIn. linkedin.com
8. Barrientos, C. (2026). Deuda de Liderazgo en IA, AI Value Realization Theory (AVRT) y Efecto Compuesto de Capacidades. Trabajo en curso del autor. Resumen ejecutivo de AVRT · AI Leadership Debt

Declaración de interés: el autor es cofundador y CTO de Oncoger.ai, empresa de IA aplicada a oncología. Los ejemplos de salud de este artículo son ilustrativos y no describen productos de esa empresa.