IA en operaciones: dónde ya da resultados, con cifras reales

¿Dónde da ya resultados la IA en operaciones?

En 2026 la IA da resultados fiables en 3 sitios: atención al cliente de alto volumen, desarrollo de software y trabajo repetitivo de back office como procesar documentos y conciliar, y da resultados mucho menos fiables en ventas, donde el cuello de botella es la confianza y no el volumen.

La foto general es sobria. Según la encuesta State of AI 2026 de McKinsey, con 1.719 participantes de 97 países, el 80% dice que la IA ha mejorado su productividad individual, pero solo el 37% declara que aportó algo al beneficio antes de intereses e impuestos (EBIT) de su organización, prácticamente lo mismo que un año antes, y solo alrededor del 6% califica como alto rendimiento con al menos un 5% del EBIT atribuible a la IA. Las personas van más rápido; las empresas, en general, no.

Mi lectura de esa brecha es simple. El tiempo que ahorra una persona se evapora si no cambias lo que el proceso espera de ella: menos gente en la cola, un nivel de servicio más corto, una factura de proveedor más pequeña. La IA da resultados donde el flujo de trabajo se rediseña alrededor de ella, no donde solo la asiste.

¿Qué aporta de verdad la IA en atención al cliente?

Un agente de IA bien alimentado sobre una base de conocimiento madura resuelve entre el 30% y el 60% de las conversaciones entrantes sin intervención humana, y la cifra honesta para una empresa que empieza de cero es el extremo bajo de ese rango.

El caso de referencia es Klarna. Según su anuncio de febrero de 2024, el asistente gestionó 2,3 millones de conversaciones en su primer mes, dos tercios de todos los chats de soporte, redujo el tiempo medio de resolución de 11 minutos a menos de 2, bajó un 25% las consultas repetidas e hizo el trabajo de unos 700 agentes a tiempo completo, con una mejora de beneficio estimada de 40 millones de dólares para 2024. La segunda mitad de la historia importa igual: en mayo de 2025 el CEO de Klarna dijo a Bloomberg que el coste había pasado a ser "un factor de evaluación demasiado predominante" y que el resultado era menor calidad, y la empresa volvió a contratar personas para los casos complejos.

Los precios han pasado a basarse en resultados, lo que ayuda al caso de negocio. Fin, de Intercom, cobra 0,99 $ por resolución, y cuenta una resolución cuando el cliente confirma que la respuesta le sirvió o se va sin pedir más. En mis empresas lo comparamos con un coste humano por ticket, con todo incluido, de entre 4 y 12 € según el país y el producto, así que la aritmética funciona si, y solo si, la resolución de la IA es una resolución real. Mide la satisfacción y la tasa de reapertura de los tickets gestionados por IA por separado, o estarás pagando por silencio.

¿La IA da resultados en ventas y marketing?

La IA da resultados en operaciones de venta, no en vender: investigación, introducción de datos, resúmenes de llamadas, borradores de propuestas y asignación de leads se reducen en horas por comercial y semana, mientras que las tasas de conversión apenas se mueven cuando la IA habla directamente con el comprador.

En mis empresas las ganancias medibles están en la capa aburrida. La investigación de una cuenta que llevaba 20 minutos antes de una llamada lleva 2. Las notas de reunión y las actualizaciones del CRM que los comerciales se saltaban ahora ocurren solas, lo que mejora la calidad del forecast más que cualquier cuadro de mando. Los textos de prospección se redactan en el idioma del comprador para 20+ países sin cola de traducción.

Donde sigo siendo prudente es en la prospección automatizada y los agentes de IA comerciales. El volumen ahora es barato, así que los compradores están inundados y las tasas de respuesta caen para todos. La ventaja es de quien usa la IA para ser más relevante, no más frecuente. Mido la IA comercial en horas devueltas a vender y en la completitud de los datos del pipeline, no en ingresos, durante los 2 primeros trimestres.

¿La IA da resultados en finanzas y back office?

Sí, y en silencio: casar facturas, clasificar gastos, revisar contratos y conciliar el cierre de mes son tareas estructuradas, repetitivas y verificables, que es exactamente donde los modelos de lenguaje son más fuertes y más seguros.

Es la función que más subestiman los consejos porque no luce en una demo. En mis empresas el equipo financiero usa IA para preclasificar transacciones, extraer campos de facturas de proveedores, redactar el comentario de gestión y marcar anomalías antes de que las mire el contable. La persona sigue firmando. La ganancia es un cierre más corto y menos errores, no menos gente.

Dos reglas lo mantienen seguro. Primera, la IA propone y una persona aprueba todo lo que toque dinero, impuestos o un contrato. Segunda, cada cifra producida por IA debe poder rastrearse hasta su documento de origen en 1 clic, porque un auditor lo preguntará.

¿Cuánto acelera la IA a los equipos de software?

Entre mucho más rápido y algo más lento, según la tarea: el trabajo nuevo y bien especificado se acelera de forma drástica, mientras que los cambios en bases de código grandes y maduras hechos por ingenieros expertos pueden llevar más tiempo cuando cuentas la revisión.

Los 2 estudios controlados más citados apuntan en direcciones opuestas y ambos tienen razón. En el experimento de GitHub Copilot publicado en arXiv en 2023, los desarrolladores que implementaban un servidor HTTP en JavaScript terminaron un 55,8% más rápido con el asistente. En el ensayo aleatorizado de METR publicado en julio de 2025, 16 desarrolladores expertos de código abierto que trabajaban en 246 incidencias reales en repositorios maduros tardaron un 19% más cuando se les permitió usar herramientas de IA, sobre todo Cursor con Claude 3.5 y 3.7 Sonnet. Esperaban ir un 24% más rápido, e incluso después creían haber ido un 20% más rápido. La percepción no es una métrica.

En mis empresas el patrón de 2026 con herramientas agénticas como Claude Code está claro: prototipos, tests, migraciones, documentación y herramientas internas van varias veces más rápido; los cambios en el núcleo del producto van quizá un 20% o 30% más rápido contando la revisión; y la revisión se ha convertido en el cuello de botella, así que invertimos en revisión automatizada, integración continua más estricta y pull requests más pequeñas.

¿Cómo mido si la IA da resultados?

Mide la IA en operaciones con 1 métrica de coste unitario, 1 de velocidad y 1 de calidad por proceso, comparadas con una línea base que congelaste antes del despliegue.

Este es el cuadro que usamos en mis empresas. Cabe en 1 página y lo revisa cada mes la persona que es dueña del proceso, no el equipo de IA.

• Coste por resolución o por documento procesado, con todo incluido, antes y después, contando la factura del proveedor de IA.
• Tasa de resolución o de desviación junto con la tasa de reapertura y la satisfacción del cliente solo en los casos gestionados por IA.
• Tiempo de ciclo: primera respuesta, tiempo hasta el cierre, días hasta el cierre de mes, tiempo desde la pull request hasta producción.
• Calidad: tasa de errores detectados después, escalados, defectos por versión, hallazgos de auditoría.
• Horas humanas devueltas, y a qué se reasignaron realmente esas horas.
• Adopción: porcentaje del equipo que usa la herramienta cada semana, porque una licencia que nadie abre es coste puro.

¿Qué es lo que más falla?

Los proyectos de IA en operaciones fallan por 5 motivos, y ninguno es el modelo: bases de conocimiento malas, ningún rediseño del proceso, ningún responsable, métricas de vanidad y saltarse la vía humana de respaldo.

He cometido la mayoría de estos errores yo mismo. El patrón siempre es el mismo: el piloto funciona porque el fundador lo vigila, y la producción falla porque nadie es dueño de la base de conocimiento 6 meses después.

• La base de conocimiento está desactualizada o se contradice, así que el agente responde con seguridad y mal; arregla el contenido antes que el modelo.
• El proceso no se toca, así que el tiempo ahorrado se absorbe y nada cambia en coste ni en nivel de servicio.
• Nadie es responsable después del lanzamiento; cada sistema de IA necesita un operador con nombre que revise los fallos cada semana.
• Se celebra la desviación de tickets mientras se ignoran la satisfacción y las reaperturas, que es como Klarna acabó recontratando.
• No hay un camino limpio hasta una persona, lo que convierte un ahorro de costes en churn.