Medir el ROI de la IA: de las métricas técnicas a los resultados de negocio con la business observability

Medir el ROI de la IA por el proceso de negocio: base de referencia, cohortes, coste real de los tokens y conversión a euros con business observability.
Mesurer le ROI de l'IA : passer des métriques techniques aux résultats métier avec la business observability

Medir el ROI de la IA se ha convertido en la pregunta incómoda de muchos comités de dirección: los presupuestos están comprometidos, los pilotos se han multiplicado, pero pocos equipos saben mostrar un efecto cuantificado en la cuenta de resultados. A menudo el problema no es la tecnología en sí, sino lo que se mide. Para gobernar el ROI de la IA hay que relacionar las señales técnicas con los indicadores de negocio.

Los dashboards de los proyectos de IA muestran la precisión del modelo, la latencia, el consumo de tokens y la tasa de errores. Esos indicadores dicen si el sistema funciona bien, no si la empresa va mejor. Entre ambos falta un eslabón: el proceso de negocio en el que se inserta la IA.

Este artículo propone un método para pasar de las métricas técnicas a los resultados de negocio apoyándose en la business observability, es decir, la capacidad de seguir un proceso de negocio transacción por transacción, con el mismo rigor que se aplica a los servicios informáticos.

Por qué las métricas técnicas no bastan para medir el ROI de la IA

Varios estudios recientes coinciden: el informe del MIT sobre la «GenAI Divide» estima que una pequeña minoría de pilotos integrados produce un valor medible, y la encuesta anual de McKinsey sobre la IA indica que, aunque una amplia mayoría de organizaciones usa IA, solo una minoría constata un efecto en su resultado operativo. Las ganancias existen a nivel de caso de uso; son mucho más difíciles de demostrar a escala de empresa.

Veamos un ejemplo. Una empresa de distribución despliega un agente que lee las facturas de proveedores, extrae los importes y propone una imputación contable. El modelo alcanza un 97 % de extracciones correctas en menos de dos segundos. ¿Buena noticia? Imposible saberlo. Si después las facturas esperan tres días en la cola de validación de un controller, el plazo de pago no se ha movido. Si el agente se equivoca en el 3 % de las facturas más voluminosas, el coste de las correcciones puede superar la ganancia.

El dashboard del modelo es idéntico en los dos escenarios. Solo la vista del proceso marca la diferencia.

El proceso de negocio como unidad de medida

Casi todos los proyectos de IA se injertan en un proceso existente: tratamiento de facturas, apertura de cuentas, resolución de tickets, preparación de pedidos. La IA automatiza una etapa, ayuda a una persona u orienta una decisión, pero el valor se lee en el proceso completo. La buena pregunta no es «¿es bueno el modelo?», sino «¿se ha vuelto el proceso más rápido, más barato, más fiable o más agradable para el cliente?».

Para el agente de facturas, los indicadores pertinentes serían por ejemplo:

  • el plazo entre la recepción de la factura y el pago;
  • el coste de tratamiento por factura, IA incluida;
  • la tasa de facturas que requieren corrección manual;
  • las penalizaciones por demora evitadas y los descuentos obtenidos.

No olvidar el coste real de la IA

Un cálculo de ROI honesto integra también el denominador. El coste de una solución de IA no se limita a la licencia o a la suscripción al modelo:

  • el consumo de tokens o el tiempo de GPU, que varía con el volumen y la longitud de los documentos;
  • la infraestructura alrededor: base de datos vectorial, almacenamiento, red;
  • el tiempo humano de supervisión y de corrección;
  • las herramientas de evaluación y de observabilidad.

El consumo de tokens se sigue mejor cuando se traza por petición y se vincula al servicio afectado, como se explica en nuestra guía de observabilidad de la IA.

En la práctica: cuatro pasos para medir el ROI de la IA de forma continua

Paso 1: instrumentar todo el proceso, no solo la IA

Emite un evento de negocio en cada etapa del proceso, con un identificador común que permita seguir cada factura de extremo a extremo. En Dynatrace, este papel lo cumplen los business events, que luego se pueden ensamblar en una vista de procesos. Un evento puede tener este aspecto:

{
  "event.type": "facture.etape",
  "facture.id": "F-2026-018342",
  "etape": "imputation_proposee",
  "traitement": "agent_ia",
  "montant_eur": 12480.00,
  "fournisseur.categorie": "transport",
  "duree_etape_s": 1.8
}

Paso 2: establecer una base de referencia antes de la puesta en servicio

Mide el proceso durante varias semanas antes de que llegue la IA: plazo mediano, coste por factura, tasa de corrección. Sin esa base, cualquier mejora anunciada sigue siendo una afirmación. Si la IA ya está en marcha, conserva una muestra tratada por el circuito anterior.

Paso 3: atribuir el efecto a la IA

El volumen estacional, una contratación en el equipo contable o la corrección de un bug aguas arriba también pueden mover las cifras. Compara cohortes: facturas tratadas por el agente frente a facturas tratadas manualmente en el mismo periodo. Una consulta DQL como esta permite una primera comparación (adapta los nombres de campo):

fetch bizevents
| filter event.type == "facture.payee"
| summarize factures = count(),
            delai_median_h = median(delai_total_h),
            corrections = countIf(correction_manuelle == true),
            by: {traitement}

Paso 4: convertir la diferencia verificada en euros

Horas de grabación ahorradas multiplicadas por el coste horario, penalizaciones evitadas, descuentos por pronto pago, menos el coste completo de la IA. Presenta el resultado con su margen de incertidumbre en lugar de una cifra única.

Estos cuatro pasos no son un ejercicio trimestral. Una vez instrumentado el proceso, la medición funciona de forma continua y revela también las regresiones silenciosas: si la tasa de corrección sube tras un cambio de modelo, lo ves ese mismo día y no en el próximo balance.

Relacionar las degradaciones de la IA con los indicadores de negocio

El interés de seguir el proceso en el mismo lugar que la informática es poder remontar la cadena cuando se degrada un indicador de negocio: problema de infraestructura, deriva del modelo, cambio en los datos de entrada o simple evolución de la actividad. El recorrido vivido por el usuario aporta además una luz valiosa, por ejemplo con Session Replay sobre Grail cuando la IA se expone en una interfaz. En el lado de la explotación, los equipos SRE ganan al integrar estos indicadores de negocio en sus objetivos, como describe nuestro artículo sobre la IA y la fiabilidad.

Buenas prácticas

  • Elegir de tres a cinco indicadores de negocio por proyecto de IA, validados con el responsable del proceso.
  • Medir antes de desplegar: una base de referencia vale más que un dashboard sofisticado.
  • Incluir el tiempo humano de supervisión en el coste de la IA.
  • Comparar cohortes en lugar de periodos, para aislar el efecto de la IA.
  • Hacer la medición continua y compartida entre equipos técnicos y de negocio.

Los equipos de plataforma pueden facilitar este enfoque ofreciendo la emisión de eventos de negocio en sus plantillas de proyecto, un tema abordado en los desafíos del platform engineering en 2026.

Preguntas frecuentes

¿Cómo se calcula el ROI de un proyecto de IA?

Midiendo la mejora de un proceso de negocio respecto a una base de referencia, aislando la parte debida a la IA, convirtiéndola en valor financiero y restando el coste completo de la solución.

¿Qué diferencia hay entre business observability y la BI clásica?

La BI analiza agregados a posteriori. La business observability sigue las transacciones en tiempo real, etapa por etapa, junto a las señales técnicas, lo que permite relacionar de inmediato una degradación de negocio con su causa.

¿Se puede medir el ROI de un asistente interno de productividad?

Es más difícil, al no haber un proceso único. Se pueden seguir indicadores indirectos: plazo de resolución de tickets, tiempo de revisión de código, satisfacción de los usuarios internos.

Conclusión

El ROI de la IA no se calcula de una vez por todas en una hoja de cálculo: se observa de forma continua, a nivel del proceso de negocio, con el coste real enfrente. Al desplazar la pregunta de «¿funciona el modelo?» a «¿ha mejorado el proceso?», los equipos dan por fin a la dirección una respuesta verificable.

Para ir más lejos: From AI experiments to business outcomes: How to measure what matters (blog de Dynatrace, en inglés).

span.observer es un blog independiente de la comunidad, no afiliado a Dynatrace LLC ni a los proyectos citados. Las marcas citadas pertenecen a sus propietarios. Las herramientas evolucionan rápido: comprueba siempre los comandos y las opciones en su documentación oficial.

Total
0
Shares
Leave a Reply

Your email address will not be published. Required fields are marked *

Previous Post
IA et fiabilité SRE : ce qui change au quotidien, de la supervision des modèles à l'autonomie par paliers

IA y fiabilidad SRE: qué cambia en el día a día, de la monitorización de modelos a la autonomía por etapas

Next Post
Platform engineering en 2026 : cinq défis et le rôle de l'observabilité pour les relever

Platform engineering 2026: cinco desafíos y el papel de la observabilidad para afrontarlos

Related Posts