Qué pasó con las horas que la IA devolvió

Stratos Edge Research lee los tres hallazgos como uno solo: la mayoría de las empresas que desplegó IA se volvió más rápida en algo, y muy pocas obtuvieron un retorno de ello. Las que lo lograron no usan mejores modelos. Midieron la ganancia, decidieron en qué se convertiría y la movieron ahí a propósito.

Eso suena demasiado simple para sostener un artículo. Sostiene este porque el patrón se repite en todos los conjuntos de datos que dividen a las empresas según si midieron.

La productividad es la materia prima. La IA libera horas casi en todas partes donde se usa, y las horas liberadas por sí solas no hacen nada por el negocio; se absorben en la jornada y nadie puede decir adónde fueron. El retorno existe solo cuando la ganancia se ha medido y se ha reasignado con intención a trabajo que el negocio eligió. Absorber 15% más de volumen con el mismo equipo. Iniciar el programa que esperaba personal. Poner las horas liberadas en precisión, en tiempo de respuesta o en los clientes que recibían la versión corta. Dotar de personal el crecimiento del próximo año sin las cinco contrataciones del presupuesto. Cada una de esas es una decisión, y una decisión necesita una línea base para tomarse con algo de confianza.

Las empresas que fijaron una línea base pueden tomar la decisión, nombrar en qué se convirtió la capacidad y mostrarle al consejo directivo el retorno. Las que no la fijaron obtienen la misma ganancia de productividad y ningún retorno, porque nada se midió y nada se movió.

Ese es todo el hallazgo.

La ganancia aparece en la primera cifra. El retorno aparece en la última.

Entre las organizaciones de salud de EE. UU. más avanzadas en escalar la IA, 18% mide el efecto de la IA en los ingresos o los costos contra una línea base definida y con un responsable designado, según la encuesta de primavera de 2026 de Deloitte a 64 directores de finanzas del sector salud. Entre las organizaciones que están antes en el escalamiento, lo hace 31%. Las organizaciones que avanzan más rápido son las que menos pueden decir qué obtuvieron, y dos terceras partes de las que escalan se apoyan en comparaciones de antes y después en lugar de una línea base definida.

Si se lee la inversión como un mecanismo y no como un descuido, se explica sola. La atribución necesita un antes. El antes existe una sola vez, en las semanas previas al primer despliegue en un proceso, y entonces es barato: los números ya están en el sistema de flujo de trabajo y nadie ha tocado todavía el proceso. Si se escala a través de esa ventana, se cierra. No se puede volver atrás y medir las horas por reclamación en el trimestre anterior a la entrada de la herramienta. Los que escalan no se saltaron la medición tanto como gastaron la única ventana que tenían. El mismo mecanismo explica por qué 95% de las afirmaciones de productividad en las llamadas de resultados se ha mantenido en tiempo futuro durante tres años: sin un antes, la afirmación nunca puede pasar al pasado.

Así que esta historia tiene dos cosas perecederas, y caducan en direcciones opuestas. La línea base caduca en la puesta en marcha. Las horas liberadas caducan dentro del trimestre, absorbidas por la jornada. El retorno vive en la ventana entre ambas. La mayoría de las organizaciones llega al final de un despliegue sin ninguno de los dos extremos.

El activo, entonces, es cada proceso de la hoja de ruta que todavía no ha entrado en operación. Cada uno todavía tiene un antes.

El resto de la evidencia apunta en la misma dirección. Wharton encontró que 72% de los líderes empresariales de EE. UU. da seguimiento ahora a métricas de IA generativa vinculadas a la rentabilidad, el rendimiento o la productividad, y tres de cada cuatro reportan retornos positivos. MIT NANDA encontró que 95% de los pilotos de IA generativa en empresas no muestra un impacto medible en el estado de resultados. Poblaciones distintas, definiciones de retorno distintas, y no las promediamos. Leídas en conjunto dicen lo que dice este número: las personas que reportan un retorno son las que construyeron el instrumento para verlo. La división más clara es global: en el sondeo de KPMG del segundo trimestre de 2026 a 2,145 líderes sénior, las organizaciones con visibilidad total de los costos de IA reportan un ROI establecido de 15%, frente a 3% de las que no la tienen. El State of AI de McKinsey encontró que, de doce prácticas de adopción, dar seguimiento a indicadores clave bien definidos era la más correlacionada con el impacto en el resultado final, y menos de una de cada cinco organizaciones lo hacía.

Todo esto es autorreportado y correlacional; las organizaciones que miden podrían ir más adelante por otras razones, y la Metodología lo dice con detalle. La dirección no se invierte, y ninguna encuesta que encontramos apunta en sentido contrario.

El retorno se realiza en el momento en que la ganancia medida se reasigna, y el destino es una elección. La requisición es lo primero que ven los consejos directivos, por eso recorre este número. No es el único destino, y la evidencia indica que no es el principal.

La encuesta de la Atlanta Fed les preguntó a 748 ejecutivos financieros de EE. UU. por qué invirtieron en IA y qué obtuvieron. La eficiencia de producción y la productividad laboral ocuparon los primeros lugares como motivos. Reducir el costo laboral quedó más abajo. Los beneficios que las empresas dijeron haber obtenido en 2025 coincidieron con los motivos: eficiencia, rapidez de decisión, producción. Efecto en la plantilla: insignificante. Lo que las empresas querían de la IA era hacer más, y eso es lo que reportan haber obtenido las que pueden verlo.

Los ejemplos con nombre dicen lo mismo. La métrica de Lemonade es la prima por empleado, y la historia es que la prima más que se duplicó mientras la plantilla bajó 6%, no un recorte. C.H. Robinson reporta que los envíos por persona por día subieron más de 40%. Oscar Health dice que puede atender a más afiliados sin aumentar la plantilla al mismo ritmo. Dos mayoristas de la Dallas Fed describieron crecer con la plantilla actual. Cada uno de esos casos es capacidad convertida en volumen.

La codificación que hizo Deloitte de las salas de redacción de los sistemas de salud encontró que, donde se demostró algún valor, fue más a menudo operativo o clínico que financiero: tiempo de respuesta, precisión, un resultado clínico. Esos también son destinos, y son los que un director de finanzas no puede ver desde el sistema financiero.

Así que los destinos de la capacidad medida son, en orden aproximado de la frecuencia con que la evidencia los muestra: más volumen con el mismo equipo; crecimiento dotado de personal desde dentro; un programa o rezago que esperaba personal; rapidez, precisión o calidad en el trabajo existente; y una contratación evitada. El orden en que un consejo directivo pregunta por ellos va al revés. Cualquiera de los cinco es un retorno si se eligió y se midió. Ninguno lo es si ocurrió por inercia. Una organización que midió puede nombrar a qué destino fue su capacidad y ponerle una cifra. Una que no midió tiene capacidad fluyendo hacia "otras tareas", que es adonde el estudio de registros administrativos de Dinamarca encontró que iba 80% del tiempo ahorrado, sin nombre.

Lo que no pudimos encontrar es evidencia independiente sobre los destinos de calidad y satisfacción del cliente. Esas cifras existen solo en casos de estudio de proveedores, que este número no usa. La ausencia merece decirse: los resultados que la mayoría de las empresas dice querer de la IA son los que nadie fuera de un proveedor ha medido.

Los ejemplos con nombre en este número son solo de publicación propia de la empresa: presentaciones regulatorias, cartas a los accionistas, un ejecutivo en el registro público. Queríamos empresas de menos de 5,000 empleados. Encontramos un solo ciclo cerrado, y es el contraste con la segunda empresa lo que sostiene el argumento.

Lemonade cerró el ciclo. Aseguradora digital de cerca de 1,300 empleados, Lemonade definió la prima vigente por empleado como una métrica operativa con nombre y la ha reportado cada trimestre. Pasó de unos $0.40 millones en el segundo trimestre de 2022 a $1.07 millones en el segundo trimestre de 2026. La prima vigente más que se duplicó desde finales de 2022 con una plantilla 6% menor. La empresa fijó un punto de control con fecha que la ganancia de capacidad debe cumplir: su primer trimestre con EBITDA ajustado positivo en el cuarto trimestre de 2026. Se fijó una cifra, la capacidad se reasignó en lugar de contratar, y hay un punto de control en el calendario. Así se ve una línea base cuando cumple su función. Lemonade se construyó sobre la automatización y la métrica es suya, así que esto no es un ajuste posterior sobre una operación heredada. Si llega al punto de control es una pregunta con fecha, que es más de lo que la mayoría de las empresas puede decir.

Duolingo fijó la regla y omitió la cifra. En abril de 2025, el director general de Duolingo, Luis von Ahn, publicó un memorando: solo se agregaría plantilla si un equipo no podía automatizar más de su trabajo, y el uso de IA contaría en las evaluaciones de desempeño. No se publicó ninguna métrica para ninguna de las dos cosas. Un año después, en el registro público, von Ahn dijo que Duolingo había descartado la regla de evaluar el uso de IA después de que los empleados preguntaron si se esperaba que usaran IA por sí misma. La plantilla de tiempo completo creció durante el periodo. La regla era el instinto correcto. Sin una línea base, no había nada contra qué sostenerla, y se revirtió.

Ambas empresas son negocios de consumo nativos de IA, lo cual no es la situación del lector. El contraste sigue siendo el más claro del registro público: la misma convicción, el mismo año, y una de las dos escribió la cifra.

El otro fracaso es el mismo error en la dirección contraria. Commonwealth Bank of Australia anunció 45 despidos en servicio al cliente tras introducir un bot de voz, y luego revirtió y se disculpó en agosto de 2025 cuando el volumen de llamadas subió en lugar de bajar. Una decisión de plantilla tomada sin la cifra, y la cifra llegó de todos modos.

La decisión tal como llega a un escritorio, con cifras ilustrativas. Un caso compuesto, sin ningún cliente.

Una empresa de servicios especializados. Unas 600 personas. Un equipo de ciclo de ingresos y documentación de 40. El plan de crecimiento del próximo año necesita que ese equipo maneje 15% más de volumen, y el presupuesto operativo incluye cinco puestos nuevos para lograrlo. Las herramientas de IA para la preparación de reclamaciones y la documentación entraron en operación en el primer trimestre.

La misma tecnología, el mismo tamaño de equipo, la misma fecha. La diferencia es tres salarios este año, dos más pendientes de una nueva medición, una meta de tasa de rechazo con fecha y un retorno que el consejo directivo puede ver. Se decidió en los dos meses previos a la puesta en marcha.

Hay dos cosas que notar. La primera es que la Empresa A no necesitó un instrumento sofisticado. Las horas por reclamación y una tasa de retrabajo están en cualquier tablero de operaciones. La segunda es que nadie en la Empresa A se fue. El crecimiento se dotó de personal con capacidad que ya estaba pagada, y se atendió un rezago. Eso era lo que el director general quería de la IA desde el principio, y solo lo obtiene la empresa que puede demostrar que la capacidad existe y decir adónde fue.

La prueba de capacidad de Stratos Edge Research es el cierre operativo: cinco preguntas para cualquier decisión que recaiga sobre un proceso donde se haya desplegado IA en los últimos dieciocho meses: una requisición, una meta de crecimiento, un programa nuevo, un compromiso de nivel de servicio.

Una empresa que puede responder las cinco ha obtenido un retorno de su gasto en IA y puede ponerlo frente a un consejo directivo, cualquiera que haya sido el destino que eligió. Una que no puede tiene la misma ganancia de productividad y ningún retorno, y la requisición pasa porque es la única decisión que queda que parece una. La tecnología nunca fue la variable. La medición y la intención lo fueron.

¿Adónde fueron las horas que la IA devolvió? La respuesta más cercana que permite la evidencia viene de Dinamarca, el único lugar donde alguien ha mirado con datos administrativos: 80% del tiempo que la IA ahorró fue a "otras tareas", sin nombre, en ninguna línea que alguien pudiera señalar.

Una encuesta ha preguntado a los empleados qué se les dijo que hicieran con el tiempo. BCG le hizo la pregunta a cerca de 12,000 empleados y gerentes en más de una docena de países en 2026. Dos terceras partes dijeron que recibieron poca o ninguna orientación sobre qué hacer con las horas que la IA les ahorró. Más de la mitad dijo que no redirigió el tiempo a nada más estratégico. Muestra global, así que aparece aquí como contrapeso. No encontramos ninguna encuesta de EE. UU. que haga la pregunta.

Así que las horas se fueron a la jornada, sin asignar, en las empresas que no midieron y no lo dijeron, y a un destino con nombre y cifra en las empresas que sí lo hicieron. La diferencia fue si alguien midió, si midió antes de que el antes desapareciera y si alguien le dijo al equipo adónde debían ir las horas. Lo primero y lo segundo llevan un trimestre de trabajo. Lo último lleva una frase.