En 2026, ningún comité de dirección acepta ya financiar un proyecto de IA sin un business case cuantificado. La época en la que la simple promesa de «nos va a ahorrar tiempo» bastaba ya pasó, y es sano. Pero entre el entusiasmo inicial y la medición rigurosa, muchos equipos tropiezan con los mismos obstáculos: sin baseline, costes infravalorados, ganancias contadas dos veces.

Este artículo describe el método que aplicamos en nuestros proyectos DevHighWay para calcular un ROI defendible. El objetivo no es inflar las cifras, sino producir un análisis que un CFO, un CIO y un operacional firmen con el mismo bolígrafo. La consecuencia: menos debates estériles, arbitrajes claros y proyectos que cumplen sus promesas.

El ROI de la IA no es un mito, es una disciplina

Se oye con frecuencia que la IA es «intangible» y que su ROI no se mide. Es falso. Lo que es cierto es que la mayoría de los proyectos no se dan los medios para medirlo: sin baseline, sin instrumentación, sin revisión post-despliegue. El ROI de la IA responde a las mismas leyes que cualquier inversión industrial, solo que las variables (tokens consumidos, tasa de adopción, calidad de las respuestas) son nuevas.

Concretamente, un proyecto de IA bien encuadrado se descompone en tres familias de ganancias: ganancias directas (horas ahorradas, conversiones adicionales, soporte automatizado), ganancias indirectas (velocidad de salida al mercado, calidad percibida, experiencia del cliente) y ganancias defensivas (cuotas de mercado preservadas frente a competidores que se equipan). Las dos primeras se cifran en euros, la tercera se mide en riesgo evitado.

Paso 1 — Establecer la baseline antes que nada

La baseline es la foto precisa de tu actividad antes del proyecto de IA. Sin ella, no puedes probar ninguna ganancia. Los KPI a fijar dependen del caso de uso: para un soporte al cliente, será el tiempo medio de tratamiento, el coste por ticket, la tasa de resolución en el primer contacto. Para un funnel comercial, la tasa de calificación de leads, el coste por oportunidad, el plazo medio de respuesta.

El error clásico: tomar las cifras del último comité de seguimiento. Insuficiente. Hace falta como mínimo 90 días de historial consolidado, idealmente 12 meses para neutralizar la estacionalidad. Y sobre todo, la baseline debe ser validada por el equipo de negocio, no solo por la DSI. Sin este compromiso compartido, las cifras serán cuestionadas al primer indicio de ganancia disputada.

  • KPI cuantitativo: volumen tratado, tiempo unitario, coste unitario — la materia prima del cálculo
  • KPI cualitativo: CSAT, NPS, tasa de escalada — para captar la experiencia
  • Periodo de referencia: de 90 a 365 días, fechado, firmado, archivado
  • Fuente de verdad: una sola herramienta por KPI (CRM, helpdesk, analítica) para evitar los dobles conteos

Paso 2 — Cuantificar el perímetro elegible

No todos los procesos son candidatos a la IA. El buen reflejo: cruzar volumen y tiempo unitario para identificar las tareas con alto potencial. 500 tickets al mes a 20 minutos cada uno son 167 horas mensuales automatizables, un perímetro creíble. 50 solicitudes ultraespecíficas a 3 minutos, no es un proyecto de IA, es una FAQ estática.

Para cada tarea elegible, estima la tasa de automatización alcanzable de manera realista. Un chatbot RAG bien construido absorbe entre el 40 y el 70 % de las preguntas de nivel 1, raramente más. Un agente de IA sobre tareas estructuradas puede alcanzar entre el 80 y el 90 %. Pero un caso con un 95 % de automatización suele esconder una simplificación abusiva del perímetro.

Paso 3 — Estimar los costes completos

El error más frecuente: contar solo la implementación. En realidad, un proyecto de IA cuesta en cuatro partidas. La implementación (15-60 k€ según la complejidad), el consumo mensual del LLM (50-2.000 € al mes según los volúmenes y el modelo — Claude 3.7 Sonnet, GPT-4 Turbo o Mistral Large 2 no facturan igual), el mantenimiento técnico (RAG a reindexar, prompts a ajustar, modelos a actualizar) y la gestión del cambio.

Esta última partida se minimiza sistemáticamente. Formar a 30 usuarios internos en una nueva herramienta, documentar los nuevos procesos, acompañar las primeras semanas de adopción, gestionar las resistencias: cuenta entre el 20 y el 30 % del coste de implementación, a veces más. Un proyecto técnicamente perfecto pero mal adoptado no genera ningún ROI.

  • CAPEX implementación: diseño, desarrollo, integraciones, base de conocimiento, pruebas
  • OPEX LLM: tokens de entrada/salida × volumen mensual × precio del modelo (verificar los tramos)
  • Mantenimiento: 15-25 % del CAPEX al año, más si los modelos son autoalojados (vLLM, GPU)
  • Gestión del cambio: formación, documentación, acompañamiento a la adopción — 20-30 % del CAPEX

Paso 4 — Cuantificar las ganancias en tres escenarios

Una sola cifra de ganancia es sospechosa. Siempre conviene producir tres escenarios —pesimista, realista, optimista— basados en hipótesis explícitas de tasa de automatización, de adopción y de calidad. Esta triangulación obliga a la lucidez: un proyecto rentable solo en el escenario optimista señala un expediente frágil.

Ejemplo concreto para un chatbot de soporte: pesimista 30 % de tickets absorbidos, realista 50 %, optimista 70 %. Si incluso el escenario pesimista supera el umbral de rentabilidad, el proyecto es sólido. Si no, hay que retrabajar el perímetro o aceptar que el ROI será marginal y arbitrar con conocimiento de causa.

Paso 5 — Calcular payback y ROI a 12 y 24 meses

Dos indicadores bastan. El payback period (coste total acumulado / ganancia mensual media) responde a la pregunta «¿en cuántos meses recupero mi apuesta?». El ROI a 24 meses ((ganancias - costes) / costes) responde a «¿cuánto gano en total?». Un proyecto de IA sano muestra un payback entre 6 y 18 meses y un ROI a 24 meses por encima del 100 %.

Por encima de los 24 meses de payback, el proyecto queda expuesto: los modelos evolucionan, las necesidades de negocio también, y el riesgo de obsolescencia se vuelve real. Por esa razón recomendamos arquitecturas modulares, capaces de absorber un cambio de LLM o de framework sin rehacerlo todo.

Paso 6 — Medir tras el despliegue y ajustar

El ROI no es una cifra fijada en el kick-off. Es una métrica viva. A J+30, J+90 y J+180, retoma los KPI de la baseline y compara. Documenta las desviaciones, identifica las palancas (¿adopción insuficiente?, ¿calidad de respuesta?, ¿perímetro demasiado amplio?) y ajusta. Esta iteración de mejora es lo que separa un POC abandonado de un producto que escala.

Herramientas útiles para la medición continua: LangSmith u OpenAI Evals para la calidad de las respuestas, un dashboard de CSAT post-conversación, la analítica de producto (Mixpanel, Amplitude) para la adopción. Sin estos instrumentos, el ROI presentado en comité sigue siendo declarativo.

¿Qué horizonte de medición elegir para el ROI?

La elección del horizonte temporal lo cambia todo. A 12 meses, pruebas la viabilidad inmediata y desbloqueas el presupuesto del año siguiente; es la duración mínima para hacer el proyecto defendible en comité. A 24 meses, capturas los efectos compuestos —adopción ampliada, reducción de la factura del LLM gracias a las optimizaciones, expansión del perímetro— que rara vez son visibles en el año 1. Es la ventana estándar que recomendamos para la decisión.

Por encima de los 36 meses, prudencia. El ritmo de evolución de los modelos (actualización mayor cada 6 a 12 meses) y la caída continua de los precios de los tokens (-30 a -50 % al año en 2024-2026) hacen que cualquier proyección a más de 3 años sea poco fiable. Para los proyectos que requieren una inversión material pesada —autoalojamiento, GPU dedicadas— puede justificarse un horizonte más largo, a condición de integrar un escenario de reinversión material a 36 meses y revalidar cada año la hipótesis de calidad.

Las tres trampas que lastran un cálculo de ROI de IA

En nuestras auditorías, tres errores aparecen sistemáticamente e invalidan business cases enteros. Evitarlos desde el encuadre ahorra meses de debates internos.

  • Contar ganancias hipotéticas sin baseline: «estimamos ganar un 30 % de tiempo» sin medición inicial no se sostiene en la revisión post-proyecto
  • Olvidar los costes de gestión del cambio: la tecnología funciona, pero el 40 % de los usuarios no la usan — ROI real dividido entre dos
  • Medir sobre una muestra no representativa: probar sobre los 10 casos más simples y extrapolar a todo el perímetro garantiza una decepción

¿Y ahora qué?

Calcular el ROI de un proyecto de IA no es un ejercicio teórico: es lo que marca la diferencia entre una inversión defendida en comité de dirección y un POC olvidado en seis meses. El método se sostiene en seis pasos, pero el rigor del encuadre inicial pesa el 80 % del resultado final.

Un proyecto de IA sin ROI medido es un proyecto que morirá en la próxima revisión presupuestaria. Mide pronto, mide bien, ajusta a menudo: es la única forma de transformar el entusiasmo inicial en valor duradero.