El verdadero desafío de la IA no es implementarla. Es saber dónde invertir

El diagnóstico de Gartner y McKinsey es el mismo. Y es incómodo

En mayo de 2026, Gartner presentó su framework para identificar, financiar y medir casos de uso de IA de alto valor. El mensaje central: el desafío ya no es encontrar casos de uso. Es decidir cuáles generan valor económico real — y demostrárselo al directorio.

Gartner identifica cuatro cambios estructurales que ocurren simultáneamente en toda organización grande:

• Los CEOs quieren resultados tangibles, no reportes de actividad.
• Los CFOs exigen métricas financieras, no horas ahorradas.
• Los CIOs deben justificar inversiones crecientes en IA frente a prioridades que compiten entre sí.
• La presión se desplazó desde la experimentación hacia la generación de valor medible.

Una semana antes, McKinsey publicó su framework de medición de IA en cinco capas. Los datos que lo respaldan son contundentes: casi ocho de cada diez organizaciones ya usan IA generativa en al menos una función. Sin embargo, el 60% no ha visto impacto en el EBIT a nivel empresa.

El diagnóstico de McKinsey: la mayoría de las organizaciones despliega IA de maneras que son más visibles que valiosas. Los chatbots, copilots y resumidores mejoran la experiencia del empleado. Rápidamente se convierten en estándar. Pero raramente cambian el P&L.

Las organizaciones que se están diferenciando hacen algo distinto. Automatizan flujos de trabajo end-to-end dentro de dominios específicos - procesamiento de reclamos, servicio al cliente, planificación de demanda - y miden los resultados con el mismo rigor que cualquier otra inversión de capital.

La pregunta que la mayoría de las organizaciones no se hace.

Este es el problema estructural. Cuando una organización evalúa una iniciativa de IA, la pregunta habitual es: "¿Esto funciona?".

La pregunta correcta es: "¿Esto genera más valor que cualquier otra inversión que podríamos hacer con el mismo presupuesto?"

Gartner es explícito en este punto. Un proyecto de IA no compite contra otro proyecto de IA. Compite contra modernizar un ERP, reemplazar un sistema legacy, abrir una nueva línea de negocio o automatizar un proceso con herramientas tradicionales.

Ese cambio de enfoque modifica todo: cómo se evalúan las inversiones en IA, cómo se financian y cuándo se discontinúan.

Gartner denomina esto AI FinOps: gestionar la IA de la misma manera en que las organizaciones maduras gestionan la infraestructura de cloud.

• ¿Cuánto cuesta?
• ¿Cuánto valor genera?
• ¿Qué riesgo incorpora?
• ¿Cuál es el retorno esperado?
• ¿Cuándo debe discontinuarse una iniciativa?

No es una conversación tecnológica. Es una conversación de asignación de capital.

Por qué algunas iniciativas fracasan antes de comenzar

El patrón de fracaso es consistente entre industrias y geografías.

Las organizaciones seleccionan casos de uso de IA basándose en lo que resulta técnicamente interesante, en lo que un proveedor demostró, o en lo que una unidad de negocio solicitó. Construyen una prueba de concepto. Funciona en condiciones controladas. El escalamiento se estanca. El caso de negocio se reabre. La iniciativa pierde impulso.

La causa raíz casi nunca es técnica. Es que el caso de uso nunca fue evaluado con los criterios correctos desde el principio.

Gartner recomienda evaluar toda iniciativa de IA en cinco dimensiones de manera simultánea:

• Impacto estratégico: ¿Esto mueve una métrica que le importa al negocio?
• Beneficio económico: ¿El retorno financiero es cuantificable y defendible?
• Riesgo: ¿Cuáles son las exposiciones operativas, regulatorias y reputacionales?
• Factibilidad de implementación: ¿La organización tiene los datos, los sistemas y el talento para ejecutarlo?
• Escalabilidad: ¿Puede generar valor a escala, o solo en un piloto controlado?

La mayoría de las organizaciones aplica uno o dos de estos filtros. Las que aplican los cinco — antes de comprometer recursos — son las que McKinsey ubica en el 5% superior que genera valor con IA a escala.

Un framework para medir lo que realmente importa

El framework de cinco capas de McKinsey ofrece un camino estructurado desde el desempeño técnico hasta el impacto financiero. Las capas se conectan en secuencia. Si una capa inferior no funciona, las capas superiores no pueden producir valor.

• Capa 1 — Impacto financiero. ¿Aparece en el P&L? Incremento de ingresos, reducción del costo de servicio, mejora de margen, costo total de propiedad incluyendo infraestructura y licenciamiento. Esta es la capa que le importa al CFO y al directorio..
• Capa 2 — Resultados estratégicos. ¿Está moviendo métricas que le importan a la unidad de negocio? Satisfacción del cliente, cumplimiento de entrega, retención, incremento de ventas. Estas métricas conectan las operaciones diarias con las prioridades estratégicas de la organización.
• Capa 3 — KPIs operacionales. ¿Está cambiando la manera en que se hace el trabajo? Tiempos de ciclo, tasas de defectos, costo por transacción, resolución en el primer contacto. Si estas métricas no se mueven, la IA está activa, pero aún no genera impacto operacional.
• Capa 4 — Adopción y engagement de usuarios. ¿Las personas lo usan realmente en su trabajo diario? Usuarios activos diarios, penetración en workflows, tasa de aceptación versus anulación. Este es el punto de falla más frecuente en la captura de valor.
• Capa 5 — Desempeño técnico. ¿El sistema de IA funciona de manera confiable? Tasas de alucinación, latencia, costos de inferencia, calidad de output y drift del modelo a lo largo del tiempo. Necesario, pero no suficiente.

La disciplina clave: definir el valor esperado en cada capa antes de comenzar la implementación. Luego construir la medición y la atribución dentro del rollout — mediante A/B testing o despliegue escalonado — para que los resultados puedan resistir el escrutinio.

Cómo aborda esto EDSA

En EDSA trabajamos con clientes en el punto donde la decisión tecnológica y la decisión de negocio convergen.

Nuestro proceso de diagnóstico operacional parte del P&L: ¿dónde están las pérdidas, las ineficiencias de tiempo en el ciclo, las tasas de error, las intervenciones manuales que erosionan el margen? Desde esa línea de base, construimos un mapa priorizado de oportunidades de IA y automatización — cada una evaluada contra impacto estratégico, beneficio económico, factibilidad y riesgo.

El resultado no es una lista de casos de uso. Es un caso de inversión financiado, con metas medibles en cada capa del framework de McKinsey — uno que un CFO puede aprobar y un directorio puede monitorear.

Hemos aplicado este enfoque en operaciones industriales, servicios financieros y distribución comercial en Argentina, Chile y México. El hallazgo recurrente: las oportunidades de mayor valor raramente son las más obvias. Y los casos de uso más solicitados raramente son los de mayor retorno.