Cómo medir el ROI de un agente de IA

Por qué el ROI de los agentes de IA es tan difícil de demostrar

Las cifras macro sobre el tema no dejan lugar a dudas. En su encuesta State of AI 2026, McKinsey constata que el 37 % de las empresas encuestadas atribuye al menos una parte de su impacto en el EBIT al uso de la IA, una proporción casi estable respecto a 2025, y que solo el 6 % forma parte de las organizaciones más destacadas, las que atribuyen un impacto significativo (al menos el 5 % del EBIT) a la IA (fuente: McKinsey, "The state of AI in 2026: On the road to ROI", https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai, consultado el 2026-09-04; cifras también recogidas por The Register, https://www.theregister.com/ai-and-ml/2026/08/25/mckinsey-says-enterprise-ai-is-finally-on-the-road-to-roi/5292388, consultado el 2026-09-04). Al mismo tiempo, el 40 % de las empresas con más de mil millones de dólares de facturación dice estar escalando agentes de IA, frente al 27 % un año antes (mismas fuentes). La inversión crece más rápido que la prueba de su rentabilidad.

Un agente de IA autónomo cuesta tiempo de despliegue, inferencia y supervisión. Sin un método de medición, es imposible saber si ese coste se justifica. Gartner va más allá en los proyectos de IA agéntica en concreto: más del 40 % de ellos deberían abandonarse de aquí a finales de 2027, debido a costes descontrolados, a un valor de negocio mal definido desde el principio, o a controles de riesgo insuficientes (fuente: Gartner, https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027, consultado el 2026-09-04). "Valor de negocio mal definido" casi siempre se reduce a la misma causa: nadie midió la situación de partida, así que nadie puede demostrar la mejora después.

Paso 1: establecer una línea base antes del despliegue

Es el paso que casi todo el mundo se salta, y es el más importante. Antes de conectar un agente a un proceso, hay que medir ese proceso tal como funciona hoy: volumen procesado por periodo, tiempo medio de procesamiento por caso, tasa de error o de repetición, plazo entre la solicitud y la resolución. Sin estas cifras de partida, cualquier comparación posterior se basa en recuerdos aproximados en lugar de en datos. Un agente desplegado durante seis meses y evaluado después, sin un punto de comparación inicial, no puede producir un ROI creíble: solo queda una impresión.

Paso 2: medir el tiempo ahorrado, y su valor real

El tiempo ahorrado es el indicador más fácil de medir y el más fácil de interpretar mal. Un agente que resuelve en diez minutos una tarea que llevaba una hora hace ganar cincuenta minutos, siempre que ese tiempo liberado se use para algo más que sea medible. Si las personas implicadas simplemente terminan con más reuniones o más tiempo muerto, el tiempo se ha desplazado, no ahorrado. Para que esta ganancia cuente de verdad en un cálculo de ROI, debe traducirse en una reducción de coste real (menos horas extra, una contratación evitada) o en un aumento de producción identificable (más casos procesados, más tickets cerrados).

Paso 3: medir el coste evitado

Junto al tiempo, está el coste evitado: los errores que no ocurrieron, las escaladas que no fueron necesarias, los plazos de procesamiento que no generaron una penalización contractual o insatisfacción del cliente. Es más difícil de aislar que una ganancia de tiempo, porque supone comparar con un escenario que no ocurrió. El método más fiable sigue siendo seguir una tasa de incidencias o de errores antes y después, en un periodo comparable, en lugar de estimar un coste evitado de forma teórica.

Paso 4: no olvidar la calidad

Un agente más rápido que produce un trabajo de peor calidad no ha mejorado el ROI, solo lo ha desplazado hacia una partida de coste invisible: las correcciones, las repeticiones, la insatisfacción del cliente que aparece más tarde. La calidad debe medirse con los mismos criterios que antes del agente, tasa de satisfacción, tasa de resolución en el primer contacto, tasa de error, no con criterios inventados después para valorar artificialmente el despliegue.

Paso 5: el plazo, un indicador infravalorado

El plazo de procesamiento, cuánto tiempo transcurre entre una solicitud y su resolución, suele ser el gran olvidado de los cálculos de ROI, aunque tiene un impacto directo en la satisfacción del cliente y, en algunos sectores, en compromisos contractuales. Un agente que no reduce el coste unitario de un caso pero divide entre tres el plazo de procesamiento puede tener un impacto real en el negocio, especialmente en la retención de clientes, aunque no sea lo primero que se piensa en medir.

Separar los costes que varían de los que no varían

Un cálculo de ROI serio también distingue dos tipos de coste del lado del agente. Por un lado, los costes que varían con el volumen procesado: la inferencia del modelo, principalmente, que aumenta mecánicamente con el número de tareas. Por otro, los costes que no varían o varían poco: la suscripción a la plataforma, el tiempo de configuración inicial, la supervisión humana, que se mantiene estable incluso si el volumen se duplica. Confundir ambos distorsiona la proyección: un ROI que parece excelente con un volumen pequeño puede degradarse si los costes variables suben más rápido de lo previsto una vez que el despliegue se generaliza a todo un equipo.

Los errores clásicos de medición

Hay varios errores que se repiten sistemáticamente en los cálculos de ROI de agentes de IA. La confusión entre tiempo ahorrado y dinero ahorrado, ya mencionada antes, es uno de ellos. El doble cómputo es otro: si el equipo de soporte reclama una ganancia de tiempo y el equipo comercial reclama en paralelo una ganancia de ingresos generada por el mismo agente, hay que verificar que no se está contando la misma mejora dos veces desde dos ángulos distintos. Olvidar los costes continuos (supervisión, monitorización, ajuste de instrucciones) también distorsiona el cálculo en el otro sentido: un ROI calculado solo con las ganancias, sin los costes recurrentes de mantenimiento, es estructuralmente optimista. Por último, suponer una adopción del 100 % desde el primer día es un error frecuente: el despliegue de un agente es un proceso progresivo, no un interruptor que se activa de golpe.

Un ejemplo numérico, a tomar como ilustración

La siguiente tabla no es una estadística de mercado, es un ejemplo construido para ilustrar el método, sobre un caso de triaje de soporte al cliente cercano a lo que cubre un agente como este. Las cifras son ficticias y sirven únicamente para mostrar cómo estructurar el cálculo, no para anunciar un resultado garantizado.

Indicador	Antes del agente (línea base)	Después del agente	Lectura
Tickets procesados por día y por persona	25	60	Ganancia de capacidad, a confirmar con un seguimiento de carga real
Plazo medio de primera respuesta	4 horas	20 minutos	Impacto directo en la satisfacción del cliente
Tasa de escalado a una persona	35 %	20 %	El resto sigue necesitando validación humana
Tasa de error de categorización	12 %	8 %	A seguir durante varios meses, no en las primeras semanas

Observar de forma continua en lugar de medir una sola vez

El ROI de un agente de IA no es una cifra que se calcula una vez y se archiva. Un agente que funciona bien al lanzarlo puede desviarse tres meses después si el proceso que automatiza cambia, o si el volumen de solicitudes aumenta más allá de lo que se probó al principio. Por eso la observabilidad, el seguimiento continuo de lo que hace realmente un agente, acción por acción, es indisociable de un enfoque serio del ROI: sin este seguimiento, la medición inicial queda obsoleta enseguida, y se vuelve al problema de partida, un juicio basado en una impresión en lugar de en datos. En este sentido, el tema del coste y el de la organización en varios agentes son las otras dos caras del mismo cálculo: medir un ROI solo tiene sentido si también se sabe con precisión cuánto cuesta el agente.