La métrica que importa no son los tokens: es el costo total por resultado exitoso y verificable

Cuando una organización empieza a medir su uso de inteligencia artificial, mide dos cosas: cuánta gente la usa y cuánto consume. Adopción y tokens.

Ninguna de las dos informa sobre valor. La adopción dice que la herramienta está disponible y que la gente la abre. El consumo dice cuánto se está gastando. Se puede tener adopción alta y consumo alto con un impacto de negocio exactamente igual a cero, y eso ocurre con más frecuencia de la que se reporta.

La métrica que integra todo lo que importa es más difícil de calcular y bastante más honesta: el costo total por resultado exitoso, confiable y verificable.

Desarmando la definición

Cada palabra hace trabajo.

Resultado, no artefacto. La unidad no es un borrador generado ni una respuesta producida: es una tarea completada con el efecto que se buscaba. Un correo redactado no es un resultado; una consulta de cliente resuelta sí.

Exitoso. El resultado cumplió su propósito. Esto requiere un criterio definido de antemano, que es donde la mayoría de las mediciones se caen: sin criterio, “exitoso” se determina por la impresión de quien lo revisó.

Confiable. Se sostuvo en el tiempo. Un resultado que hubo que corregir la semana siguiente no fue exitoso: fue un adelanto de trabajo.

Verificable. Alguien puede demostrar que fue correcto. Un resultado imposible de auditar tiene un valor mucho menor en cualquier contexto donde haya que responder por él.

Costo total. Todos los costos, no solo el visible.

Lo que entra en el costo total

Aquí está la mayor parte del aprendizaje, porque el componente que suele mirarse —el consumo de modelos— rara vez es el mayor.

Inferencia. El costo directo de los modelos. Visible, fácil de medir, y con frecuencia una fracción menor del total.

Infraestructura de soporte. Almacenamiento de contexto, bases vectoriales, orquestación, observabilidad. Se acumula silenciosamente y no aparece en el reporte de la herramienta de IA.

Tiempo humano de verificación. El costo que más se subestima. Si un resultado requiere que alguien con criterio lo revise durante veinte minutos, ese es el componente dominante en casi cualquier organización, porque el tiempo de una persona experta cuesta órdenes de magnitud más que la inferencia.

Retrabajo. Los intentos que no sirvieron, las correcciones posteriores, las iteraciones hasta llegar a algo utilizable.

Costo de los defectos escapados. Lo que cuesta lo que salió mal y no se detectó. Es difícil de estimar y no se puede omitir, porque es exactamente el costo que la aceleración sin verificación produce.

Costo de oportunidad de la atención consumida. Si verificar resultados de agentes consume el tiempo de las personas con mejor criterio, ese tiempo no está disponible para otra cosa.

Por qué la métrica cambia decisiones

Un ejemplo ilustrativo, con números redondos para hacer visible la aritmética.

Un proceso se hacía manualmente con dos horas de una persona por caso. Se automatiza. Ahora el agente produce el resultado en minutos y una persona lo verifica en veinte.

Medido por tiempo humano, el ahorro es notable: de ciento veinte a veinte minutos por caso.

Ahora se agregan los otros componentes. El agente acierta en una proporción de los casos y en el resto la verificación detecta un problema que obliga a rehacer, con lo que el tiempo humano promedio sube. Hay un costo de inferencia por intento, incluidos los intentos fallidos. Hay infraestructura de contexto y observabilidad. Y hay una fracción de errores que la verificación no detecta y que se pagan después.

El costo por resultado exitoso y verificable sigue siendo menor que las dos horas originales en la mayoría de los casos bien elegidos. Pero es sustancialmente mayor que los veinte minutos que aparecen en la presentación. Y en algunos casos —tareas con alta tasa de error, verificación cara o consecuencias serias— resulta mayor que el proceso original.

Sin esta métrica, esos casos no se distinguen de los otros. Se automatiza todo con el mismo entusiasmo y el resultado agregado es peor de lo que parece.

El indicador complementario más útil

Hay un segundo número que conviene medir junto al costo por resultado: el tiempo humano consumido por verificación, medido como proporción del tiempo total.

Ese número responde la pregunta que más importa a mediano plazo: ¿la automatización liberó atención o solo la trasladó?

Si el tiempo de verificación crece proporcionalmente con el volumen automatizado, el sistema no escala. Solo cambió de forma el trabajo. La única salida en ese escenario es invertir en verificación automática —evaluaciones, validaciones, pruebas— que es lo que efectivamente convierte volumen en capacidad.

Qué tareas conviene automatizar y cuáles no

La métrica sirve para medir lo que ya se automatizó. Su uso más valioso es anterior: decidir qué conviene automatizar.

Hay cuatro variables que determinan si una tarea es buena candidata, y basta con estimarlas de forma aproximada.

Costo de verificación respecto al costo de ejecución. Si verificar un resultado cuesta casi lo mismo que producirlo, la automatización aporta poco. Redactar un correo lleva diez minutos y revisarlo dos: buena relación. Elaborar un análisis lleva dos horas y verificarlo bien lleva noventa minutos: relación pobre.

Frecuencia. Una tarea que ocurre cien veces al mes amortiza el trabajo de construir contexto, evaluaciones y validaciones. Una que ocurre dos veces, no. Esta variable domina sobre todas las demás y se subestima constantemente: buena parte de los pilotos de automatización se hacen sobre tareas interesantes y poco frecuentes.

Consecuencia del error no detectado. Determina cuánta verificación hace falta, y por lo tanto el costo. Una tarea donde un error se detecta rápido y se corrige barato tolera automatización agresiva. Una donde el error llega al cliente o al regulador requiere verificación cara, que suele consumir el ahorro.

Disponibilidad de criterio de corrección. Si existe una forma objetiva de saber si el resultado es correcto —una regla, una validación, una comparación— la verificación se puede automatizar. Si el criterio es el juicio de un experto, no.

Cruzando estas cuatro variables aparece un patrón bastante consistente. Las mejores candidatas son tareas frecuentes, con criterio de corrección explícito, verificación barata y error recuperable. Las peores son las infrecuentes, con criterio tácito, verificación cara y error costoso.

Y hay una categoría intermedia que merece atención especial: tareas frecuentes con criterio tácito. No conviene automatizarlas todavía, y sí conviene escribir el criterio. Ese trabajo —explicitar qué hace correcto a un resultado— tiene valor por sí mismo para la organización, y convierte la tarea en candidata para más adelante.

Es probablemente el mejor uso de la energía disponible: en vez de automatizar lo que se puede, escribir los criterios de lo que importa. Lo primero produce ahorros dispersos; lo segundo construye la base sobre la que la automatización se vuelve verificable.

Cómo empezar a medirlo

No hace falta instrumentar todo. Elige el uso de IA con más volumen en tu organización y mide durante dos semanas:

• cuántas tareas se intentaron y cuántas terminaron en un resultado utilizable;
• cuánto tiempo humano se dedicó a verificar y corregir, en total;
• cuánto se gastó en inferencia e infraestructura asociada;
• cuántos resultados hubo que rehacer después de aceptados.

Con eso se calcula el costo por resultado exitoso. Es una estimación, no una contabilidad. Y es casi seguro que va a ser el primer número que la organización tenga sobre el valor real de su inversión en IA, en vez de sobre su adopción.