Cómo calcular el ROI de un proyecto de inteligencia artificial

Calcular el ROI de un proyecto de inteligencia artificial no es difícil por la aritmética: es una división. Es difícil porque las dos cifras que vas a dividir son casi siempre las que nadie midió. El beneficio se estima con horas que nunca se cronometraron, y el costo se estima con la licencia del proveedor, que suele ser la parte más barata del asunto. Lo que sigue es el procedimiento completo, con la fórmula explícita y un ejemplo trabajado.

Esos cuatro números describen el mismo problema desde cuatro ángulos. Se adopta mucho, se mide poco, el retorno tarda más de lo que la gente supone, y una parte del ahorro se evapora antes de llegar al estado de resultados. Ninguno de los cuatro es motivo para no hacer el proyecto: son motivo para calcularlo bien antes de firmarlo.

La primera razón es que la expectativa se fija antes que la medición. En el *CIO Playbook 2026*, investigación de IDC comisionada por Lenovo con alrededor de 500 tomadores de decisión de TI y de negocio en Argentina, Brasil, Chile, Colombia, México y Perú, 97% de las organizaciones latinoamericanas planea aumentar su presupuesto de IA en los próximos doce meses (14% en promedio), 92% anticipa un retorno positivo y los encuestados esperan generar unos 3 dólares de valor por cada dólar invertido ⁷. Conviene leerlo con cuidado: es una expectativa declarada en una encuesta patrocinada por un proveedor, es un promedio regional que no equivale a la cifra de México, y no es un retorno medido.

La segunda razón es que el valor existe, pero está muy concentrado. BCG clasificó a las empresas de su estudio global en tres grupos: 5% *future-built*, 35% que escala IA y empieza a generar valor, y 60% de rezagadas que apenas obtienen valor material de lo que invierten; el 5% líder ya logra cinco veces el aumento de ingresos y tres veces la reducción de costos que el resto obtiene de la IA ⁵. Si tu business case se construyó con el promedio del mercado, estás promediando dos poblaciones que no se parecen en nada.

La línea base es la medición del proceso tal como opera hoy, hecha antes de que exista el sistema y firmada por quien va a juzgar el resultado. Si la levantas después, ya no es una medición: es una reconstrucción, y las reconstrucciones siempre favorecen al proyecto que las paga. Este es el error más caro de todo el ejercicio, y no cuesta dinero evitarlo, solo dos semanas de disciplina.

Levantar una línea base útil significa medir cinco cosas sobre una unidad de trabajo bien definida (una cotización, un expediente, un ticket, una factura), no sobre un departamento entero:

• Volumen: cuántas unidades procesa el equipo al mes, con la estacionalidad de los últimos doce meses, no la del mes pasado.
• Tiempo por unidad: minutos reales de trabajo humano, medidos con muestreo o con los timestamps del sistema, no preguntando *¿cuánto tardas?*.
• Costo cargado por hora: sueldo bruto más prestaciones, impuestos sobre nómina y overhead asignado, dividido entre las horas efectivamente trabajadas al año. Sácalo de tu propia nómina; el multiplicador sobre el sueldo nominal varía demasiado entre empresas como para tomar prestado el de nadie.
• Calidad: tasa de error o retrabajo, y el costo unitario de cada error cuando se escapa al cliente.
• Tiempo de ciclo: cuánto tarda la unidad desde que entra hasta que sale, incluyendo las esperas. Es la métrica que más se mueve con IA y la que menos se mide.

Una advertencia sobre la unidad de análisis. Es tentador construir el caso a nivel macro (*la IA sube la productividad, luego mi empresa será más productiva*), pero esos estudios miden otra cosa. La OCDE estima que la IA podría añadir entre 0.2 y 1.3 puntos porcentuales al crecimiento anual de la productividad laboral de las economías del G7 durante la próxima década, según el país y el escenario de adopción ⁸. Es una ganancia potencial agregada, no un resultado observado ni algo que puedas anotar en tu hoja de cálculo.

El denominador de la fórmula es el costo total, y la licencia del modelo suele ser su fracción menor. Gartner, en su análisis de valor y costo de casos de uso de IA generativa, ofrece rangos aproximados (los llama explícitamente *ballpark*) que ayudan a calibrar el orden de magnitud: para casos de uso defensivos como asistentes de código, productividad de negocio o creación de contenido de marketing, estima entre 100,000 y 500,000 dólares de inversión inicial que cubre piloto, despliegue, integración y capacitación, más entre 220 y 2,100 dólares por usuario al año en costos recurrentes, calculados sobre despliegues de 100 a 1,000 usuarios e incluyendo licencias SaaS y 10% del costo inicial de implementación ³.

Para casos de uso que extienden un proceso existente (soporte asistido por IA generativa, contenido de ventas personalizado, búsqueda y resumen de documentos), los rangos suben a entre 750,000 y 1 millón de dólares iniciales, con recurrentes de 790 a 11,000 dólares por usuario al año, asumiendo un equipo de desarrollo, datos, seguridad y producto trabajando seis meses, y un mantenimiento de aplicación y modelo equivalente a 15%-20% del costo inicial de despliegue ³. Son cifras globales de 2024 y no específicas de México; sirven para saber si tu presupuesto está en el planeta correcto, no para copiarlas.

En proyectos de empresa mediana, estas son las siete líneas que tienen que estar en el denominador. Las que más se olvidan son la cuarta y la quinta:

1. 01Diagnóstico y diseño: el trabajo de entender el proceso y decidir qué se automatiza. Se paga aunque el proyecto se detenga después.
2. 02Construcción e integración: el sistema y, sobre todo, las conexiones con el CRM, el ERP, el correo y lo que ya usa el equipo. Las integraciones suelen costar más que el modelo.
3. 03Inferencia y licencias: el costo de cada consulta, que escala con el uso. Gartner prevé que, de aquí a 2028, los costos agregados de inferencia representen al menos 70% del costo total de vida de un modelo, muy por encima del entrenamiento ⁴.
4. 04Horas internas: el tiempo de tu gente en entrevistas, pruebas, validación de datos y revisión de resultados. Es un costo real aunque no salga del presupuesto de TI.
5. 05Gestión del cambio y capacitación: si el equipo no adopta el sistema, el beneficio es cero y el costo es completo.
6. 06Mantenimiento y evolución: reentrenamiento, ajustes de prompts, cambios de API del proveedor, corrección de degradación de calidad. Presupuéstalo desde el año uno.
7. 07Gobernanza y control: observabilidad, permisos, trazabilidad, revisiones de seguridad y riesgo. Es lo primero que se recorta y lo primero que se extraña.

Hay una razón concreta para ser exhaustivo aquí, y es que el sobrecosto es el modo de falla más frecuente. Gartner pronostica que, de aquí a 2028, al menos la mitad de los proyectos de IA generativa excederá su presupuesto, y lo atribuye a decisiones de arquitectura deficientes y a falta de experiencia operativa ⁴. Un denominador optimista no hace mejor al proyecto; solo mueve la mala noticia al trimestre siguiente.

El beneficio se descompone en tres familias, ordenadas de más defendible a más discutible. Vale la pena calcularlas por separado, porque un comité que confía en la primera y desconfía de la tercera puede aprobar el proyecto igual si le muestras que aguanta sin ella.

Horas recuperadas. Volumen mensual × tiempo por unidad × porcentaje del tiempo que el sistema absorbe realmente × costo cargado por hora. Dos cautelas: el porcentaje absorbido casi nunca es 100% (queda revisión humana) y el ahorro solo es dinero si esas horas se reasignan a algo que genera valor o si evitan una contratación. Si nadie cambia de tarea, ahorraste tiempo, no costo.

Error evitado. Frecuencia del error × costo unitario × porcentaje que el sistema efectivamente previene. El costo unitario incluye retrabajo, nota de crédito, penalización contractual y, cuando se puede estimar con honestidad, el cliente perdido. Esta línea suele ser más grande de lo que la gente cree y más fácil de documentar que la anterior, porque los errores caros dejan rastro contable.

Ingreso incremental. Más cotizaciones enviadas, respuesta más rápida, mejor tasa de conversión, menos abandono. Es la familia más atractiva y la más frágil, porque la atribución es difícil: si el trimestre fue bueno, ¿fue la IA o fue el mercado? Regla práctica: valúa el ingreso incremental por margen de contribución, no por facturación, aplícale un descuento explícito por atribución, y muestra siempre el ROI con y sin esta línea.

Todos los números de esta sección son inventados para ilustrar el método: son cifras redondas de un caso hipotético, no datos de ninguna fuente. Supongamos una empresa mediana mexicana con un equipo de 10 personas que dedica 5 horas a la semana, 45 semanas al año, a armar cotizaciones técnicas: 2,250 horas anuales. El costo cargado por hora es de 400 pesos. Se implementa un sistema que absorbe 60% de ese trabajo.

Ahora la parte que casi nadie hace: el año 1 no rinde el beneficio completo, porque hay implementación, curva de adopción y ajustes. Si asumimos que se captura 70% del beneficio anual, el año 1 aporta 538,000 pesos contra 746,000 de costo, es decir un ROI de −28%. El año 2 aporta 768,000 contra 206,000: +273%. Acumulado a 24 meses, el ROI es de +37% y el payback cae alrededor del mes 17. Un proyecto sano puede perfectamente tener el primer año en rojo; lo que no puede es esconderlo.

Y la prueba de estrés: si el comité no cree en la línea de ingreso incremental y la borramos por completo, el ROI acumulado a 24 meses pasa a ser ligeramente negativo y el payback se recorre del mes 17 al mes 26. El proyecto no se cae, pero cambia de categoría y, probablemente, de quién tiene que aprobarlo. Esa es exactamente la conversación que debe ocurrir antes de firmar, no en la revisión del segundo trimestre.

El horizonte merece un párrafo propio porque es donde más se pelea. Deloitte encontró que la mayoría de los ejecutivos encuestados alcanza un retorno satisfactorio en un caso de uso típico de IA en un plazo de dos a cuatro años, muy por encima del periodo de recuperación de siete a doce meses que suele esperarse de una inversión tecnológica; incluso entre los proyectos más exitosos, apenas 13% vio retornos dentro de los primeros doce meses ². La muestra es de Europa y Medio Oriente, no de América Latina, así que no la uses como benchmark local. Úsala para otra cosa: para justificar que evalúes tu proyecto a 24 o 36 meses en lugar de a 12, que es donde mueren los buenos proyectos mal presupuestados.

Nadie está retrocediendo por eso: en el mismo estudio, 85% de las organizaciones encuestadas aumentó su inversión en IA durante los últimos doce meses y 91% planea aumentarla de nuevo, aunque solo alrededor de una de cada cinco califica como verdadera líder en ROI de IA ². Se invierte esperando un retorno que llega tarde. Eso solo es defendible si el cálculo lo dice desde el principio.

Un último criterio, más de gobierno que de aritmética: define desde el día uno cuál es el resultado que haría que canceles el proyecto. Un umbral de ROI mínimo, una fecha, una métrica que no se movió. Los proyectos sin condición de salida no fracasan: se vuelven permanentes, que es más caro.