Lo que veo en la cancha
La enorme mayoría de las empresas que nos llaman para implementar IA no está preparada para implementar IA. No tengo una cifra para respaldar eso y no se la voy a inventar. Es lo que pasa consultoría tras consultoría.
Y no está mal.
La inteligencia artificial cambia todos los días y no todas las empresas se mueven a esa velocidad. Pasó con el punto com. Pasó con las redes sociales. Pasó con el marketing digital. Todavía hoy hay empresas que no tienen nada de eso resuelto, funcionan bien, facturan bien y son referentes en su región. No estar en la primera ola nunca fue lo mismo que quedarse afuera.
Lo que sí es un problema es comprar la herramienta antes de saber para qué.
El primer 50% del trabajo es medir el antes
Volviendo a la pregunta original. Para saber si tu equipo es 30% más eficiente, primero tenés que saber cuánto produce hoy. Y eso no es un número, son varios: cuánto tarda una persona en responder un caso, cuántas propuestas arma por semana, cuánto pasa entre que llega una consulta y sale la respuesta, cuántos contratos cierra por mes, cuánto tiempo se va en tareas que nadie llamaría trabajo.
Ese ejercicio es la mitad del proyecto y casi nadie lo hace, porque no tiene nada de atractivo y no se puede mostrar en una demo. Pero sin esa foto del antes, cualquier número que digas después es una sensación.
Cuando la línea de base está, el resto se ordena solo. Ya sabés qué mirar, ya sabés qué debería moverse, y ya podés discutir si se movió.
Antes de la plataforma, la bajada de procesos
En la mayoría de los proyectos recomendamos hacer una bajada de procesos antes de tocar cualquier plataforma. No por prolijidad. Es para no arrastrar vicios ocultos a la tecnología nueva.
Un proceso que hoy tiene tres aprobaciones que nadie recuerda para qué son, automatizado, pasa a ser un proceso con tres aprobaciones inútiles que ahora corren más rápido. Automatizar un desorden no lo ordena, lo acelera. Y encima le pone encima una capa que hace más difícil ver dónde estaba el problema.
La pregunta difícil: qué hace tu gente con el tiempo que le liberaste
Supongamos que sale todo bien. Una tarea que llevaba una hora ahora lleva cuarenta y cinco minutos. ¿Qué hace esa persona con los quince minutos?
Acá es donde se complica de verdad, y hay datos que ayudan a entender por qué. Workday encuestó a 3.200 empleados de tiempo completo en empresas de más de 100 millones de dólares de facturación, todos usuarios activos de IA, en América del Norte, Asia-Pacífico y Europa. El 85% dice ahorrar entre una y siete horas por semana.
Ahora los dos números que importan. Cerca del 40% de ese tiempo ahorrado se pierde en rehacer: corregir errores, reescribir salidas, verificar resultados. Y solo el 14% de los empleados obtiene resultados netos positivos de forma consistente.
Entre los que sí obtienen resultados positivos, el 57% usa el tiempo liberado en trabajo de mayor valor. Del otro lado, el 32% de las organizaciones simplemente le carga más trabajo a la gente. Eso no es una estrategia de productividad, es una forma bastante rápida de quemar a un equipo.
Workday es proveedor y encargó su propio estudio, igual que Salesforce el suyo. Lo digo para aplicar la misma vara a los dos.
El problema de preguntarle al equipo si se siente más rápido
Hay un experimento que me quedó dando vueltas. En julio de 2025 METR publicó un ensayo con 16 desarrolladores experimentados sobre 246 tareas reales de sus propios repositorios, sorteando tarea por tarea si podían usar IA o no.
Con IA tardaron 19% más. Antes de empezar esperaban ser 24% más rápidos. Después de terminar, sabiendo ya cómo les había ido, seguían creyendo que la IA los había acelerado un 20%.
Es un estudio chico, sobre un perfil muy específico de gente y con herramientas de principios de 2025. Los propios autores aclaran que no sirve para concluir que la IA no acelera a nadie, ni fuera del desarrollo de software. Pero el hallazgo que sí viaja es otro: la percepción de productividad y la productividad pueden ir en direcciones opuestas sin que nadie lo note.
Si tu única medición es preguntarle al equipo si se siente más rápido, ya sabés lo que te van a contestar.
Comprar la licencia es la parte fácil
Pagar una licencia por empleado de Claude, de GPT o de Agentforce no cuesta nada comparado con lo otro. Lo difícil es que la gente trabaje con la herramienta y que ese tiempo se transforme en algo. Eso no se compra, se construye, y se parece bastante más a un cambio de cultura que a un proyecto de tecnología.
Hay una parte de ese cambio que casi nunca se conversa: enseñarle al equipo a no quedarse esperando que el agente termine. Si la persona delega una tarea y se queda mirando cómo corre, el tiempo ahorrado es cero. La ganancia aparece cuando arranca la siguiente mientras la primera se resuelve sola, y eso hay que enseñarlo y medirlo igual que cualquier otra cosa.
De dónde sale el 30%
La pregunta llega siempre igual. Implementamos la plataforma, el equipo la está usando, alguien en la reunión pregunta cuánto más eficientes somos ahora. Y la respuesta que todos esperan escuchar es 30%.
Vengo dando vueltas hace meses con esa cifra, porque la escucho en todos lados y nunca vi a nadie explicar de dónde sale. Así que la fui a buscar.
Sale de un lugar concreto. En mayo de 2025 Salesforce publicó una investigación hecha con NewtonX: una encuesta doble ciego a 200 directores de recursos humanos de todo el mundo. El resultado que se cita es que, una vez implementada la IA agéntica, los CHRO esperan una ganancia de productividad promedio del 30% por empleado.
Esperan.
No es una medición. Es lo que doscientos ejecutivos creen que va a pasar. El mismo estudio proyecta una reducción del 19% en costos laborales, unos 11.064 dólares por empleado según los promedios salariales de la OCDE, y que el 23% de la gente termine reasignada a otros roles. Todo eso son expectativas, y están perfectamente bien presentadas como tales en el estudio original. El problema aparece después, cuando el número se despega de su fuente y llega a la sala de reuniones convertido en promesa.
Somos partner de Salesforce y trabajamos con Agentforce todos los días. Esto no es una crítica a la plataforma. Es una observación sobre cómo viaja un número.
Qué pasó cuando alguien fue a medir
En agosto de 2025 el proyecto NANDA del MIT publicó un informe que juntó 150 entrevistas a ejecutivos, 350 encuestas a empleados y el análisis de 300 proyectos de IA. De esos 300, el 95% no mostró impacto medible en el estado de resultados.
Ese 95% se cita muchísimo y casi siempre mal. No dice que los proyectos fracasaron técnicamente. Dice que no se pudo medir el impacto. Y la razón que da el propio informe es la que a mí me interesa: las empresas no tenían una línea de base documentada de antes de implementar.
Hay que ser justo con el dato: los 300 proyectos no se eligieron al azar, salieron del acceso directo del equipo que hizo el informe. Sirve como señal, no como estadística de la industria. Pero la señal apunta a algo que veo todas las semanas.
Todo esto suena abstracto hasta que le pasa a alguien. Lo contamos entero, con nombres cambiados y la autocrítica primero, en Fracaso con rotundo éxito: un agente que funciona, que convierte, y que parte del equipo considera un fracaso.
Mi conclusión
No todas las empresas están preparadas para implementar IA y agentes hoy, y eso no es un defecto. Esta ola llegó para quedarse y no se va a terminar mañana a la noche. Hay tiempo para ordenar los procesos, medir cómo se trabaja hoy, pensar, y recién después decidir.
Cuando alguien nos pregunta si está listo, la respuesta honesta casi siempre es la misma: todavía no, y no importa. Lo que importa es qué hacés en los próximos tres meses para estarlo.