Cómo medir el ROI de un proyecto de IA antes y después de lanzarlo

Publicado: 2026-05-18 · Actualizado: 2026-10-28

Por Goiko, Founder & AI Solutions CTO de GUGŌ Creative

Cómo medir el ROI de un proyecto de IA: línea base, métricas, coste total con API, infraestructura y mantenimiento, fórmula con ejemplo y cuándo abandonar.

Para medir el ROI de un proyecto de IA necesitas tres cosas antes de escribir una línea de código: una línea base del proceso actual —volumen, tiempo por caso, errores y coste por caso—, dos o tres métricas que la IA debe mover y el coste total del sistema, no solo el del desarrollo. La fórmula es la de siempre: ROI = (beneficio atribuible − coste total) / coste total. Lo difícil no es la fórmula, sino que el beneficio salga de una medición y no de una estimación optimista.

Después del lanzamiento se mide el mismo proceso con el mismo método, incluido el tiempo que las personas dedican a revisar y corregir, y se decide con criterios fijados de antemano: ampliar, ajustar o abandonar. Esta guía no da porcentajes de retorno «típicos», porque dependen de tu proceso; explica el método, aplica la fórmula a un ejemplo hipotético y propone señales para parar a tiempo.

Por qué medir el ROI de la IA es más difícil de lo que parece

En un proyecto de IA el beneficio rara vez llega como una factura menos. Llega como tiempo, calidad o capacidad, y cada uno se mide de forma distinta. Hay tres trampas habituales:

• El tiempo liberado no siempre es ahorro. Solo cuenta como dinero si se dedica a otra tarea con valor o evita una contratación; si no, es capacidad disponible.
• La calidad varía. Una respuesta rápida que hay que comprobar párrafo a párrafo puede ahorrar poco o nada.
• La percepción engaña. En un ensayo controlado aleatorizado de METR con desarrolladores experimentados de código abierto, los participantes esperaban terminar un 24 % antes con IA y tardaron un 19 % más; al acabar, seguían creyendo que habían ido un 20 % más rápido.

La lección no es que la IA no funcione, sino que una encuesta de satisfacción no sustituye a la medición. El efecto, además, no es uniforme: en un estudio con 5.179 agentes de atención al cliente, un asistente de IA aumentó un 14 % de media los casos resueltos por hora, un 34 % en los agentes nuevos o menos cualificados y muy poco en los más experimentados. Si solo miras la media, puedes equivocarte sobre dónde está el valor.

Paso 1: medir la línea base antes del piloto

La línea base describe el proceso tal como funciona hoy, medido durante un periodo representativo que incluya picos y casos difíciles. Como mínimo:

• Volumen: casos al mes o a la semana, y cuánto varía.
• Tiempo por caso: de principio a fin, con esperas, consultas a otras personas y retrabajo.
• Errores: qué proporción sale mal y cuánto cuesta corregirla: una devolución, una reclamación, una factura rehecha.
• Tiempo de ciclo o de respuesta, si lo sufren el cliente o el siguiente equipo.
• Coste por caso: horas por coste por hora, con cargas sociales, más los costes directos.

Es mejor sacar los datos de los sistemas —ticketing, ERP, CRM— que de lo que la gente recuerda. Si no hay registros, cronometra una muestra de casos reales. Y guarda esos casos: servirán como conjunto de prueba para evaluar el sistema, como explicamos en testing de sistemas de IA.

Cómo convertir horas en euros

Usa el coste por hora real de la empresa, no el salario bruto. Y decide antes del piloto qué pasará con el tiempo liberado: si absorbe crecimiento sin contratar, el ahorro es la contratación evitada; si se dedica a tareas de más valor, mide esas tareas; si no cambia nada, no lo cuentes como ahorro.

Paso 2: elegir las métricas de cada solución

Cada proyecto necesita tres tipos de métrica: una de negocio, que es la que entra en el ROI; una de calidad, que dice si el resultado es fiable, y una de adopción, que dice si se usa. Ejemplos por tipo de solución:

Cada métrica necesita un umbral. La guía de criterios de éxito de Anthropic pide que sean específicos, medibles, alcanzables y relevantes, y su ejemplo de buen criterio fija la métrica, el umbral, el conjunto de prueba y la mejora exigida frente a la línea base. Ese es el formato que conviene acordar con el proveedor antes de empezar.

Paso 3: calcular el coste total del proyecto

El coste que entra en el ROI es el de tener el sistema funcionando, no la factura del desarrollo. Las cifras son las de nuestro informe de precios de software e IA en España 2026:

• Desarrollo: la inversión inicial. Una automatización acotada cuesta 10.000-20.000 €; un chatbot o asistente con RAG, 10.000-25.000 €; un agente acotado a una tarea, 20.000-35.000 €, y un copiloto interno, 20.000-50.000 €. Cómo se forma ese precio está en cuánto cuesta una solución de inteligencia artificial.
• Uso del modelo por API: desde unos 100 € al mes con poco volumen; entre 2.000 y 5.000 € al mes con volumen alto. Se paga por tokens, con precios por millón como los de la página de precios de OpenAI; estímalo con el volumen de la línea base, no con el de la demo.
• Infraestructura cloud: entre 50 y 500 € al mes, según tráfico y datos.
• Mantenimiento: del 15 al 25 % del coste de desarrollo al año, para absorber cambios de modelo, de fuentes y de integraciones.
• Tiempo interno: no tiene rango publicado porque depende de tu equipo: horas de expertos para preparar casos de prueba, revisar salidas durante el piloto, formar a los usuarios y adaptar el proceso. Calcúlalo con tus horas y tu coste por hora.

La partida que más se olvida es la última. La revisión humana que se mantiene en producción, en cambio, no es un coste del proyecto sino del proceso nuevo: se descuenta del beneficio, como en el ejemplo siguiente.

Paso 4: la fórmula del ROI aplicada a un ejemplo

Las fórmulas son sencillas; lo que importa es que cada dato salga de la línea base o del piloto:

• Beneficio anual = (coste por caso antes − coste por caso después) × casos al año + errores evitados × coste por error.
• Coste total = desarrollo + uso del modelo + infraestructura + mantenimiento + tiempo interno, en el mismo horizonte.
• ROI = (beneficio − coste total) / coste total.
• Periodo de recuperación = inversión inicial / (beneficio mensual − coste recurrente mensual).

Ejemplo hipotético: albaranes en un almacén

El escenario es hipotético e ilustrativo: los datos del proceso son inventados y los costes están dentro de los rangos del informe. Un almacén registra a mano 600 albaranes al mes, a 6 minutos cada uno: 60 horas al mes. Con un coste por hora de 30 €, son 1.800 € al mes. Un 3 % de los albaranes, 18 al mes, tiene errores que cuesta 25 € corregir: 450 € al mes.

En el piloto, la IA extrae los datos y una persona revisa cada albarán en 2 minutos: 20 horas al mes, 600 €. Los errores bajan al 1 %, 6 al mes, 150 €. El beneficio es de 1.200 € al mes en tiempo y 300 € en errores: 1.500 € al mes, 18.000 € al año, siempre que las 40 horas liberadas se dediquen a trabajo que hoy no se hace o eviten un refuerzo.

Costes: una automatización acotada de 15.000 €; API, 100 € al mes; infraestructura, 50 € al mes; mantenimiento, el 20 % del desarrollo, 3.000 € al año, y 40 horas internas de preparación y formación, 1.200 €.

Tres lecturas. El ROI del primer año sale negativo porque carga toda la inversión; el del segundo, aislado, exagera porque ya no la incluye, y el acumulado a dos años es la cifra útil para decidir. El periodo de recuperación, contado desde la puesta en marcha, es de unos 15 meses: 16.200 € / (1.500 € − 400 €), donde los 400 € mensuales son la API, la infraestructura y la parte proporcional del mantenimiento.

Ahora la sensibilidad: si solo la mitad de los albaranes pasa por el sistema, porque parte del equipo sigue con el método antiguo, el beneficio baja a 9.000 € al año, el ROI acumulado a dos años pasa a ser negativo (−30 %) y la recuperación se va a casi cuatro años. Por eso la adopción se mide igual que la calidad. Ninguna de estas cifras es una referencia de retorno: son la aritmética de un ejemplo.

Paso 5: medir después del lanzamiento

• Mismo método que la línea base: las mismas métricas, la misma fuente de datos y un periodo comparable, con picos incluidos.
• Un grupo de control cuando sea posible: una parte de los casos o de los equipos sigue sin IA durante un tiempo. Es lo que permite separar el efecto de la IA del de otros cambios simultáneos.
• La revisión y las correcciones cuentan: el tiempo «después» incluye comprobar, corregir y rehacer.
• Por segmentos: tipos de caso, equipos y nivel de experiencia; la media puede esconder dónde está el valor.
• Registro en el propio sistema: cada caso con su resultado, sus correcciones y el tiempo empleado, para no depender de encuestas.
• Fechas fijadas de antemano: una medición al cerrar el piloto y otra con el uso ya estable.

Si todavía no está claro qué medir ni con qué datos, una auditoría técnica de IA sirve para definir el caso, las fuentes y una prueba que pueda fallar antes de invertir en el desarrollo.

Cuándo abandonar o reorientar un proyecto de IA

El marco de gestión de riesgos de IA del NIST incluye entre sus funciones decidir si el desarrollo o el despliegue de un sistema debe continuar, y prever mecanismos para sustituirlo, desconectarlo o desactivarlo cuando su funcionamiento no se ajusta al uso previsto. Aplicado al ROI, significa escribir antes del piloto en qué condiciones se para. Algunas señales:

• La calidad no alcanza el umbral acordado tras las iteraciones previstas en el piloto.
• El ahorro neto, con la revisión incluida, no cubre el coste recurrente. Si cada mes el sistema cuesta más de lo que ahorra, ningún horizonte lo arregla.
• La adopción no despega aunque la calidad sea buena. Antes de abandonar, comprueba si el problema es la interfaz o el encaje en el proceso; si no tiene arreglo, para.
• El coste por caso crece con el volumen más deprisa que el beneficio.
• Aparece un requisito de datos, seguridad o legal cuyo coste supera el beneficio esperado.

Parar no siempre es tirarlo todo: se puede reducir el alcance al tipo de caso donde sí funciona, sustituir el desarrollo por una herramienta estándar o volver al proceso anterior con lo aprendido. Lo que no es un argumento para seguir es lo que ya se ha gastado.

Errores frecuentes al medir el ROI de la IA

• Medir percepción en lugar de tiempos. Las encuestas complementan los registros, no los sustituyen.
• Contar como ahorro un tiempo liberado que nadie usa.
• Olvidar la revisión humana y las correcciones al medir el proceso nuevo.
• Reconstruir la línea base a posteriori, con datos estimados.
• Atribuir a la IA mejoras de otros cambios simultáneos: un proceso nuevo, más personal o una temporada baja.
• Calcular solo el desarrollo y dejar fuera API, infraestructura, mantenimiento y tiempo interno.

Preguntas frecuentes

¿Cómo se calcula el ROI de un proyecto de IA?

Con la fórmula ROI = (beneficio − coste total) / coste total, en el mismo horizonte de tiempo. El beneficio sale de comparar la línea base del proceso con el proceso nuevo, incluida la revisión humana, y el coste total suma desarrollo, uso del modelo, infraestructura, mantenimiento y tiempo interno.

¿Qué métricas sirven para medir el ROI de la IA?

Una métrica de negocio, como el tiempo o el coste por caso; una de calidad, como el porcentaje de resultados correctos, y una de adopción, como la proporción de casos que pasan por el sistema. Todas con un umbral acordado y medidas antes y después.

¿Qué costes hay que incluir en el cálculo?

El desarrollo; el uso del modelo por API, desde unos 100 € al mes con poco volumen y 2.000-5.000 € al mes con volumen alto; la infraestructura, 50-500 € al mes; el mantenimiento, del 15 al 25 % del desarrollo al año, y el tiempo interno del equipo, que no tiene rango publicado. Son cifras de nuestro informe de precios 2026.

¿Cuándo se puede saber si un proyecto de IA ha valido la pena?

Cuando hay uso real suficiente, en condiciones estables, para compararlo con la línea base con el mismo método. Conviene fijar antes del piloto qué resultado se considera éxito y en qué fecha se medirá.

¿Cuándo conviene abandonar un proyecto de IA?

Cuando no alcanza el umbral de calidad tras las iteraciones previstas, cuando el ahorro neto no cubre el coste recurrente o cuando la adopción no despega por causas que no se pueden corregir. Esos criterios deben escribirse antes del piloto.

Lecturas relacionadas

• Cuánto cuesta una solución de inteligencia artificial
• Precios de software e IA en España 2026
• Testing de sistemas de IA
• Auditoría técnica de IA: qué revisar antes de invertir