Estrategia para organizaciones

Las cuentas de la lección

Todas las cifras de la tienda son ilustrativas: sirven para ver cómo se arma la cuenta, no para copiarlas. Lo que importa es la forma de las fórmulas y que cada supuesto quede a la vista.

Valor en juego. Con $f$ veces al mes y $m$ minutos ahorrados cada vez, las horas de trabajo en juego al mes son

Dudas de garantía: $2\,000 \times 6 / 60 = 200$ h; diagnósticos: $300 \times 30 / 60 = 150$ h; currículos: $20 \times 6 / 60 = 2$ h. Si el valor no es tiempo (ventas, calidad, menos errores), se usa la unidad que tenga sentido, pero siempre multiplicada por la frecuencia.

Costo por tarea (lección 26). Con $t_e$ tokens de entrada a $p_e$ dólares por millón y $t_s$ de salida a $p_s$:

Aunque la salida tiene menos de una décima de los tokens, aporta el 30 % del costo de cada duda: cada token de salida cuesta cinco veces más.

Costo total del primer año. Con un costo inicial $I$ (construir e integrar, 4 000; preparar datos y casos de oro, 2 000), un costo fijo mensual $F$ (servicio y monitoreo, 70; personas, 40 h × 10 = 400) y $V$ dudas al mes:

Los tokens son $12 \times 30 = 360$, el 3 %.

Beneficio y retorno. Con un costo de $h$ dólares por hora de trabajo:

Con $V = 2\,000$, $m = 6$ y $h = 10$: $B_1 = 24\,000$, $R_1 = 12\,000$ y $\text{ROI}_1 = 100\,\%$. La inversión inicial se recupera en

Puntos de equilibrio. Despejando $R_1 = 0$:

Por eso la meta del piloto es «al menos tres minutos»: por debajo, el primer año pierde dinero. Con los cuatro minutos medidos, $R_1 = 16\,000 - 12\,000 = 4\,000$.

Qué le falta a esta cuenta

Es un modelo de primer orden. No descuenta el dinero en el tiempo, no cuenta los costos de salida (cambiar de proveedor), ni el riesgo residual de la lección 35 (lo que cuesta un incidente por su probabilidad), ni que los precios por token cambian. Tampoco supone que el tiempo ahorrado se convierta solo en dinero: si nadie usa esas horas para otra cosa, el beneficio no aparece en la contabilidad. Por eso el piloto mide y la cuenta se rehace con lo medido.

El cuadro de dos por dos

Combina tres factores en dos ejes: el horizontal es $f \times v$ (el valor en juego) y el vertical, el riesgo $P \times I$ de la lección 35. Las posiciones de la lección son ordinales (el orden importa, la distancia no). Una alternativa es una puntuación, por ejemplo $\text{prioridad} = f \cdot v \cdot (1 - r)$ con $r \in [0, 1]$, pero una sola cifra esconde por qué un caso quedó arriba o abajo; el cuadro obliga a decir las dos razones. Un caso de riesgo alto puede bajar con controles (aprobación humana, respuestas con fuente, permisos mínimos) y moverse de zona, como las dudas de garantía.

En la Unión Europea, filtrar solicitudes de empleo está en el anexo III del Reglamento de IA (alto riesgo); según el Reglamento (UE) 2026/1744, esas obligaciones se aplican desde el 2 de diciembre de 2027.

Construir, comprar o ajustar

Camino	Qué es	Cuándo
Comprar	producto hecho, pago por mes o por usuario	tareas comunes: transcribir, redactar, resumir
Construir	tu sistema sobre el modelo de un proveedor: prompt, RAG, herramientas	tareas que usan tus datos o tus procesos
Ajustar	además, ajuste fino o LoRA con tus ejemplos (lección 27)	tarea estable, muy repetida, con miles de ejemplos buenos, si el prompt y RAG no alcanzan
Desde cero	preentrenar un modelo propio (lecciones 23 y 24)	casi nunca: decenas de millones de dólares

Antes de comprar o construir, evalúa con tus casos de oro (lección 34): la elección se compara con el mismo conjunto y el mismo costo total.

Lo que dicen los estudios

• Brynjolfsson, Li y Raymond (2025), Quarterly Journal of Economics: 5 172 agentes de atención al cliente, con un asistente de IA que se introdujo de forma escalonada. Las consultas resueltas por hora subieron 15 % en promedio y 30 % en los trabajadores menos hábiles y menos experimentados; en los más experimentados el efecto en productividad fue pequeño y su calidad bajó un poco. (La versión de trabajo de 2023 daba 14 % y 34 %.)
• Dell’Acqua y colaboradores (2023), Harvard Business School y BCG: 758 consultores en un experimento preregistrado. En 18 tareas dentro del alcance de GPT-4, quienes la usaron terminaron 12.2 % más tareas, 25.1 % más rápido y con mayor calidad; en una tarea elegida para quedar fuera de su alcance, tuvieron 19 % menos probabilidad de dar con la solución correcta que quienes no la usaron. Los autores llaman a eso una «frontera tecnológica irregular» (jagged frontier).
• Microsoft y LinkedIn (Work Trend Index, 8 de mayo de 2024): encuesta a 31 000 personas en 31 países. El 75 % de los trabajadores del conocimiento usaba IA generativa en el trabajo; el 78 % de quienes la usaban llevaba sus propias herramientas; solo el 39 % había recibido capacitación de su empresa.
• Gartner (29 de julio de 2024): predijo que al menos el 30 % de los proyectos de IA generativa se abandonarían tras la prueba de concepto para fines de 2025, por datos de mala calidad, controles de riesgo insuficientes, costos crecientes o valor de negocio poco claro. Es una predicción de una consultora, no una medición.

En código

H_COSTO = 10                        # dólares por hora de trabajo (supuesto)
C_TAREA = (3500 * 3 + 300 * 15) / 1e6   # dólares por duda (lección 26)
INICIAL, FIJO = 6000, 470           # una vez; cada mes (supuestos)

def primer_anio(dudas, minutos):
    beneficio = 12 * dudas * minutos / 60 * H_COSTO
    costo_total = INICIAL + 12 * (FIJO + dudas * C_TAREA)
    return round(beneficio), round(costo_total), round(beneficio - costo_total)

print(C_TAREA)
for dudas, minutos in [(2000, 6), (500, 6), (1000, 6), (2000, 4)]:
    print(dudas, minutos, primer_anio(dudas, minutos))

ahorro_neto = 6 / 60 * H_COSTO - C_TAREA          # dólares por duda, ya sin tokens
print(round((INICIAL / 12 + FIJO) / ahorro_neto))  # dudas al mes para no perder
print(INICIAL / (2000 * ahorro_neto - FIJO))       # meses para recuperar lo invertido

Salida:

0.015
2000 6 (24000, 12000, 12000)
500 6 (6000, 11730, -5730)
1000 6 (12000, 11820, 180)
2000 4 (16000, 12000, 4000)
985
4.0

Lo que viene

La lección 37 junta todo el curso en un mapa: de la neurona al chatbot, y de ahí a las preguntas que conviene hacerle a cualquier equipo o proveedor de IA.