Muchas empresas ya han superado la fase de probar ChatGPT o integrar asistentes en tareas aisladas. Han lanzado pilotos, han creado comités de inteligencia artificial, han formado a equipos y han detectado mejoras en actividades concretas. El problema es que, en demasiados casos, esa mejora no aparece después en la cuenta de resultados. La IA acelera una tarea, pero el negocio sigue funcionando igual.
Un análisis publicado por Harvard Business Review, firmado por profesionales de OpenAI y Bain, pone nombre a ese bloqueo: la “trampa de la microproductividad”. Ocurre cuando una empresa trata la Inteligencia Artificial como si fuera otro software SaaS más, desplegado en casos de uso sueltos, sin rediseñar los flujos completos que generan valor. El resultado puede parecer positivo en una demo, pero no transforma ventas, operaciones, atención al cliente ni márgenes.
El problema no es la herramienta, es el proceso
La primera lección del análisis es incómoda para muchas direcciones: automatizar una tarea existente no equivale a transformar un negocio. Una compañía puede ahorrar minutos en redactar correos, resumir reuniones, revisar documentos o generar informes, pero esos avances se diluyen si el flujo que rodea esa tarea sigue dependiendo de aprobaciones manuales, conocimiento tácito, sistemas heredados o traspasos entre departamentos.
Ahí aparece el doble bloqueo que describen los autores. Por un lado, el “offering lock-in”, cuando la empresa usa IA solo para mejorar productos o servicios actuales sin preguntarse si la propuesta de valor debería cambiar. Por otro, el “process lock-in”, cuando se automatizan procesos existentes sin cuestionar si esos procesos tienen sentido en un entorno donde ya existen herramientas de IA potentes.
Las empresas que están obteniendo más valor hacen algo distinto. No parten de la pregunta “¿dónde podemos meter IA?”, sino de otra mucho más exigente: “¿qué resultados de negocio queremos rediseñar ahora que existe la IA?”. Esa diferencia separa los pilotos llamativos de los programas que pueden mejorar EBITDA, ingresos, tiempos de respuesta o conversión.
Según Bain, algunas compañías que han adoptado este enfoque están viendo mejoras de EBITDA del 10 % al 25 %, con resultados que crecen conforme los programas escalan. No se trata de poner una capa de IA sobre todo, sino de concentrar esfuerzos en pocos dominios con impacto medible.
Elegir menos casos de uso, pero mejores
Uno de los errores más frecuentes es repartir la IA por toda la organización sin una prioridad clara. La presión interna empuja a lanzar pilotos en cada área: marketing, ventas, soporte, finanzas, recursos humanos, tecnología, legal y operaciones. Esa dispersión genera actividad, pero no necesariamente valor.
Los autores recomiendan concentrar la transformación en cuatro o cinco dominios críticos. En el trabajo de Bain suelen repetirse áreas como desarrollo de software, atención al cliente, eficiencia del trabajador del conocimiento y marketing, aunque cada empresa debe elegir en función de su sector, sus recursos y sus problemas reales.
El caso de una compañía industrial ficticiamente llamada FabricationCo ilustra bien el método. La empresa reunió durante una semana a operadores de primera línea y directivos de distintas divisiones para mapear flujos completos de trabajo. De ese proceso salieron 14 casos de uso potenciales con decenas de millones de dólares de valor agregado. La dirección no intentó ejecutarlos todos. Priorizó un subconjunto con impacto claro y dificultades operativas compartidas entre ventas, ingeniería y fabricación.
El resultado fue un rediseño del proceso de cotización. Antes, los ingenieros dedicaban varias horas a producir diseños iniciales para ofertas que en muchos casos no iban a convertirse en ventas. En algunos segmentos, más del 50 % de las ofertas tenían baja probabilidad de cierre. Con el nuevo flujo, perfiles no técnicos podían generar una estimación rápida en unos 20 minutos para oportunidades tempranas, reservando el diseño completo de ingeniería para ofertas con más probabilidad de conversión. Según el análisis, FabricationCo quedó encaminada a capturar unos 30 millones de dólares de beneficio adicional.
El caso de Lowe’s va en la misma línea. La cadena estadounidense de bricolaje no empezó preguntándose qué procesos internos podía automatizar, sino cuál era su valor central: ayudar a los clientes a completar proyectos. A partir de esa idea lanzó Mylow y Mylow Companion, dos interfaces de IA destinadas a escalar conocimiento experto de mejora del hogar a visitantes online y empleados de tienda.
Rediseñar con quienes hacen el trabajo
La segunda gran enseñanza es que la transformación con IA no puede vivir solo en tecnología. Los equipos técnicos pueden construir la solución, pero quienes conocen los cuellos de botella suelen estar en la operación diaria: vendedores, agentes de soporte, diseñadores, operarios, asociados de tienda, gestores, analistas o ingenieros de campo.
FabricationCo implicó desde el inicio a empleados de distintas regiones, elegidos por la importancia estratégica de su zona y su disposición a actuar como primeros usuarios. Incluso cuando el piloto se probaba en una región concreta, empleados de otras áreas recibían demos y participaban en sesiones de feedback. Eso permitió que el despliegue posterior fuera más rápido y con menos resistencia.
Lowe’s aplicó una lógica parecida con Mylow Companion. La empresa empezó con pilotos en departamentos concretos de algunas tiendas, como fontanería o electricidad, para recoger feedback real de los asociados. Ese aprendizaje sirvió para ajustar prompts, barreras de seguridad y experiencia de usuario antes de extender la herramienta. Con ese enfoque, Mylow Companion terminó desplegado en más de 1.700 tiendas.
La participación de empleados no debe verse como una concesión cultural, sino como una fuente de diseño. Las personas que sufren el proceso actual suelen saber dónde se pierde tiempo, dónde falta información, qué aprobaciones sobran, qué sistemas no hablan entre sí y qué variaciones entre unidades de negocio impiden escalar. Sin esa mirada, la IA corre el riesgo de automatizar la superficie del problema.
También ayuda prototipar. Hackathons, micro-sprints y wireframes pueden convertir una idea abstracta en algo que los equipos entiendan. En muchas organizaciones, la resistencia baja cuando los empleados ven cómo será el nuevo flujo, qué parte del trabajo cambia y dónde seguirá siendo necesario el juicio humano.
Medir resultados de negocio, no horas ahorradas
La tercera clave está en las métricas. Hablar de “productividad” o “eficiencia” es demasiado impreciso. Una iniciativa de IA debe conectarse con indicadores de negocio comparables frente al método anterior: tasa de conversión, margen, tiempo de respuesta, win rate, satisfacción del cliente, tamaño de cesta, precisión, volumen de operaciones o coste por caso resuelto.
FabricationCo midió sus flujos rediseñados con métricas como win rate de ofertas generadas con IA frente a ofertas tradicionales, tiempos de respuesta, márgenes en costes de materiales y fábrica, volumen de ofertas valoradas y precisión. En los tres primeros meses, la empresa observó una mejora de 10 puntos porcentuales en la tasa de cierre, según HBR.
Lowe’s también eligió métricas ligadas a negocio. Para Mylow, midió conversión online. Para Mylow Companion, analizó impulsores como conocimiento del asociado, satisfacción del cliente y facilidad de compra. Cuando los clientes interactúan con Mylow durante sus visitas online, la tasa de conversión se multiplica por más de dos, y Lowe’s está viendo aumentos de 200 puntos básicos en satisfacción cuando los asociados usan Mylow Companion en tienda.
Además, los sistemas de IA necesitan una medición continua distinta a la de un software tradicional. Un modelo puede responder de forma diferente a solicitudes parecidas, así que las empresas deben crear evaluaciones, o “evals”, que comparen sus salidas con comportamientos aceptables. Lowe’s trabajó con expertos internos para crear prompts y respuestas validadas, comparar modelos, ajustar instrucciones y auditar tanto las respuestas mostradas al cliente como los pasos intermedios del sistema.
La lección para cualquier empresa es clara: una IA sin evaluación constante es una caja negra difícil de gobernar. Medir solo uso o número de empleados activos no basta. Hay que saber si la herramienta responde bien, si mejora resultados frente al flujo anterior y si sigue dentro de los límites aceptables.
La transformación con IA tampoco puede delegarse por completo en el departamento tecnológico. Los autores de HBR insisten en que el liderazgo del comité ejecutivo es decisivo. Cuando la dirección se limita a decir “mejorad productividad con IA” y deja el tema en manos de tecnología, las iniciativas tienden a fragmentarse. Cuando fija objetivos ambiciosos, ligados a negocio y compartidos entre funciones, la IA deja de ser un experimento y empieza a cambiar la forma de competir.
La etapa de los pilotos no ha terminado, pero ya no basta. Las empresas que quieran obtener valor real tendrán que elegir mejor, rediseñar procesos completos, implicar a quienes hacen el trabajo y medir resultados que importen. La IA puede acelerar tareas. La transformación empieza cuando una compañía se atreve a cambiar el sistema que las contiene.
Preguntas frecuentes
¿Qué es la trampa de la microproductividad en IA?
Es el bloqueo que aparece cuando una empresa usa IA para mejorar tareas aisladas, pero no rediseña los procesos completos que convierten esas tareas en valor de negocio.
¿Por qué muchos pilotos de IA no generan ROI claro?
Porque suelen optimizar partes pequeñas del trabajo sin resolver cuellos de botella, aprobaciones, sistemas heredados o dependencias entre departamentos.
¿Qué áreas suelen tener más potencial para empezar?
Según la experiencia citada por HBR, desarrollo de software, atención al cliente, eficiencia del trabajador del conocimiento y marketing aparecen con frecuencia entre los dominios prioritarios, aunque cada empresa debe elegir según su realidad.
¿Qué métricas deben usarse en una transformación con IA?
Indicadores de negocio comparables: conversión, win rate, tiempo de respuesta, margen, satisfacción del cliente, precisión, volumen de operaciones y resultados frente al proceso anterior.
vía: hbr.org
