La adopción de inteligencia artificial suele empezar con un tablero sencillo: usuarios activos, créditos consumidos, tokens, licencias y quizá el número de conversaciones. Son datos útiles, pero no responden a la pregunta que importa cuando llega el momento de renovar presupuesto o ampliar el despliegue: ¿qué cambió en el negocio gracias a esa inversión?
OpenAI plantea esta transición en las analíticas de su consola de administración para ChatGPT Work y Codex. La propuesta combina datos de uso y gasto con información sobre las tareas que los equipos realizan y señales de resultados. El punto no es convertir cada interacción en un indicador financiero aislado; es crear una cadena de evidencia entre adopción, cambios de flujo de trabajo y resultados verificables.
Para las empresas, la diferencia es importante. Un equipo puede usar mucho una herramienta y, aun así, no mejorar sus tiempos, su calidad ni su margen. También puede ocurrir lo contrario: un grupo pequeño puede descubrir un flujo de alto valor que justifique capacitarlo y escalarlo. Medir actividad sin contexto deja ambas situaciones mezcladas.
De la actividad al impacto
Las analíticas de uso permiten identificar dónde está creciendo la adopción y dónde se concentra el gasto. En el caso de OpenAI, la vista de uso reúne usuarios activos, créditos y consumo de tokens en ChatGPT Work y Codex, con filtros por grupo o persona. Eso puede ayudar a detectar un equipo con baja adopción, una solicitud de capacidad o un comportamiento de gasto que merece revisión.
Pero ese es sólo el primer nivel. OpenAI incorpora un clasificador de tareas en Insights que agrupa una muestra de mensajes en casos de uso y tipos de trabajo. En vez de limitarse a ver que una unidad consume créditos, un responsable puede observar si esos créditos se concentran en investigación de cuentas, mantenimiento de código, desarrollo de funcionalidades o planeación comercial.
La lectura cambia por completo. “Ventas usa IA” es una descripción demasiado amplia para tomar decisiones. “El equipo comercial concentra su uso en preparar cuentas antes de reuniones” es una hipótesis operativa que sí se puede evaluar: ¿la preparación toma menos tiempo?, ¿los planes son mejores?, ¿se traduce en más conversaciones útiles, oportunidades calificadas o ventas?
Las cuatro capas que conviene medir
Una medición seria de adopción de IA debe conectar al menos cuatro capas:
- Acceso y adopción. Usuarios activos, frecuencia, equipos, herramientas y evolución del uso. Sirve para saber si la inversión está disponible y si llega a quienes deberían usarla.
- Costo y configuración. Créditos, tokens, modelos, velocidad y gasto por caso de uso. Sirve para evitar que un flujo rutinario se ejecute con una configuración desproporcionada.
- Trabajo realizado. Tareas, casos de uso, plugins, skills y momentos del proceso donde la IA entra. Sirve para distinguir experimentación dispersa de un flujo recurrente.
- Resultado de negocio. Tiempo de ciclo, calidad, retrabajo, capacidad liberada, conversión, ingresos, margen o satisfacción. Sirve para decidir si se mantiene, se mejora o se escala un flujo.
Las tres primeras capas pueden aparecer en una consola de administración. La cuarta requiere diálogo con los dueños del proceso y datos del negocio. Ninguna plataforma conoce por sí sola qué significa “mejor” para un despacho, una tienda, un equipo de ventas o un estudio creativo.
La capacitación deja de ser genérica
Otra implicación práctica es que la capacitación puede ser mucho más específica. Las vistas de detalle de OpenAI muestran cómo se distribuye el uso de créditos entre modelos, razonamiento y velocidad para una tarea. También muestran qué plugins y skills se utilizan.
Si un equipo dedica muchos créditos a briefs rutinarios, la respuesta no debe ser automáticamente recortar acceso. Conviene revisar si un modelo más rápido o una configuración de menor costo mantiene la calidad, considerando siempre el tiempo de revisión y corrección. Si un plugin relevante casi no se usa, puede ser una señal de falta de acceso, entrenamiento o un flujo mal diseñado. Si un skill se vuelve recurrente, quizá necesita un responsable, documentación y mantenimiento.
Esta es una mejora frente a la capacitación de “cómo usar IA” en abstracto. La pregunta útil es: ¿qué necesita aprender este equipo para resolver mejor una tarea que ya es importante para el negocio?
El caso de ingeniería: contribución no equivale a calidad
Para Codex, la vista Outcomes reporta contribuciones a commits fusionados, líneas de código y actividad de revisión. Son señales valiosas para entender adopción en equipos de ingeniería, pero no deben convertirse en un marcador de productividad por sí mismas.
Un porcentaje mayor de código con contribución de IA puede significar que el equipo está incorporando la herramienta a un flujo real. Para entender valor hay que compararlo con métricas del proceso: tiempo de revisión, defectos, reversiones, retrabajo, velocidad de entrega y estabilidad. Si aumentan las contribuciones mientras también mejoran esos indicadores, hay una evidencia más sólida de que la IA ayuda a entregar software de forma más eficaz. Si no ocurre, el equipo tiene una señal para ajustar prácticas, controles o capacitación.
Cómo construir una línea de evidencia
La recomendación de OpenAI es práctica: seleccionar una tarea frecuente ligada a una prioridad de negocio, establecer una línea base y acordar una fecha de revisión con el dueño del proceso. Para hacerlo bien, vale la pena responder cinco preguntas.
- ¿Qué resultado queremos mejorar? Puede ser reducir tiempos de preparación, elevar la calidad, bajar costos, acelerar entregas o conseguir más ventas.
- ¿Cómo funciona hoy el proceso? Hay que documentar frecuencia, duración, costo, calidad y definición de un buen resultado antes de cambiarlo.
- ¿Qué cambia con IA? Comparar un periodo definido, incluyendo el tiempo de revisión y corrección. Terminar antes no sirve si la calidad se deteriora o si el ahorro se traslada a otra persona.
- ¿Qué hace posible esa mejora? El tiempo liberado puede convertirse en más contacto con clientes; menos errores pueden reducir retrabajo; una mejor propuesta puede mejorar conversión.
- ¿El beneficio supera la inversión? Comparar la ganancia con licencias, consumo, implementación, capacitación y soporte continuo.
El ejemplo de OpenAI para investigación de cuentas comerciales ilustra la lógica, no una promesa universal. Si un equipo ahorra tiempo preparando briefings, primero hay que comprobar que la calidad se sostiene. Después, observar si ese tiempo se destina a conversaciones con prospectos y si esas conversaciones mejoran la generación de oportunidades y el margen. El ROI aparece al conectar cada eslabón, no al multiplicar horas “ahorradas” sin saber qué ocurrió con ellas.
Qué significa para marketing, contenido y diseño
En áreas creativas, el riesgo de medir sólo volumen es especialmente alto. Más piezas generadas no equivalen a una mejor estrategia; más prompts no equivalen a una marca más consistente. Un equipo de marketing puede combinar los datos de uso con el tiempo de producción, las rondas de cambios, el cumplimiento de lineamientos, el rendimiento de campañas y la capacidad de probar nuevas ideas.
Un estudio de diseño, por ejemplo, podría empezar con un flujo acotado: investigación de audiencias para un brief. La línea base incluiría horas de investigación, calidad percibida por el estratega, número de correcciones y tiempo hasta aprobar el documento. Si la IA acorta el proceso sin reducir profundidad ni criterio, el siguiente paso sería observar qué hace el equipo con esa capacidad: más exploración estratégica, mejor atención a clientes o entregas más rápidas. Ese es el dato que vuelve defendible la inversión.
Una decisión mejor informada
La promesa de estas analíticas no es un panel mágico que demuestre retorno de inversión por sí solo. Su valor está en dar a administradores y líderes un punto de partida común: dónde hay uso, qué trabajo se está haciendo, qué configuración consume recursos y qué flujo conviene evaluar.
La adopción de IA madura cuando deja de medirse como entusiasmo tecnológico. El tablero debe ayudar a responder qué trabajo mejoró, para quién, con qué costo y con qué resultado. Las organizaciones que conecten esas respuestas podrán decidir con más claridad dónde expandir acceso, dónde capacitar y dónde detener una iniciativa que sólo está generando actividad.
Fuente
- OpenAI, “How to connect AI usage to business value”: https://openai.com/index/how-to-connect-ai-usage-to-business-value/
¿Quieres aplicar esto en tu marca?
Miguel de la Rosa
Desde niño, Miguel de la Rosa supo que su camino estaría conectado con la tecnología, los videojuegos y la creación. Originario de La Paz, Baja California Sur, estudió diseño gráfico en Guadalajara, p...
