Lo que es fácil de medir lo hace todo el mundo. Y eso nos lleva a medir cosas que importan poco. La semana pasada hablábamos de los casos de uso de la IA en las empresas que no funcionan. De todo lo que se intenta con IA y no llega a generar valor. De ese volumen de iniciativas que se quedan en pruebas, en demos o en ideas bien planteadas que no terminan de encajar.
Hoy me gustaría poner la mirada en los casos que sí funcionan.
Pongamos un ejemplo.
Una empresa lanza diez casos de uso de IA. Tres meses después, tres se utilizan de forma habitual. Generan valor. Hay alguien que los revisa, los ajusta y los mantiene. El 30% ha llegado a adoptarse. La organización dice que tiene diez casos, pero en la práctica son solo tres.
Hay muchas empresas que dentro de su proceso de adopción se han enfocado en identificar casos de uso. Tiene sentido. Es una forma rápida de explorar. Si un equipo encuentra una aplicación útil de la IA, la comparte. Si alguien consigue ahorrar tiempo, se convierte en ejemplo.
Esos son los casos que se cuentan. Y contar casos identificados es fácil.
Se pueden listar, presentar en un comité y se pueden comparar entre equipos. Los casos de uso son una métrica que no genera discusión.
El problema es que, como cualquier métrica fácil, dice poco sobre lo que realmente está pasando.
El recorrido real de un caso de uso
El recorrido de un caso de uso es bastante más largo. Empieza como una idea que encaja y una demo que convence. Luego tiene que sobrevivir al día a día, a las prioridades del equipo y a la falta de tiempo. Solo unos pocos pasan de existir a utilizarse de forma recurrente y a tener a alguien que los cuide.
1. Identificar
Se detecta una oportunidad donde la IA puede aportar valor. Un equipo comercial piensa que puede utilizar IA para preparar propuestas más rápido. Tiene sentido, encaja con su trabajo y parece aplicable. Se añade a la lista.
2. Construir
Se convierte la idea en algo tangible. Se crea un asistente que genera propuestas a partir de unos inputs. La demo funciona, el resultado es razonable y el equipo ve potencial. El caso ya “existe”.
3. Comunicar
Se presenta dentro de la organización. Se hace una demo, se envía un email, se explica en una sesión interna. La mayoría lo entiende. Algunos lo prueban una vez. Otros lo dejan para más adelante.
4. Usar
Empieza el filtro real. Un comercial decide si utiliza ese asistente para preparar una propuesta de un cliente real. Tiene que confiar en el resultado y ajustar su forma de trabajar. Algunos lo incorporan y repiten. Otros vuelven a lo que ya hacían. Cambiar hábitos sigue siendo más difícil que construir herramientas.
5. Mantener
El caso tiene que seguir funcionando con el tiempo. Cambian los productos, los mensajes y los clientes. Si nadie lo revisa, pierde calidad. Si alguien se hace cargo, mejora. Se ajustan los inputs, se corrigen errores y se adapta al contexto.
Este es el ciclo de los casos de uso. Muchos se quedan por el camino. No porque estén mal planteados. Simplemente no llegan a entrar en el día a día o no se sostienen con el tiempo.
Contar casos describe actividad. No permite entender si la IA está cambiando cómo trabaja la organización.
Qué merece la pena medir
Una métrica más útil es mirar cuántos de esos casos se utilizan de forma recurrente. Cuántos siguen vivos semanas después. Cuántos tienen a alguien pendiente de que funcionen. La conversión de caso creado a caso adoptado empieza a dar una señal distinta.
Si algo hemos aprendido es que lo realmente interesante suele ser lo más difícil de medir.
Aquí conviene separar dos planos (como ya escribimos hace tiempo):
El output es lo que la IA produce. Más propuestas generadas, menos tiempo de preparación, más volumen de trabajo en menos tiempo. Esto se ve rápido y se puede medir desde el principio.
El outcome es lo que cambia a partir de ese uso. Qué equipos mejoran resultados, si esas propuestas convierten más, si las áreas que más utilizan la IA son también las que mejor rendimiento tienen. Aquí aparece el impacto.
Un equipo puede generar el doble de propuestas. Ese es el output.
Otra cosa distinta es que esas propuestas mejoren el negocio. Ese es el outcome.
Generar más propuestas con IA está bien. Entender si esas propuestas están mejorando resultados también.
La próxima vez que oigas hablar de casos de uso, piensa en esto. La lista es fácil. Lo difícil es saber cuáles siguen vivos y qué están consiguiendo realmente.
Espero que te haya interesado
