El ROI de empezar bien: cómo construir el caso de negocio desde un AI Assessment
Por Sebastián Grattarola — CTO de BigCheese, premier partner de AWS
La conversación sobre inteligencia artificial en las organizaciones cambió de forma. Hace dos años la pregunta era «¿esto sirve?». Hoy casi nadie duda de que sirve; la pregunta es otra, y es más difícil: «¿por dónde empiezo, y cómo sé que vale la pena?». Es la pregunta que los líderes se están haciendo en todo el mundo.
Es una pregunta de negocio, no técnica. Y sin embargo la mayoría de las iniciativas de IA arrancan por el lado técnico —un modelo, un piloto, una prueba que alguien vio en una demo— sin haber respondido primero cuánto cuesta el problema que quieren resolver ni cuánto valdría resolverlo. El resultado conocido: mucha actividad, poca convicción, y un presupuesto que nadie se anima a aprobar porque nadie puso los números sobre la mesa.
En las organizaciones con las que trabajamos en LATAM —fintech, retail, medios de pago— la señal es siempre la misma: no falta entusiasmo con la IA, falta un caso de negocio que convierta ese entusiasmo en una decisión de inversión. Ese es exactamente el propósito de un AI Assessment: antes de construir, medir.
Qué resuelve un AI Assessment
Un AI Assessment es un trabajo corto y acotado que toma un «queremos usar IA» difuso y lo convierte en una cartera priorizada de casos de uso, cada uno con su caso de negocio. El entregable no es un informe técnico: es la claridad para decidir en qué invertir primero, cuánto cuesta, y qué se espera obtener a cambio.
El protagonista, entonces, no es el método (las fases, los workshops, las entrevistas) sino el output: una decisión de inversión informada. Es la misma lógica del marco Path-to-Value de AWS, que ordena el camino de la IA generativa desde la idea hasta el valor en producción. Y el corazón de esa decisión es el modelo de ROI. En lo que sigue comparto el marco que usamos para construirlo, para que puedas aplicar la misma lógica a tu propia organización.
De dónde sale el retorno: cinco dimensiones de valor
El error más común al estimar el valor de un agente de IA es mirar solo el ahorro de costos, cuántas horas-persona se liberan. Es la dimensión más fácil de calcular, pero rara vez es la más grande. Un caso de negocio sólido proyecta el valor a través de cinco dimensiones (en línea con el Cloud Value Framework de AWS, que mide el valor de la nube más allá del puro ahorro de costos) :
- Ahorro de costos y eficiencia — horas-persona liberadas en tareas que el agente resuelve de forma autónoma o acelera, más la reducción de costos de herramientas legacy, de errores y retrabajo, y de incumplimientos de SLA.
- Generación de ingresos y crecimiento — respuestas más rápidas que recuperan ventas, mejor conversión por recomendaciones personalizadas, capacidades nuevas (24/7, nuevos canales), reducción de churn, y la capacidad de crecer en volumen sin crecer en costo de forma lineal.
- Productividad y throughput — cuántas más transacciones se procesan en el mismo tiempo, cuánto baja el tiempo de resolución, y cuántas horas se devuelven al equipo para trabajo de mayor valor.
- Experiencia de cliente y empleado — mejora de CSAT/NPS, menor esfuerzo del cliente, y del lado interno, equipos liberados de tareas tediosas, con el impacto que eso tiene en la rotación.
- Reducción de riesgo y compliance — aplicación consistente de políticas, detección de fraude y errores en tiempo real, trazabilidad y auditabilidad, y continuidad operativa que no depende de personas puntuales.
La disciplina está en estimar cada dimensión contra una línea base del estado actual. Sin una línea base creíble (cuánto cuesta hoy el proceso, cuántas veces se ejecuta, cuánto tarda, cuánto se pierde en errores) el ROI es una adivinanza. Por eso el modelo siempre empieza por cuantificar el presente antes de proyectar el futuro.
El modelo, paso a paso
Veamos el marco aplicado a un caso ilustrativo. Los números que siguen son de ejemplo, elegidos para mostrar el método (no corresponden a un cliente real), pero la estructura es la que usamos en cada engagement.
El caso: una organización procesa manualmente un alto volumen de documentos entrantes, digamos, verificación y extracción de datos de documentación que llega por múltiples canales. Hoy lo hace un equipo que lee, clasifica y carga a mano.
Paso 1 — Línea base del estado actual. Supongamos 4.000 documentos por mes, 15 minutos promedio por documento, con un costo laboral cargado de US$18/hora. Eso son 1.000 horas-persona mensuales, unos US$18.000/mes, o US$216.000 al año solo en procesamiento. A eso se suma un 8% de retrabajo por errores de carga.
Paso 2 — Proyección de valor (las cinco dimensiones). Un agente de GenAI (construido sobre Amazon Bedrock para la extracción y clasificación, con los guardrails y la trazabilidad como parte del diseño) puede manejar de forma autónoma un porcentaje conservador de los documentos (digamos 60%) y acelerar el resto. Proyectamos el valor así:
- Eficiencia: ~US$130.000/año en horas liberadas (redeployadas a tareas de mayor valor, no necesariamente reducción de cabezas).
- Reducción de errores: bajar el retrabajo del 8% al 3% agrega otro tramo de ahorro.
- Throughput: la misma capacidad procesa 2–3× el volumen sin costo adicional, lo que habilita crecimiento sin contratar.
- Experiencia y riesgo: respuestas más rápidas y un trail auditable completo de cada decisión del agente.
Paso 3 — Inversión. Se estima en dos partes: el costo único de construcción (diseño del agente, desarrollo de integraciones, preparación de datos, configuración de governance y guardrails, enablement del equipo) y el costo operativo anual recurrente (servicios AWS: inferencia de modelos en Bedrock, orquestación, almacenamiento, soporte y mantenimiento, y el tiempo interno de monitoreo y mejora continua; un agente no es «set and forget»).
Paso 4 — ROI, payback y horizonte. Con el valor anual y la inversión sobre la mesa, el cálculo es directo:
ROI % (a N años) = Valor neto a N años / Inversión total a N años × 100
Payback (meses) = Costo de construcción / Valor neto mensual
Modelamos siempre a horizontes de 12, 24 y 36 meses, con una advertencia clave: el Año 1 suele capturar solo entre el 50% y el 75% del valor de régimen, por la curva de adopción y el despliegue por etapas. Presentar el Año 1 como si fuera el régimen pleno es la forma más rápida de perder credibilidad frente a un CFO.
Paso 5 — Análisis de sensibilidad. Ningún número sobrevive al escrutinio de un comité de inversión si se presenta como certeza. Por eso el modelo corre siempre tres escenarios (conservador, base y optimista) variando los supuestos críticos: qué porcentaje de tareas maneja el agente, cuánto tarda la adopción, cuánto podría crecer el costo de construcción. Un caso de negocio que muestra su propio piso es mucho más convincente que uno que solo muestra el techo.
Por qué medir primero cambia la conversación
Hay una objeción habitual: «todo esto de modelar el ROI antes de construir suena a burocracia que retrasa la innovación». La experiencia muestra lo contrario. Las organizaciones que más rápido ponen la IA a trabajar son las que primero se tomaron el trabajo de entender dónde estaba el retorno. No porque el modelo sea un trámite, sino porque es lo que destraba la inversión, es el mismo principio de gobierno como habilitador que aplicamos a la gobernanza de la IA: le da al que decide la convicción económica para decir que sí, y evita gastar esfuerzo en casos de uso que no mueven la aguja.
Medir primero también cambia qué se construye. Cuando priorizás una cartera por valor e impacto (y no por qué demo entusiasmó a quién), el primer caso de uso que llega a producción suele ser el que paga por los siguientes. Ese es el efecto compuesto que convierte una iniciativa aislada de IA en una capacidad organizacional.
El punto
La IA dejó de ser una apuesta tecnológica para volverse una decisión de negocio, y las decisiones de negocio se toman con números. Un AI Assessment no es el paso previo a «la parte importante»: es la parte importante, porque es donde se define si lo que se va a construir vale lo que cuesta, y por dónde conviene empezar.
Si tu organización está mirando la IA y la pregunta que resuena es «¿por dónde empiezo y cómo sé que vale la pena?», esa es exactamente la pregunta que un buen caso de negocio responde —antes de escribir una línea de código.
La mejor forma de llegar lejos con la IA es pensar en grande y empezar por algo alcanzable: un primer caso de uso con retorno claro que pague por los siguientes.