La pregunta que escucho de muchos directores financieros es simple: ¿cómo sacarle más valor al gasto en IA?
Durante años medimos el éxito del software por adopción: licencias vendidas, asientos usados, renovaciones. Con la IA eso no basta. Lo que realmente importa es el trabajo que la IA completa: resultados útiles que reemplazan o aceleran tareas humanas.
Un nuevo marco: Inteligencia útil por dólar
OpenAI propone una forma más poderosa de medir impacto: Useful Intelligence per Dollar o, en pocas palabras, inteligencia útil por dólar. ¿Qué responde esta métrica? A cuatro preguntas concretas que toda empresa necesita hacerse:
- ¿La IA completa trabajo que realmente importa?
- ¿Cuánto cuesta cada tarea exitosa?
- ¿Se puede confiar en el resultado?
- ¿Cada dólar invertido produce más valor a medida que escala el uso?
Estas preguntas nos obligan a mirar más allá del precio por token. Un modelo barato puede requerir múltiples intentos y revisión humana. Un modelo más caro puede resolver la tarea en una sola pasada. Lo que cuenta es el costo completo de producir un resultado útil, comparado con el valor que crea.
Empieza por el trabajo, no por el modelo
El mejor punto de partida es un flujo de trabajo real. Define qué significa que algo esté "hecho" y mídelo donde ocurre el trabajo.
- Soporte al cliente: hecho = incidencia resuelta.
- Ingeniería: hecho = cambio de código que pasa las pruebas.
- Legal: hecho = contrato revisado con la calidad requerida.
Un ejemplo práctico: un equipo de finanzas preparando una revisión de forecast. Antes de la decisión final hay horas de conciliaciones, mover datos, reconstruir presentaciones. Herramientas como ChatGPT Work pueden encargarse de buena parte de ese proceso, dejando a las personas tiempo para preguntarse qué cambió y qué decisión tomar. Eso es inteligencia útil por dólar en acción.
Cómo calcular el costo por tarea exitosa
La fórmula es sencilla y honesta:
- Suma el costo completo de completar el trabajo (modelos, cómputo, tiempo humano, revisiones, reintentos).
- Cuenta las tareas que alcanzaron la calidad requerida.
- Divide el costo total por las tareas exitosas.
Esto explica por qué el precio por token no es la historia completa. Un modelo de punta puede ser más eficiente en producir el resultado correcto en un solo intento, reduciendo latencia, revisiones y rework.
OpenAI habla de una familia de modelos GPT-5.6 con tres niveles: Sol (tope de capacidad), Terra (equilibrio costo-rendimiento) y Luna (veloz y más barato). La idea es usar la capa que optimice la ecuación según la complejidad del flujo de trabajo: Luna para alto volumen y velocidad, Terra para profundidad, Sol cuando una mayor capacidad reduce reintentos y revisiones.
Confianza y dependabilidad importan tanto como precisión
La adopción real avanza por etapas: primero la IA ayuda a redactar, luego integra contexto y razona, después toma acciones y maneja excepciones con supervisión humana.
La dependabilidad tiene valor económico directo. Cuando los resultados son precisos, bien documentados y consistentes, la gente pasa menos tiempo revisando y corrigiendo, y la organización gana confianza para usar IA en procesos más críticos.
Tres medidas prácticas para equipos:
- Ready to use: el resultado cumple la calidad al entregarse.
- Needs correction: requiere otra pasada o edición humana.
- Needs escalation: alguien debe intervenir para completar la tarea.
Esas métricas cuentan una historia más rica que una cifra de exactitud. Además, antes de que la IA actúe sobre sistemas reales conviene definir claramente qué datos puede acceder, qué sistemas puede cambiar y cuándo es necesaria la aprobación humana.
Escala, cómputo y la rueda que se retroalimenta
¿Mejoran las cuentas cuando escalas? Para saberlo, sigue el mismo flujo de trabajo en el tiempo: tareas que alcanzan la calidad, costo total y costo por tarea exitosa. Si el trabajo completado crece más rápido que el costo y la calidad se mantiene o mejora, entonces cada dólar de IA rinde más.
El cómputo es el centro de esta ecuación. Entrenar modelos crea capacidad futura; inferencia entrega trabajo útil hoy. Mejor hardware, algoritmos más eficientes, diseño de producto inteligente y mayor utilización reducen el costo por resultado. Es un ciclo: mejor infraestructura acelera investigación, investigación produce mejores modelos, mejores modelos mejoran productos, mejor producto impulsa adopción y recursos para la siguiente generación.
Recomendaciones prácticas para equipos y líderes
- Mide resultados, no tokens. Define "hecho" para un workflow y mide ahí.
- Calcula el costo completo por tarea exitosa, incluyendo tiempo humano y reintentos.
- Evalúa dependabilidad con las categorías ready to use, needs correction y needs escalation.
- Usa niveles de modelo según la economía del flujo de trabajo: velocidad versus profundidad.
- Establece límites claros de datos, acceso y aprobación antes de permitir acciones automatizadas.
Si manejas finanzas, operaciones o producto, esto te da un mapa claro: no se trata solo de ahorrar en tokens, sino de lograr más trabajo útil por cada dólar que inviertes en IA.
Un pensamiento final
La promesa real de la IA no es solo hacer lo mismo más rápido, sino permitir que las personas pasen más tiempo en el juicio, la creatividad y la toma de decisiones que realmente añaden valor. Medir la "inteligencia útil por dólar" convierte esa promesa en un objetivo práctico: modelos más capaces, resultados más fiables y costos más bajos por tarea exitosa.