48% de las empresas mexicanas ya usan IA, pero 46% no puede probar si les rinde: cómo montar la medición antes de pedir más presupuesto

Casi la mitad de las empresas mexicanas que usan inteligencia artificial no tiene forma confiable de decir si les está rindiendo. No es un dato aislado: es el hallazgo central del estudio "Desbloqueando el Potencial de la IA en México 2026", elaborado por Strand Partners para AWS y presentado en el AWS Summit Ciudad de México en agosto de 2026. La cifra le pega directo a cualquier director que tenga que renovar un piloto o pedir presupuesto para escalarlo el próximo trimestre: si no puedes mostrar el número, la conversación con finanzas se alarga o se cae.

El estudio encontró que 48% de las empresas mexicanas ya usa algún tipo de herramienta de IA, frente a 38% hace un año. Eso equivale a poco más de 2.5 millones de compañías, unas 550,000 más que el año anterior. La adopción ya no es el problema. El problema es lo que viene después de adoptar: 46% de esas empresas admite no contar con métricas confiables para medir el retorno de esa inversión, y sólo 33% confía en poder medirlo con precisión, según el reporte de Ecosistema Startup sobre el mismo estudio.

Rubén Mugártegui, director de AWS México, lo resumió así en entrevista con Cronista: "el mercado corporativo mexicano corre el riesgo de repetir el patrón si mantiene su adopción en la capa más superficial", según la nota de Cronista con la entrevista completa. La capa superficial, en los datos del estudio, es mayoritaria: 63% de las empresas sigue en usos básicos (chatbots públicos para tareas rutinarias) y sólo 13% llegó a la etapa más avanzada, con sistemas personalizados o agentes que operan con poca supervisión.

Por qué la medición llega tarde, no falta

El error no es técnico. No es que falte un mejor modelo o que el proveedor haya entregado algo que no funciona. El error está en el diseño del piloto: la mayoría arranca sin una línea base y sin un KPI de negocio definido desde el primer sprint. Cuando alguien pregunta "¿cuánto nos ha rendido esto?" seis meses después, ya no hay con qué comparar.

Esto conecta con un patrón que ya cubrimos antes en este blog: La URL está truncada y termina en 'ata/' de forma incompleta. El slug debería completarse correctamente (probablemente 'atacar-primero/' u otro término completo), sin embargo, no se puede acceder al dominio hivek.tech via búsqueda pública para verificar la URL exacta.. La falta de medición de ROI en IA es la misma falta de diagnóstico previo, aplicada a un problema distinto: no es que no sepan qué automatizar, es que automatizaron o metieron IA sin decidir antes qué iban a medir para saber si funcionó.

Los tres KPI que un piloto de IA necesita desde el día uno

Antes de aprobar un piloto, o antes de decidir si el que ya corre merece más presupuesto, un director de operaciones necesita exigir que estén definidos estos tres indicadores, con su línea base tomada antes de que el sistema entre en operación:

KPI	Qué mide	Cómo se calcula
Horas ahorradas	Tiempo que el equipo dejó de dedicar a la tarea	Horas antes menos horas después, por costo/hora, proyectado a un año
Tasa de error	Retrabajo, corrección o devoluciones evitadas	Errores por cada 100 casos, antes y después del piloto
Ingresos o ahorro atribuible	Efecto en el negocio, no sólo en el proceso	Diferencia de conversión, retención o costo directo, comparando grupo con IA contra grupo sin IA

La comparación con un grupo de control (una región, un equipo o un proceso que sigue operando sin el sistema) es lo que separa una medición real de una anécdota. Sin ese contraste, cualquier mejora que se observe puede venir de la estacionalidad, de un cambio de personal o de cualquier otra causa, no del sistema que se está evaluando.

Esto no es un ejercicio que se pueda montar después del hecho. La línea base se toma antes de que el piloto empiece a correr; si ya está en producción sin ese dato, lo que queda es reconstruir una aproximación con lo que haya en los registros, que es peor que tener el número real pero mejor que no tener ninguno.

Qué preguntarle al proveedor o al equipo interno antes de renovar el piloto

• ¿Cuál era la línea base de horas, errores o ingresos antes de que el sistema entrara en operación, y quién la documentó?
• ¿Contra qué se está comparando el resultado: un grupo de control, un antes/después, o sólo la percepción de que "ahora es más rápido"?
• ¿El KPI que se está reportando es de negocio (horas, pesos, tasa de error) o es una métrica interna del modelo (precisión, latencia, tokens) que no dice nada sobre el proceso?
• ¿Quién revisa ese número cada mes, y qué pasa si no mejora?

Si ninguna de estas preguntas tiene respuesta, el piloto no está listo para pedir más presupuesto, sin importar cuánto entusiasmo haya generado en la demo. Ese es justo el trabajo que resuelve una implementación de IA aplicada a la operación diseñada con el KPI de negocio definido desde el primer sprint, no añadido al final para justificar el gasto.

Dónde la medición estricta no aplica, o llega sobrada

No todos los usos de IA necesitan este nivel de rigor. Un chatbot interno que responde preguntas frecuentes de recursos humanos, o un asistente que resume correos para un solo equipo pequeño, no justifica montar un grupo de control ni un tablero de KPIs de negocio: el costo de medir con ese detalle supera el valor del proceso que se está mejorando. La medición estricta se reserva para lo que compite por presupuesto real: un piloto que aspira a convertirse en un sistema de producción, o uno que ya está pidiendo una segunda ronda de inversión.

Tampoco conviene esperar a tener el sistema de medición perfecto antes de arrancar. El estudio de AWS encontró que sólo 13% de las empresas mexicanas llegó a la etapa más avanzada de integración; la mayoría sigue en usos básicos justamente porque trató la medición como un proyecto aparte, en lugar de una condición para pasar de un uso básico al siguiente escalón. La secuencia correcta es: piloto acotado, línea base tomada antes de arrancar, KPI de negocio revisado cada mes, decisión de escalar o cortar con ese número en la mesa. No al revés.

Fuentes

• Cronista: "Espejismo IA: 88% de las empresas la usa en México, pero la mitad ignora si es rentable" (entrevista con Rubén Mugártegui, líder de AWS)
• Expansión: "Las empresas usan IA, pero no saben medir sus ganancias, dice Amazon"
• Ecosistema Startup: "IA en México 2026: 48% de empresas usan IA pero 46% no sabe si funciona"

Si tu piloto de IA ya lleva meses corriendo y todavía no puedes contestar con un número si te está rindiendo, aquí puedes plantear qué medir antes de escalarlo.