La fórmula de productividad parece sencilla. Una tarea tarda una hora. Introducimos inteligencia artificial y ahora tarda diez minutos. Hemos ahorrado cincuenta.
Pero ¿qué ocurre si después una persona dedica veinte minutos a comprobar los datos, diez a corregir errores y otros diez a confirmar que la información estaba actualizada?
La automatización sigue siendo útil. Pero el ahorro real ya no son cincuenta minutos: son diez. Y todavía no hemos contado el coste de un error que llegue al cliente, de una decisión tomada con información incorrecta o del trabajo que haya que repetir después.
Ahí aparece una de las preguntas más importantes de la siguiente fase de la IA en las empresas:
¿Cuánto tiempo nos ahorra de verdad la IA después de contar el tiempo que necesitamos para confiar en ella?
Generar información ya no es la parte difícil
Durante los primeros años de la IA generativa, casi toda la atención estuvo en lo que los modelos eran capaces de producir: textos, código, resúmenes, análisis, presentaciones, respuestas a clientes, informes…
Ahora el problema empieza a cambiar. Muchas empresas ya saben conseguir que una IA genere un resultado convincente. Lo difícil es decidir si ese resultado se puede usar. Porque:
- Una respuesta puede parecer perfectamente correcta y contener un dato desactualizado.
- Un informe puede estar impecablemente redactado y haber interpretado mal una definición interna.
- Un agente puede encontrar la cifra correcta y aplicarla al periodo equivocado.
- Una propuesta comercial puede usar unas condiciones que ya no están vigentes.
Y una persona puede tardar más en comprobar todos esos detalles que en hacer el trabajo desde cero.
El nuevo trabajo que estamos creando: comprobar a la IA
El 16 de septiembre de 2026, Collibra publicó una encuesta hecha por The Harris Poll a 306 responsables de datos, privacidad e inteligencia artificial de Estados Unidos, todos con cargo de director o superior. El dato más llamativo:
- El 87 % dice que sus equipos comprueban con regularidad que el contexto que usan sus agentes sigue siendo correcto y está al día.
- El 51 % dedica muchas horas de su personal a revisar y corregir a mano lo que producen los agentes antes de usarlo; entre las organizaciones que facturan 100 millones de dólares o más, el 64 %.
- El 76 % se ha topado con obstáculos importantes al pasar agentes de la prueba piloto a producción en el último año.
Conviene poner estos datos en contexto. La encuesta la encargó Collibra, una empresa que vende precisamente soluciones de gobernanza de datos e IA. La muestra es pequeña, con un margen de error de ±6,4 puntos, y se limita a directivos tecnológicos estadounidenses, así que no puede trasladarse sin más a una pyme española.
Pero describe un problema empresarial bastante reconocible: automatizamos la generación y después creamos una tarea manual nueva, comprobar lo generado.
Collibra lo llama hallucination tax, que podríamos traducir como «impuesto de las alucinaciones». No es un concepto económico ni un término académico que haya que tratar como una métrica universal: es una forma comercial de nombrar los costes de supervisión, corrección y riesgo que aparecen cuando una organización no puede fiarse directamente de lo que producen sus sistemas de IA. Aun así, la idea resulta útil.
El problema no siempre es que la IA «se invente cosas»
Cuando hablamos de alucinaciones solemos imaginar una IA afirmando algo completamente falso. Dentro de una empresa, el problema puede ser mucho más sutil. Supongamos que preguntamos:
¿Cuál fue nuestro margen medio por cliente el último trimestre?
El modelo puede tener acceso a una base de datos perfectamente correcta. Pero todavía necesita saber:
- qué entiende la empresa por «cliente»;
- qué periodo es exactamente el «último trimestre»;
- si hablamos de margen bruto o de margen operativo;
- qué devoluciones hay que incluir;
- qué filiales entran en el cálculo;
- y cuál es la definición oficial que usa Finanzas.
El dato existe. Lo que falta es contexto de la empresa.
Gartner dedicó a esta cuestión un seminario web el 22 de septiembre de 2026. Su planteamiento: muchas organizaciones no sacan valor de la IA generativa por resultados inconsistentes, agentes con un comportamiento imprevisible y costes disparados, y esos fallos rara vez vienen de las limitaciones del modelo. Vienen de que le falta la información de contexto necesaria para aplicar el conocimiento, las políticas y la lógica de negocio de la organización.
Es una distinción importante:
A veces no necesitamos una IA más inteligente. Necesitamos una empresa mejor explicada a la IA.
Una persona sabe cosas que nunca se escribieron
Imaginemos a alguien de administración que lleva diez años en la empresa. Recibe la factura de un proveedor y sabe al instante: «este proveedor factura así, pero esta referencia en realidad corresponde al proyecto B». No está en ningún manual. Simplemente lo sabe.
Otra persona conoce qué clientes tienen acuerdos especiales. Otra sabe que ciertos importes necesitan una aprobación adicional aunque el ERP permita registrarlos. Otra interpreta bien un código interno porque lleva años usándolo.
Cuando metemos IA en esos procesos podemos darle documentos y bases de datos. Pero hay una cantidad enorme de conocimiento operativo implícito que nunca se documentó. Y entonces pasa algo curioso: la IA hace el 90 % de la tarea y una persona tiene que revisar el otro 10 %, porque es quien conoce todas las excepciones.
Si eso ocurre cientos de veces al día, acabamos creando un puesto nuevo e invisible: supervisor de inteligencia artificial.
No todos los errores cuestan lo mismo
Otro error frecuente es tratar todos los resultados de la IA con el mismo nivel de control. No tiene sentido:
- Si la IA propone cinco títulos para un artículo interno y uno es mediocre, el impacto es prácticamente nulo.
- Si responde automáticamente a un cliente, el riesgo aumenta.
- Si analiza información financiera para decidir una inversión, aumenta todavía más.
- Y si puede aprobar una operación económica o modificar información crítica, el control debería ser muchísimo mayor.
Por eso el objetivo no debería ser «que una persona lo revise todo», porque eso acabaría con buena parte de la automatización. El objetivo debería ser que cada resultado tenga exactamente el nivel de verificación que necesita.
Clasificar los resultados de la IA por riesgo
La lógica puede ser bastante sencilla:
- Un borrador de marketing puede pasar directamente a una persona para que lo edite.
- Una clasificación administrativa puede validarse automáticamente contra unas reglas.
- Un dato comercial puede comprobarse contra el CRM.
- Una cifra financiera puede exigir una fuente verificable.
- Una transferencia bancaria debería pasar controles mucho más estrictos y, posiblemente, una autorización humana.
La IA no tiene por qué funcionar siempre con este esquema:
IA → una persona lo revisa todo → resultado
Podemos construir este otro:
IA → validación automática → resultado
O este:
IA → validación automática → solo las excepciones → persona
Y ahí aparece una diferencia enorme de productividad.
El verdadero salto: automatizar también la confianza
Supongamos que una IA procesa 1.000 facturas. Si una persona tiene que abrir las 1.000 para comprobarlas, solo hemos automatizado una parte del trabajo.
Imaginemos otro sistema. La IA procesa las 1.000 y el software contrasta automáticamente proveedor, CIF, importe, pedido, cuenta bancaria y duplicados:
- 930 cumplen todas las reglas.
- 50 tienen pequeñas diferencias ya conocidas.
- 20 presentan una anomalía relevante.
La persona revisa 20. Ahora sí hemos cambiado el proceso. No hemos eliminado la supervisión humana: la hemos llevado a donde aporta valor.
Es probablemente uno de los principios más importantes para construir automatizaciones empresariales fiables:
Las personas deberían revisar excepciones, no volver a hacer el trabajo completo de la máquina.
El contexto puede valer más que cambiar de modelo
Cuando una IA se equivoca, la tentación constante es probar un modelo mejor. A veces funciona. Pero cambiar de modelo no resuelve por sí solo un problema de contexto:
- Si dos departamentos usan definiciones distintas de «cliente activo», un modelo más potente seguirá necesitando saber cuál aplicar.
- Si un documento está desactualizado, razonar mejor sobre él no lo actualiza.
- Si un agente no sabe qué política interna tiene prioridad, más capacidad de razonamiento no resuelve necesariamente la ambigüedad.
Por eso Gartner pone el foco en la ingeniería de contexto (context engineering): construir alrededor de la IA una capa que conecte los datos con su significado en la empresa, sus políticas y su conocimiento operativo.
Puede sonar muy técnico, pero la idea básica es sencilla: no basta con darle información a una IA; hay que enseñarle qué significa esa información dentro de esa empresa.
Los datos siguen siendo una parte fundamental del problema
La encuesta de Collibra deja otro dato interesante: el 72 % de los participantes coincide en que, cuando las iniciativas de IA de su organización no cumplen las expectativas, la causa casi siempre está en una base de datos pobre o desalineada. De nuevo, es una encuesta encargada por una empresa de gobernanza de datos. Pero encaja con lo que dicen otros estudios sobre las inversiones que necesita la IA a su alrededor.
El Banco Europeo de Inversiones publicó en enero de 2026 un estudio con datos de más de 12.000 empresas no financieras de la Unión Europea y Estados Unidos. Estima que adoptar IA aumenta un 4 % la productividad del trabajo a corto plazo en las empresas europeas, un efecto que se concentra en las medianas y grandes. Y subraya que las inversiones complementarias en software, datos y formación son imprescindibles para aprovecharlo del todo.
Ese último punto es especialmente importante. La IA no funciona aislada: funciona dentro de la infraestructura de una empresa.
Cómo medir el ROI real de la IA
Supongamos que una tarea tardaba 60 minutos. Después de implantar IA, generarla lleva 5, revisarla 15 y corregirla otros 5. No hemos ahorrado 55 minutos: hemos ahorrado 35.
Añadamos otro elemento: de cada cien operaciones, dos tienen un error que obliga a 30 minutos de retrabajo. Ese coste también es parte del sistema. Y hay que sumar además licencias, infraestructura, integraciones, mantenimiento, supervisión y formación.
Esto no significa que la IA deje de ser rentable. Significa que deberíamos medirla como cualquier otra inversión. Una aproximación sencilla:
Ahorro real = tiempo eliminado − verificación − retrabajo − coste esperado de los errores − coste tecnológico adicional
Y después comparar ese resultado con lo que de verdad importa: más capacidad, más ventas, menos plazo, mejor servicio, menos errores o más margen. Es bastante más interesante que decir «ahora la IA redacta este documento en treinta segundos».
La mejor IA no es necesariamente la que nunca se equivoca
Buscar una precisión absoluta puede ser económicamente absurdo en algunos procesos. Una empresa podría gastar diez veces más en eliminar el último 0,1 % de error de lo que le cuesta gestionar esas excepciones.
La pregunta correcta no es «¿cómo conseguimos que no se equivoque nunca?», sino «¿qué nivel de error es aceptable y cómo detectamos automáticamente los casos que necesitan intervención?».
Ese enfoque cambia por completo la arquitectura. Ya no intentamos construir un sistema mágico: construimos un sistema empresarial, uno que conoce sus límites.
Cinco capas para reducir el coste de verificación
Una arquitectura razonable puede combinar cinco elementos:
- Una fuente de verdad definida. La IA debe saber dónde consultar la información autorizada y qué fuente manda cuando hay contradicciones.
- Contexto de la empresa. Definiciones, reglas, políticas, excepciones y conocimiento interno, disponibles de una forma que el sistema pueda usar.
- Validaciones deterministas. Si algo puede comprobarse con una regla o con software tradicional, no hace falta pedirle a otro modelo que «opine».
- Niveles de riesgo. No todos los resultados necesitan la misma revisión: cuanto mayor es el impacto posible, mayor debe ser el control.
- Escalado a personas por excepción. Las personas intervienen cuando hay una anomalía, poca confianza, datos que se contradicen o una decisión delicada.
Aquí es donde el diseño tecnológico se convierte directamente en productividad.
El futuro no es quitar a las personas del proceso
Es aprovecharlas mejor. Una persona no debería pasarse ocho horas al día comprobando trabajos generados por una máquina: eso solo sustituye una tarea repetitiva por otra.
La persona debería intervenir cuando la información es ambigua, cuando hay excepciones, cuando el riesgo es alto, cuando hay que aplicar criterio o cuando algo se ha salido de los límites previstos. El resto debería fluir.
Quizá tu IA funciona bien y tu arquitectura, mal
Esta idea es especialmente importante para las empresas que ya están probando modelos avanzados. Cuando los resultados no son lo bastante fiables, es tentador culpar a la inteligencia artificial. Pero, como advierte Gartner, muchos problemas aparecen porque al sistema le falta contexto para interpretar bien la lógica de la organización.
Antes de abandonar una automatización, conviene preguntarse:
- ¿Tiene acceso a información correcta?
- ¿Sabe cuál es la fuente oficial?
- ¿Entiende nuestras definiciones?
- ¿Conoce nuestras políticas?
- ¿Puede verificar automáticamente algunos resultados?
- ¿Sabemos qué errores son realmente importantes?
- ¿Estamos haciendo que las personas revisen cosas que podría comprobar un sistema?
Puede que el problema no sea el modelo, sino todo lo que hemos construido (o no) a su alrededor.
La empresa que automatice la verificación tendrá una gran ventaja
La primera generación de IA en las empresas ha automatizado sobre todo la producción: generar texto y código, extraer información, clasificar, resumir, analizar.
Lo más probable es que la siguiente fase automatice también, cada vez más, la confianza: comprobar fuentes, validar datos, aplicar políticas, detectar anomalías, comparar resultados, escalar excepciones y registrar decisiones.
Cuando las dos partes trabajan juntas, la productividad cambia radicalmente. Porque la empresa ya no tiene que elegir entre velocidad o control: puede construir velocidad con control.
La pregunta que deberías hacer a cualquier automatización con IA
No basta con preguntar «¿cuántas horas va a ahorrar?». Hay que añadir otra: «¿cuántas horas vamos a gastar en comprobarla?». Y después:
¿Qué parte de esa comprobación podemos diseñar para que ocurra sola?
Puede que ahí esté una parte del ROI mucho mayor de lo que parece.
