Un caso de negocio para IA se gana o se pierde en la primera diapositiva. No porque el proyecto sea malo, sino porque quien lo presenta suele llegar con el argumento equivocado: benchmarks de industria, casos de grandes corporativos y proyecciones de retorno que nadie puede rastrear. El resultado es una aprobación condicionada que se diluye, un piloto que nunca escala o, directamente, un "lo revisamos el próximo trimestre".
La raíz del problema es conceptual: se confunde un caso de negocio con una presentación de venta de tecnología. Son cosas distintas. Un caso de negocio responde a una sola pregunta: ¿cuánto nos cuesta hoy no resolverlo? Si no tienes la respuesta a esa pregunta con números de tu empresa, no tienes un caso de negocio. Tienes una hipótesis.
La mayoría de las propuestas de IA empiezan por el lado equivocado. Presentan la solución (una herramienta, una plataforma, un agente), estiman su costo y luego intentan justificarlo con ahorro proyectado. El comité directivo lo escucha, lo compara mentalmente con otras prioridades y concluye que puede esperar.
El orden correcto es el inverso. Primero cuantificas el problema. Después propones la solución.
Considera un escenario concreto: una empresa distribuidora con 80 empleados cuyo área de servicio al cliente recibe unas 400 consultas de seguimiento de pedidos al día. Cada consulta toma en promedio 4 minutos de un agente con costo hora de 120 pesos. Son 1,600 minutos diarios, unos 27 horas-hombre, alrededor de 3,200 pesos al día en trabajo que no genera ningún valor que no pudiera generarse de forma automática. Anualizado: más de 780,000 pesos en un solo proceso, antes de considerar errores, retrabajos y la carga que eso representa para el equipo.
Cuando el CFO ve ese número, la conversación cambia. Ya no está evaluando si invertir en IA; está evaluando si puede darse el lujo de no hacerlo.
"El error más común no es pedir demasiado en un caso de negocio: es no cuantificar lo suficiente el problema que se quiere resolver."
Hay una razón por la que los reportes de McKinsey, Gartner o cualquier firma global no mueven la aguja en una junta directiva de una empresa mediana. No es que los decisores no los lean; es que esos datos no tienen dirección postal.
Decirle a un director general que "las empresas que adoptan IA aumentan su productividad un 40%" es tan abstracto como decirle que "el ejercicio mejora la salud". Puede ser cierto. No le dice qué hacer el lunes.
Lo que sí funciona es mostrar dos columnas: el costo actual del proceso y el costo proyectado después de la intervención, ambos calculados con datos que el director reconoce porque los vivió en la última revisión de resultados. Eso es lo que convierte una propuesta en una decisión.
Los datos del Censo Económico 2024 del INEGI son reveladores en este sentido: solo el 14% de las empresas medianas en México usa IA de forma activa, frente a un promedio del 20.1% en países de la OCDE. Esa brecha no existe porque los directivos mexicanos desconfíen de la tecnología. Existe, en gran medida, porque nadie ha armado un caso de negocio que les permita decidir con información concreta.
Un caso de negocio para IA no necesita ser un documento de 40 páginas. Necesita tres números que el decisor pueda retener, verificar y repetir.
El primero es el costo del problema. Ya lo vimos: se calcula multiplicando el tiempo invertido en el proceso por el costo por hora del talento que lo ejecuta. No proyecciones, no estimaciones. Datos reales de operación.
El segundo es la inversión requerida. Aquí se comete otro error frecuente: presentar rangos tan amplios que no dicen nada ("entre 50,000 y 500,000 pesos"). El decisor necesita saber qué cubre el primer tramo: ¿qué problema resuelves en los primeros 90 días y cuánto cuesta ese tramo? Una inversión bien acotada es más fácil de aprobar que una transformación indefinida.
El tercero es el tiempo de retorno. No el ROI potencial a 3 años, sino el punto en el que la inversión se cubre con el ahorro operativo medible. Si ese punto llega en menos de 12 meses, la mayoría de los comités directivos no tienen objeción estructural. Si llega después de 24, necesitas argumentar el valor estratégico con mucha más claridad.
Estos tres números, bien construidos con datos internos, son suficientes para conseguir la aprobación de un primer tramo. Lo demás es refinamiento. Para ver cómo estructurar el cálculo de retorno con más detalle, el artículo sobre cómo medir el ROI de la inteligencia artificial desarrolla el método desde los indicadores hasta las Horas Redesplegadas.
En muchas empresas en crecimiento, el caso de negocio lo arma una sola persona: el director de operaciones, el gerente de TI o, en algunos casos, el CFO que leyó algo en un vuelo y quiere explorar. Esa persona entiende el problema, tiene el impulso y sabe que hay una solución viable. Pero llega a la junta directiva con una propuesta que no sobrevive las primeras preguntas.
¿Por qué? Porque construyó el argumento desde su área, no desde la empresa. Cuantificó el costo del proceso que él administra, pero no conectó eso con el impacto en los resultados del negocio como un todo. No anticipó las preguntas del CEO ("¿y si falla?", "¿cuánto tiempo absorbe al equipo?", "¿quién lo opera después?"). No tuvo en cuenta que, para el directivo general, la IA compite por presupuesto con otras veinte iniciativas.
Un caso de negocio sólido para IA responde esas preguntas antes de que las hagan. Incluye el costo del problema, sí, pero también el riesgo de no actuar (¿qué pasa si la competencia lo hace primero?), el alcance acotado del primer tramo (no una transformación, sino un Quick Win medible en 90 días), y el plan de gobernanza básico (¿quién valida los resultados?, ¿cómo se ajusta si no llega al proyectado?).
Hay un patrón recurrente en empresas en expansión: el campeón interno consigue la aprobación, arranca el proyecto, genera resultados positivos en el primer proceso y entonces, entusiasmado, intenta replicarlo en toda la operación al mismo tiempo. El resultado casi siempre es el mismo: los resultados se diluyen, el equipo se satura, la confianza en la iniciativa se erosiona y el proyecto termina siendo "ese experimento de IA que no funcionó".
El caso de negocio bien armado previene eso desde el principio. Define claramente qué se va a resolver en el primer tramo, cómo se va a medir y cuál es el criterio para decidir si se escala. No es pesimismo; es arquitectura de decisiones. Un tramo acotado que genera un retorno verificable es la mejor justificación para el siguiente tramo, y la siguiente.
La experiencia de empresas medianas que redujeron costos con IA muestra que los proyectos que escalan son los que empezaron con un problema específico y un criterio de éxito claro. Los que fracasan son los que intentaron transformar todo antes de demostrar nada.
Un caso de negocio para IA no tiene que ser exhaustivo para ser efectivo. De hecho, los documentos más largos suelen esconder la falta de claridad en el problema central.
Lo que sí debe incluir:
Lo que conviene dejar fuera, al menos en la primera aprobación:
La diferencia entre un caso de negocio que se aprueba y uno que queda "en revisión" casi siempre está en la especificidad del primer tramo y la credibilidad de los números del problema. Si esos dos elementos son sólidos, el resto del argumento se construye solo.
Para profundizar en las causas de fondo por las que muchas iniciativas de IA no llegan a generar retorno, vale la pena revisar el análisis sobre por qué las empresas no ven ROI de su IA: las causas raíz son casi siempre anteriores a la tecnología.
Hay un momento en el proceso de construcción del caso de negocio donde muchos directivos se detienen: no saben con certeza qué tan preparada está su operación para sostener una implementación de IA. Tienen la intuición de que hay procesos automatizables, pero no tienen una línea base objetiva que respalde la inversión con datos propios.
Ese es exactamente el punto en el que un diagnóstico de madurez en IA aporta el mayor valor: no como un fin en sí mismo, sino como el primer insumo para construir el caso de negocio con datos verificables de tu empresa. Antes de presentar números al comité directivo, conviene asegurarse de que esos números reflejen la realidad operativa, no solo los deseos del área que promueve el proyecto.
Empieza por medirlos. Pide a dos o tres personas del equipo que registren, durante una semana, cuánto tiempo invierten en el proceso en cuestión. Con eso ya tienes una base real. No necesitas datos perfectos para empezar; necesitas datos suficientemente creíbles para construir el argumento inicial.
El que sirve para conseguir una aprobación inicial suele caber en dos o tres páginas, o en una presentación de cinco diapositivas: el problema con su costo, la solución con su alcance, la inversión del primer tramo, el tiempo de retorno y el plan de validación. Más de eso es ruido, a menos que la aprobación requiera un comité con criterios formales de evaluación.
Con un plan de salida del primer tramo. Define qué pasa si a los 90 días los resultados no alcanzan el 70% del proyectado: ¿se ajusta la solución, se cambia el proceso objetivo, o se detiene? Tener esa respuesta preparada reduce el riesgo percibido y demuestra que el argumento fue construido con rigor, no con optimismo.
Sí, siempre. La omisión más cara en los casos de negocio de IA es ignorar el costo de adopción: el tiempo que el equipo invierte en aprender a operar la nueva solución, el soporte que requiere en los primeros meses y la gestión del cambio. Si no lo incluyes, el comité lo suma por cuenta propia, y normalmente lo infla.
Cuando no tienes claridad sobre cuáles procesos son los mejores candidatos para automatizar, o cuando los números del problema no están disponibles internamente y necesitas un método para construirlos. También cuando el caso de negocio va a ser evaluado por un consejo o un comité de inversión que exige un nivel de rigor mayor al que puede producir el equipo interno sin dedicación exclusiva.
Si ya tienes un proceso en mente y quieres validar si los números tienen sentido antes de presentarlos, la Sesión 0 de Kynai es el espacio para hacerlo: 30 minutos de conversación estratégica, sin compromiso, donde puedes traer el problema y salir con una perspectiva más clara sobre si el argumento está listo para presentarse.