El 83% de las empresas espera obtener retorno de su inversión en IA dentro de 12 meses. Solo el 15% logra calcular el ROI de la IA sin cuellos de botella significativos. Así lo revela nuestra investigación, una encuesta a 500 líderes financieros realizada por Sapio Research. La brecha no es cuestión de paciencia ni de madurez. Es un problema de medición, y arranca con un cálculo que la mayoría de los equipos financieros aún no ha cuestionado.
Qué significa hoy medir el ROI de la IA
Medir el ROI de la IA consiste en vincular el gasto en IA con los resultados que produce (impacto en ingresos, retención, ganancias de productividad, ahorro de costos) y expresar esa relación como un retorno sobre el que finanzas pueda actuar. En la práctica, suele desglosarse en unos pocos componentes clave.
Seguimiento de costos. Determinar lo que realmente se gastó: tokens consumidos, cómputo utilizado, la infraestructura detrás de un modelo o funcionalidad. Entender cómo un LLM procesa realmente una solicitud es un buen punto de partida para ver dónde se origina ese costo.
Atribución de valor. Conectar ese gasto con un resultado de negocio: una renovación, una mejora en productividad, una funcionalidad que impulsa upsell, un ticket de soporte evitado.
Cálculo del período de recuperación. Traducir la relación costo-valor a un plazo que finanzas reconozca: cuándo se recupera la inversión y cuándo empieza a generar retorno.
Monitoreo continuo del margen. El ROI no es un cálculo puntual. A medida que el uso escala, el costo por resultado puede variar (a veces a favor, a veces no), y un programa necesita hacerle seguimiento continuo en lugar de depender de una foto trimestral.
Para inversiones en IA con un alcance limpio y acotado (un modelo dedicado a una sola funcionalidad, una herramienta con licencia clara y costo mensual fijo), este cálculo suele ser sencillo. Eduardo Mota, de DoiT, desarrolló un marco práctico de 5 pasos para evaluar el ROI precisamente para estos casos. El problema empieza en otro lado.
Por qué la fórmula estándar del ROI se rompe del lado del costo
El ROI debería ser una razón simple: valor generado dividido entre costo incurrido. La mayoría de los equipos asume que la mitad difícil de esa ecuación es el valor, demostrar que una funcionalidad de IA realmente movió una métrica de negocio. En la práctica, la mitad más difícil suele ser el costo.
Normalmente puedes identificar el resultado. Hubo una renovación. Se evitó un ticket de soporte. Se lanzó una funcionalidad y subió la adopción. Lo que cuesta mucho más precisar es cuánto costó realmente producir ese resultado, porque el gasto en IA rara vez aparece como una cifra limpia y atribuible.
Es el mismo problema de atribución que rompe FinOps para IA, aplicado a una pregunta financiera en lugar de una de gestión de costos. Una API de modelo administrado atiende a decenas de equipos desde una sola línea de facturación. Un clúster de GPU compartido corre inferencia para varios productos a la vez. Un gateway de LLM agrega tráfico y elimina la identidad de quien llama antes de que llegue al proveedor. Un workload agéntico genera subagentes que disparan costos reales de infraestructura sin un vínculo claro con la funcionalidad que los originó.
Medir el ROI es un problema de atribución disfrazado de finanzas. Si no puedes atribuir el costo, no puedes calcular la razón. Solo puedes estimarlo, y las estimaciones acumulan error justo en la dirección que hace que las inversiones en IA se vean peor, o mejor, de lo que realmente son.
Dónde funciona el viejo playbook del ROI y dónde no
La facturación a nivel de cuenta te dice el gasto total, no el costo por funcionalidad
Una factura del proveedor te dice cuánto gastó la organización en un modelo el mes pasado. No te dice cuánto costó la funcionalidad que impulsa las renovaciones frente a la experimental que aún no se ha lanzado. Sin esa separación, todo cálculo de ROI se reduce a un promedio a nivel organizacional, que dice casi nada sobre si una inversión específica está rindiendo.
La infraestructura compartida vuelve poco confiable al denominador
Cuando un clúster de GPU o una cuenta de modelo atiende a múltiples productos, el denominador de costo de tu razón de ROI se construye sobre un supuesto de asignación, no sobre una cifra medida. Cambia el supuesto y el ROI cambia con él, aunque nada del resultado real de negocio se haya movido.
Los workloads agénticos evolucionan tan rápido que dejan obsoleto el modelo del trimestre anterior
Una funcionalidad agéntica puede cambiar su propio perfil de costo de la noche a la mañana, generando más subagentes, llamando a modelos más caros, ejecutando cadenas más largas, sin que nadie actualice el modelo de ROI que se construyó cuando se lanzó la funcionalidad. Para cuando finanzas nota que la economía unitaria ha cambiado, pueden haber pasado varios meses de decisiones tomadas con números desactualizados.
Un ejemplo concreto: la sorpresa de los $44K
Un equipo de producto lanza una nueva funcionalidad de IA vinculada a un release importante. La funcionalidad rinde bien. La adopción es fuerte. Luego finanzas cierra el mes y encuentra un aumento de $44,000 en una línea vinculada a la funcionalidad, muy por encima de lo que cualquiera había modelado al lanzamiento.
Nadie pronosticó mal a propósito. El modelo que estimó el costo de IA de la funcionalidad asumió tokens por usuario a partir de pruebas iniciales. En producción, los patrones de uso fueron distintos: sesiones más largas, prompts más complejos, un subconjunto de usuarios avanzados que impulsan un consumo desproporcionado. Nada de eso se hizo visible hasta que llegó la factura, porque nada en el stack estaba atribuyendo costo con el nivel de detalle necesario para detectarlo antes.
Este es el escenario que convierte la medición del ROI de la IA en un tema de junta directiva y no en una tarea rutinaria de finanzas. La funcionalidad podría seguir siendo una buena inversión. Nadie puede afirmarlo con certeza, porque nadie ve el lado del costo con la claridad suficiente para terminar el cálculo.
Medición del ROI antes y después de la atribución a nivel de token
| Estimación a nivel de cuenta | Atribución a nivel de kernel | |
|---|---|---|
| Visibilidad de costos | Gasto total por proveedor o cuenta | Costo por token, por funcionalidad, por cliente |
| Tiempo para detectar un problema | Fin del ciclo de facturación, a menudo un mes o más | Casi en tiempo real, a medida que ocurre el consumo |
| Confianza en la cifra | Basada en supuestos de asignación | Basada en el consumo medido en runtime |
| Quién puede actuar sobre ella | Finanzas, después de los hechos | Finanzas y Engineering, mientras sucede |
La atribución a nivel de token como base para el ROI
No puedes calcular una razón que no puedes medir. La atribución a nivel de token no solo hace que los cálculos de ROI sean más precisos, sino que los vuelve posibles, en primer lugar, para los workloads donde la facturación a nivel de cuenta siempre iba a ser una conjetura.
Attribute™ by DoiT despliega un sensor eBPF dentro del sistema operativo que observa el consumo real (cada token, cada solicitud de modelo, cada ciclo de GPU) a medida que sucede, y mapea cada unidad al proceso, contenedor y solicitud responsable. Sin tags. Sin SDKs. Sin cambios de código. El mismo enfoque a nivel de kernel que resuelve la asignación de costos en FinOps para IA es lo que hace que la medición del ROI sea confiable en lugar de estimada: costo por funcionalidad, costo por cliente y costo por resultado, atribuidos automáticamente y no reconstruidos después de que llega la factura.
Es el mismo principio arquitectónico detrás de nuestro enfoque de FinOps para IA, aplicado a la pregunta financiera y no a la de gestión de costos. Tokenomics sin tags, SDKs ni cambios de código.
Por qué esto importa ahora
Esos dos números describen la brecha desde dos ángulos: la expectativa y la capacidad. Un tercero, de la misma encuesta de Sapio Research, describe la consecuencia: el 79% de las empresas ya ha experimentado sobrecostos en IA.
En DoiT hemos gestionado más de 8 mil millones de dólares en gasto en la nube para 4,500 clientes en 27 países, y hemos visto repetirse el mismo patrón en cada categoría de costo que ha surgido en la nube: las organizaciones que establecen una medición precisa desde el inicio toman mejores decisiones de inversión en cada paso siguiente. Con el ROI de la IA pasa lo mismo, salvo que el costo de esperar se acumula más rápido.
Estamos trabajando con la Tokenomics Foundation, junto a JR Storment y la FinOps Foundation, para ayudar a definir cómo se ve una medición confiable del costo de la IA para la industria.
FAQ
¿Qué es el ROI de la IA?
El ROI de la IA es el retorno que genera una inversión en IA respecto a su costo, expresado como una razón o un período de recuperación. Requiere dos cifras confiables: el valor producido y el costo incurrido. La mayoría de los problemas para medir el ROI de la IA se debe a datos de costo poco confiables, más que a datos de valor poco claros.
¿Cómo se calcula el ROI de la IA?
El enfoque estándar divide el valor generado por una inversión en IA (ingresos, ahorros, ganancias de productividad) entre el costo de operarla. El cálculo es sencillo una vez que ambas cifras son confiables. Para la mayoría de las organizaciones, el lado del valor es identificable. El del costo con frecuencia no lo es, sobre todo para workloads de IA que corren en infraestructura compartida o a través de gateways de LLM.
¿Por qué es tan difícil medir el ROI de la IA?
El gasto en IA suele pasar por clústeres de GPU compartidos, gateways de LLM y flujos agénticos que no preservan un vínculo claro entre el costo y la funcionalidad, el cliente o el equipo responsable. Los tags y SDKs, las herramientas tradicionalmente usadas para atribuir costos en la nube, no sobreviven a estas arquitecturas, lo que deja el lado del costo de la ecuación de ROI basado en estimaciones y no en mediciones.
¿Cuál es la diferencia entre la gestión de costos de IA y la medición del ROI de la IA?
La gestión de costos de IA se enfoca en rastrear y controlar lo que se está gastando. La medición del ROI de la IA va un paso más allá: conecta ese gasto con el resultado de negocio que produjo y expresa la relación como un retorno. Medir el ROI depende de tener una gestión de costos confiable como base; sin una atribución precisa de costos, los cálculos de ROI se reducen a estimaciones.
¿Cuánto tarda en verse el ROI de una inversión en IA?
Depende del caso de uso, pero la mayoría de las empresas espera un retorno dentro de 12 meses, según la investigación del sector. Si ese plazo se cumple o no suele ser poco claro hasta que se implementa la atribución de costos, ya que muchas organizaciones no pueden calcular el ROI con confianza hasta que pueden ver el costo a nivel de funcionalidad o cliente.
¿Quién es responsable de medir el ROI de la IA dentro de una organización?
Suele ser una responsabilidad conjunta entre finanzas, que es dueño del cálculo del retorno y del caso de inversión, y Engineering o producto, que entienden el workload detrás del costo. Ninguna de las dos partes suele tener visibilidad completa por sí sola. Finanzas necesita el contexto de Engineering sobre cómo se genera el gasto, y Engineering necesita el marco de finanzas sobre qué cuenta como retorno.
¿Se puede medir el ROI de la IA sin taggear cada workload de IA?
Sí. La medición a nivel de kernel observa el consumo a nivel del sistema operativo, lo que significa que la atribución de costos no depende de si un workload fue taggeado correctamente ni de si podía ser taggeado siquiera. Esto importa sobre todo para los workloads a los que los tags nunca iban a llegar: clústeres de GPU compartidos, tráfico enrutado por gateway y cadenas agénticas.
¿Listo para ver tu verdadero costo real de servir con IA?
Quince minutos para instalar. Sin instrumentación. Tokenomics al final del día.