Hasta hace poco, una empresa podía medir su avance en inteligencia artificial con una pregunta relativamente sencilla:
¿Cuántos colaboradores utilizan la IA?
En 2026, esta pregunta ya no es suficiente.
Un colaborador puede utilizar un asistente generativo a diario para reformular tres correos electrónicos. Otro puede integrarlo en un proceso de negocio que ahorra varias horas a la semana. En un cuadro de mando de adopción, ambos aparecen como «usuarios activos».
Sin embargo, para la empresa, su impacto no es comparable.
Es probablemente aquí donde reside el próximo desafío de los directivos: pasar de la medición de la adopción a la medición del valor.
La IA se convierte en un tema de organización
Los trabajos de Bpifrance Le Lab sobre las Pymes y ETI (empresas de tamaño intermedio) francesas ilustran una situación interesante: los directivos han identificado ampliamente el carácter estratégico de la IA, pero su despliegue y apropiación siguen siendo temas muy operativos.
El estudio se basa en una encuesta a 1.209 directivos, completada con entrevistas a ejecutivos y expertos.
Consultar el estudio de Bpifrance Le Lab
En otras palabras, la pregunta ya no es progresivamente:
¿Debemos ir hacia la IA?
Sino que se convierte en:
¿Cómo transformar estos usos en una capacidad colectiva?
Este matiz cambia muchas cosas. Comprar una licencia es fácil de medir. Desarrollar una competencia lo es menos, y crear valor de forma duradera lo es aún menos.
Cinco niveles para mirar la madurez de la IA de forma diferente
Propongo una escala voluntariamente sencilla.
Nivel 1: Descubrir
Los colaboradores prueban las herramientas. Piden a una IA que resuma un documento, prepare un correo electrónico, genere algunas ideas o estructure una presentación.
- Valor: aprendizaje y aculturación.
- Límite: muchas experimentaciones, poca medición.
Nivel 2: Asistir
La IA comienza a integrarse en las tareas profesionales recurrentes: preparar una reunión comercial, analizar un documento, sintetizar una reunión o crear una primera versión de un entregable.
- Valor: tiempo ganado y mejora del confort laboral.
- Pregunta clave: ¿es este beneficio real y reproducible?
Nivel 3: Estandarizar
Ciertos usos se vuelven colectivos. La empresa identifica las prácticas que funcionan, las documenta y las difunde.
Ya no se habla solo de «buenas prácticas de IA», sino de procesos concretos:
- ¿Qué tarea?
- ¿Qué herramienta?
- ¿Qué datos?
- ¿Qué control humano?
- ¿Qué resultado se espera?
Es a menudo en esta etapa cuando la competencia en IA comienza realmente a convertirse en una competencia organizacional.
Nivel 4: Medir
Es probablemente el nivel más importante.
Una organización debería poder cruzar varios indicadores:
- frecuencia de uso;
- nivel de autonomía;
- tiempo ahorrado;
- calidad producida;
- coste de las soluciones;
- competencias movilizadas;
- riesgos identificados;
- valor de negocio obtenido.
Por tanto, el KPI interesante ya no es solo el número de licencias activas.
Es, por ejemplo:
En este proceso comercial, 40 colaboradores utilizan la IA. ¿Con qué resultados y a qué coste?
Nivel 5: Transformar
La empresa ya no busca únicamente realizar más rápido una tarea existente. Revisa el proceso en sí mismo.
En esta etapa pueden aparecer automatizaciones y agentes capaces de encadenar varias operaciones, bajo mecanismos apropiados de control humano.
La pregunta del directivo cambia de nuevo:
Si una parte de este proceso puede realizarse de forma diferente gracias a la IA, ¿cómo debemos replantear los roles, las competencias y la organización?
La gobernanza se une ahora a la competencia
Esta reflexión no está vinculada únicamente a la productividad.
El Reglamento Europeo de Inteligencia Artificial introduce un enfoque basado en el nivel de riesgo. También prevé obligaciones relativas a la alfabetización en IA (AI literacy), aplicables desde el 2 de febrero de 2025.
La Comisión Europea recuerda asimismo que el reglamento entró en vigor el 2 de agosto de 2026, con calendarios específicos para ciertas disposiciones.
Esto crea una convergencia particularmente interesante entre tres temas gestionados durante mucho tiempo por separado:
Competencias + Usos + Gobernanza
Formar a los colaboradores sin comprender sus prácticas reales resulta insuficiente. Gobernar las herramientas sin comprender los usos también lo es. Medir los usos sin medir el valor tampoco permite pilotar una transformación.
Por lo tanto, hay que cambiar de cuadro de mando
Imagine dos departamentos de 100 personas. En el primero, 70 personas utilizan regularmente un asistente de IA. En el segundo, solo son 35.
¿Es el primero necesariamente el doble de maduro?
Es necesario conocer:
- las tareas realizadas;
- la autonomía adquirida;
- la calidad de los resultados;
- los riesgos;
- el tiempo realmente ahorrado;
- la manera en que esos beneficios se reinvierten.
Es exactamente por esta razón que trabajamos en Pivotal Skills AI en la medición simultánea de las competencias, los usos y el impacto real.
El Digital Skills Analyzer puede tener aquí una función precisa: ayudar a establecer una fotografía inicial y luego observar el progreso por colaborador, equipo, uso o proyecto.
El objetivo no es añadir un cuadro de mando más, sino permitir una decisión:
¿Qué debemos desarrollar? ¿Qué debemos estandarizar? ¿Qué debemos detener? ¿Y dónde debemos invertir más?
El verdadero activo quizá no sea la herramienta
Las herramientas de IA seguirán evolucionando rápidamente. El modelo utilizado hoy no será necesariamente el que se utilice mañana.
En cambio, una organización capaz de:
- identificar un caso de uso;
- probarlo rápidamente;
- medir su impacto;
- controlar sus riesgos;
- desarrollar las competencias necesarias;
- y luego decidir si industrializarlo o no;
... dispone de un activo mucho más duradero:
Una capacidad colectiva para transformar la IA en valor.
Y es quizás esto lo que las empresas deberían empezar a medir.
Sources
- Bpifrance Le Lab, « L’IA dans les PME et ETI françaises », encuesta realizada a 1.209 directivos de Pymes y empresas de mediana capitalización.
- Comisión Europea, Reglamento Europeo de Inteligencia Artificial, enfoque basado en los riesgos, calendario de aplicación y obligaciones relativas a la alfabetización en IA (AI literacy).

