Por Qué los Líderes Que Mejor Miden la Adopción de la IA No Miran Paneles de Control
Seguimiento de Métricas: Las métricas tradicionales de uso a menudo distorsionan el valor de la IA; el enfoque debe estar en la eficiencia operativa.
Ganancias de Eficiencia: Evaluar el impacto de la IA depende de mejoras medibles en eficiencia, no solo de los niveles de actividad o resultados.
Cambio de Comportamiento: La adopción significativa de la IA se indica por cambios de comportamiento, como el uso espontáneo y la automatización de tareas.
Cambio de Juicio: El valor de los gestores de proyectos está evolucionando de la rapidez en la entrega a la toma de decisiones y ediciones informadas.
Paradoja de la Visibilidad: El éxito en la adopción de la IA puede estar oculto; quienes están más cerca del trabajo perciben los cambios significativos.
Hacer un seguimiento de la adopción de la IA en la gestión de proyectos parece algo sencillo. Registros de uso, conteos de prompts, actividad de herramientas: los datos existen. Pero los líderes que han intentado medir el impacto real de la IA descubren que las señales más significativas no aparecen en los paneles de control. Lo que realmente está funcionando se parece menos a la analítica y más a prestar atención a cómo cambia el trabajo en terreno.
Esto es lo que, según nuestros expertos, realmente funciona y lo que no.
Por qué los métodos tradicionales de medición de uso se quedan cortos
El instinto de medir la adopción de la IA mediante la actividad es comprensible: más prompts, más experimentación y mayor entusiasmo visible deberían significar más valor. Rawad Baroud, CEO de ZeroGPT, partió exactamente de esa suposición, y lo que descubrió cambió por completo su manera de pensar sobre la medición. "Desde una perspectiva ejecutiva, al principio pensé que los equipos que más se benefician con la IA serían los más fáciles de identificar", dice. "Esperaba ver tasas de uso más altas, más prompts, más experimentación y un entusiasmo más visible". La realidad fue casi la opuesta.
Unlock for Free
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
"Los equipos que obtenían los mejores resultados trataban a la IA como el corrector ortográfico. Se había integrado tanto en su flujo de trabajo que nadie sentía la necesidad de comentarlo". La implicación para cómo los líderes evalúan la adopción es significativa. Como dice Baroud, "un project manager que genera cincuenta prompts al día puede que no esté creando más valor que alguien que usa la IA cinco veces para eliminar cuellos de botella recurrentes".
Los equipos que obtenían los mejores resultados solían tratar la IA como el corrector ortográfico. Se había integrado tanto en su flujo de trabajo que nadie sentía la necesidad de mencionarla nunca más.
Las señales a las que ahora presta más atención son operacionales: los planes de proyecto llegan a los interesados más rápido, menos tareas regresan para aclaraciones, y los informes de estado requieren menos revisiones. Esos indicadores, según él, aportan mucho más que los paneles de adopción.
Medir la eficiencia, no la actividad
Para los líderes que han dejado atrás el seguimiento del uso, el foco se traslada a los logros de eficiencia concretos: rendimiento, tasas de error y retroalimentación de los interesados como los verdaderos indicadores. Emmanuels Magaya, fundador de Project Managers Africa, lo plantea como una simple comparación antes y después. "Para mí, la medida número uno es: ¿ha aumentado tu eficiencia desde que empezaste a usar la IA? ¿O estás dedicando mucho más tiempo a escribir prompts para corregir lo que hiciste?", señala.
Para mí, la medida número uno es: ¿ha aumentado tu eficiencia desde que empezaste a usar la IA? ¿O estás dedicando mucho más tiempo a escribir prompts para corregir lo que hiciste?
Su enfoque consiste en crear períodos de comparación claros: "Podemos medir la eficiencia diciendo, por ejemplo, si en el primer trimestre del año no teníamos IA en ningún punto del flujo de trabajo, eso es una referencia. Ahora, en el segundo trimestre, sí la utilizamos. Entonces, comparamos el primer trimestre con el segundo".
Magaya también impulsa a los líderes a mirar más allá de la perspectiva de su propio equipo al evaluar el impacto. "No debe ser solo tu perspectiva como equipo PMO. Obtén aportes de tus interesados, de tus clientes internos, etc. Ni siquiera hace falta decirles que estás usando IA. Basta con preguntar: '¿Cómo hemos estado trabajando en los últimos meses?' La retroalimentación imparcial de las personas más cercanas al trabajo, sostiene, es una de las medidas más honestas disponibles.
Medir comportamientos por encima de resultados
Varios líderes han llegado a la conclusión de que el cambio de comportamiento es el indicador más fiable de una adopción significativa de la IA —específicamente, qué tareas han pasado a ser IA-first y si los miembros del equipo recurren a la IA sin que se les pida. Ferhat Suat Erdogan, fundador y CEO de Ekofi, ha evitado deliberadamente construir una estructura formal de medición por exactamente esta razón. "Porque somos una empresa ágil, he evitado deliberadamente construir un panel de IA", explica. "Lo que no puedo ver mirando un dashboard es si la IA realmente está cambiando cómo se hace el trabajo. Por eso mido comportamientos más que resultados".
Las señales que observa Erdogan son específicas: qué tareas recurrentes se han vuelto primero con IA — "informes de estado, notas de reuniones convertidas en acciones, actualizaciones de clientes para primeros borradores, resúmenes de alcance" – frente a cuáles siguen siendo principalmente humanas; el tiempo hasta el primer borrador de un entregable y cuánta edición necesita una salida de IA antes de entregarse. "Esa tasa de reelaboración es mi métrica real de calidad", dice él. "El comportamiento en el que más confío es si el equipo recurre a la IA sin que se le indique. El uso obligatorio no te dice nada; el uso espontáneo sí te muestra que realmente les está ahorrando tiempo."
El comportamiento en el que más confío es si el equipo recurre a la IA sin que se le indique. El uso obligatorio no te dice nada; el uso espontáneo sí te muestra que realmente les está ahorrando tiempo.
Artem Panasiuk, jefe de entrega en Brocoders, adopta un enfoque similar, utilizando sincronizaciones regulares de equipo en lugar de un panel formal para recopilar señales. "Actualmente no estamos siguiendo la adopción de la IA mediante un panel de métricas formal. Hacemos sincronizaciones regulares donde nuestros gerentes comparten lo que funciona en su día a día, y de ahí proviene la mayor parte de nuestra señal", dice él.
Hacemos sincronizaciones regulares donde nuestros gerentes comparten lo que funciona en su día a día, y de ahí proviene la mayor parte de nuestra señal.
Lo que Panasiuk realmente mide es el cambio en aquello a lo que un gestor de proyectos dedica su tiempo. Las tareas estándar de PM — generar documentos, crear tickets en Jira, actualizar documentación, redactar correos — se han automatizado, y esa capacidad liberada ha permitido que los gerentes se involucren en trabajos que antes estaban fuera del rol del PM: análisis de negocio, elementos del sistema de diseño, documentación y vibecoding. El resultado al que apunta Panasiuk es contundente: "nuestros gerentes están realizando aproximadamente el doble de trabajo que antes, y los equipos que los rodean se han vuelto mucho más polivalentes."
El gran cambio: del resultado al criterio
A lo largo de estas perspectivas, emerge un replanteamiento coherente — no solo en cómo se mide la IA, sino en lo que los líderes empiezan a valorar en sus equipos. Erdogan lo expresa directamente: "Antes recompensaba implícitamente la rapidez y el volumen de producción. Ahora la habilidad de mayor valor es el criterio — editar la salida de la IA y saber cuándo no usarla en absoluto. El trabajo está pasando de producir el borrador a ser el editor responsable de él."
Antes recompensaba implícitamente la rapidez y el volumen de producción. Ahora la habilidad de mayor valor es el criterio — editar la salida de la IA y saber cuándo no usarla en absoluto.
Ese cambio tiene implicancias prácticas en cómo se evalúa el desempeño de la entrega. El volumen y la rapidez ya no son la señal que solían ser. El PM que produce menos pero edita mejor, detecta las carencias que la IA pasa por alto y sabe cuándo apartar la herramienta por completo, puede estar generando más valor que aquel que produce la mayor cantidad de resultados. Como señala Baroud, el mayor cambio de mentalidad es que "la adopción de la IA no siempre es visible. En muchos casos, el éxito se parece menos a una mayor actividad y más a la silenciosa eliminación de trabajos que antes ralentizaban a los equipos".
Final: la paradoja de la visibilidad
Lo más valioso que revela la observación de Baroud es una paradoja que merece la pena considerar: los equipos que mejor implementan la IA son los que menos esperarías ver en un informe de adopción. Si el éxito se manifiesta como una eliminación silenciosa más que una actividad visible, entonces los líderes mejor posicionados para medir el impacto de la IA no son los que vigilan los paneles de control, sino los que siguen lo suficientemente cerca del trabajo como para notar cuándo algo deja de crear fricción.
¿Quieres más ideas como estas? Regístrate para obtener una cuenta gratuita en DPM y conoce a más expertos como estos.
