Cómo Justificar el ROI de un Proyecto de IA ante el Board: Una Guía con Números Reales

Cómo justificar el ROI de un proyecto de IA ante el board

La respuesta corta: tu board no quiere saber de IA. Quiere saber de dinero. Tu trabajo es traducir una decisión tecnológica en una decisión financiera, y hacerlo con números que pueda verificar, no con proyecciones que parecen sacadas de una presentación de startup.

Es posible. Pero requiere que hagas el trabajo antes de entrar en la sala.

El problema real de las presentaciones de ROI que fracasan

La mayoría de las propuestas de IA que llegan a un board caen por una de dos razones.

La primera: los números son demasiado vagos. "Esperamos reducir costes operativos" no es un argumento, es una esperanza. Un CFO con experiencia descarta esto en treinta segundos.

La segunda: los números son demasiado optimistas. Proyecciones de retorno de 10x en el primer año, construidas sobre supuestos que nunca se han probado, destruyen la credibilidad. Y una vez destruida, es difícil recuperarla.

El camino es otro: ser conservador, específico y partir de datos que ya tienes dentro de tu organización.

El método en tres capas para calcular el ROI

Capa 1: Cuantifica el problema actual

Antes de hablar de retorno, tienes que cuantificar el coste de la situación actual. Es el paso que muchos gestores se saltan, y es exactamente lo que el board necesita ver primero.

Preguntas concretas para hacer internamente:

• ¿Cuántas horas a la semana se dedican a este proceso manual?
• ¿Cuál es el coste por hora de las personas implicadas?
• ¿Cuál es la tasa de error actual y cuánto cuesta cada error (devoluciones, reclamaciones, retrabajo)?
• ¿Qué impacto tiene una decisión lenta en este proceso, en términos de ingresos perdidos o coste de oportunidad?

Un ejemplo: en un proyecto de detección de errores en siniestros de seguros, el punto de partida fue mapear cuántos siniestros se procesaban incorrectamente y cuánto costaba, de media, corregir cada error a mano. Ese número, por sí solo, ya mostraba al decisor el tamaño del problema antes de cualquier proyección de mejora. Puedes leer más sobre este caso en el artículo sobre detección de errores en siniestros de seguros.

Si todavía no tienes estos números, empieza por medir el punto de partida. Explicamos cómo en la guía sobre medición de línea base.

Capa 2: Construye el escenario conservador

No presentes el mejor escenario. Presenta el escenario conservador y explica por qué es conservador.

La estructura es sencilla:

Inversión total = coste de desarrollo + coste de integración + coste de mantenimiento en el primer año

Retorno directo = (horas liberadas × coste por hora) + (reducción de errores × coste medio de cada error) + (impacto en ingresos o margen, si es cuantificable)

Período de retorno (payback) = inversión total ÷ retorno anual estimado

Un ejemplo ilustrativo: si el proyecto cuesta 40.000 € y libera 18.000 € al año en trabajo manual y errores evitados, la inversión se recupera en unos 26 meses. Eso es un argumento. Preséntalo así, con los supuestos a la vista.

Lo que el CFO va a verificar son los supuestos, no el número final. Asegúrate de tener datos internos que los respalden.

Capa 3: Añade los beneficios difíciles de medir, con cautela

Hay beneficios que son reales pero difíciles de cuantificar con precisión: decisiones más rápidas, menor dependencia de personas clave en procesos críticos, capacidad de crecer sin contratar en la misma proporción.

Mencionarlos está bien, pero no los incluyas en el cálculo principal. Preséntelos como "ganancias adicionales no contabilizadas". Eso transmite honestidad y refuerza la credibilidad del número conservador de la Capa 2.

Las tres trampas más comunes (y cómo evitarlas)

Trampa 1: Partir del retorno y trabajar hacia atrás. Ocurre cuando decides que quieres justificar 100.000 € de inversión y construyes los números para llegar a ese resultado. Los CFOs reconocen este patrón de inmediato. Parte de los datos reales hacia el retorno estimado, nunca al revés.

Trampa 2: Ignorar los costes después de la entrega. Un modelo de IA en producción necesita mantenimiento, monitorización y actualizaciones periódicas. Los proyectos que muestran solo el coste de desarrollo y olvidan los costes de operación generan sorpresas desagradables meses después. Incluye una estimativa del coste anual de mantenimiento, aunque sea aproximada.

Trampa 3: Prometer un plazo que no controlas. El retorno de un proyecto de IA depende en parte de factores internos: la adopción por parte de los equipos, la calidad de los datos disponibles y la integración con los sistemas existentes. Presenta el ROI vinculado a premisas explícitas, no como una garantía sin condiciones.

Lo que el board realmente necesita ver

Cuando un CEO o CFO aprueba un proyecto de IA, está tomando una decisión de asignación de capital. Lo que le da confianza no es la tecnología. Es la claridad sobre tres cosas:

1. Cuál es el problema que estamos resolviendo y cuánto cuesta hoy
2. Cuál es la inversión total y cuándo la recuperamos
3. Cuáles son los riesgos y cómo los estamos gestionando

Si tu presentación responde a estas tres preguntas con datos reales y premisas transparentes, tienes un argumento. Si responde con diapositivas sobre el potencial de la IA generativa y casos de éxito de grandes multinacionales, difícilmente conseguirás la aprobación.

La diferencia entre un proyecto aprobado y uno rechazado rara vez está en la calidad técnica de la solución. Está en la calidad del argumento de negocio que la sostiene. Un proyecto de IA que no puede justificarse internamente no debería seguir adelante: sin claridad sobre el valor esperado, no hay forma de gestionar expectativas ni de medir el éxito después.

Y cuando el proyecto ya esté en producción, el trabajo pasa a ser otro: demostrar que el retorno prometido está ocurriendo. Explicamos cómo en el artículo sobre cómo medir el impacto real de un proyecto de IA en producción.