Mucho antes de que hubiera IA en ninguna conversación, le dimos a un gerente de operaciones un objetivo de una sola línea: aumentar las ventas. Y lo logró. Extraordinariamente, además. Las ventas subieron mes tras mes y durante un tiempo lo celebramos.
Hasta que el margen empezó a caer. No un poco: enormemente. Cuando fuimos a buscar la causa, era evidente y era nuestra. Para vender más, había bajado los precios. El libro lo resume sin anestesia: «Hizo exactamente lo que le pedimos; el problema fue que le pedimos la mitad de lo que queríamos». Nadie le dio una instrucción equivocada. Le dimos una instrucción incompleta, que es peor, porque «una instrucción equivocada se discute y una incompleta se cumple».
Aquel gerente era una persona con criterio y con años en la empresa, y aun así optimizó exactamente lo que le medimos. El daño tardó meses en verse porque una persona, tarde o temprano, se pregunta si lo que está haciendo tiene sentido. Un Empleado IA al que le entregás una sola métrica no tiene esa pausa: va a hacer lo mismo, más rápido, y sin nadie en el pasillo que le pregunte si está seguro.
La corrección que se volvió método
La corrección de aquel caso tuvo tres partes, y con los años se reconoce en ellas el esqueleto de cómo dirigir cualquier recurso, humano o artificial. Primero, el objetivo pasó de una dimensión a dos: vender más, siempre defendiendo el margen. Segundo, la autoridad quedó en números y no en criterio: precios de lista fijos y un precio mínimo por servicio, por debajo del cual nadie vende sin autorización. Tercero, un monitor mensual que alerta cuando algún cliente paga menos de lo que cuesta atenderlo.
Cada pieza hace un trabajo distinto. La primera arregla la métrica. La segunda pone un límite que no depende de la interpretación de nadie. La tercera asume que las dos anteriores pueden fallar, y vigila. Ninguna existía cuando dimos la instrucción original. Con un Empleado IA, las tres tienen que existir antes de encender.
Output no es outcome
El antídoto de fondo empieza separando dos palabras que el entusiasmo funde en una. El output es el mensaje enviado; el outcome es que el caso llegue al responsable adecuado sin retraso ni daño al cliente. Medir el primero es sencillo. Administrar el segundo exige entender para qué existe el puesto.
La velocidad agrava la confusión, porque una gran cantidad de actividad parece valor. El libro lo dice con aritmética: «la automatización no mejora un proceso, lo multiplica». Un proceso mal diseñado que producía diez errores al mes producirá cien cuando se automatice. Y si el dashboard mide actividad, aplaudirá igual.
También cuenta el trabajo humano que queda detrás. Si tres personas dedican horas a revisar, corregir y explicar decisiones del agente, esa intervención es parte del costo, y ocultarla permite contar una historia de autonomía que la operación no sostiene.
El desempeño debe medirse por outcomes, calidad, riesgo y costo, nunca por actividad, horas, tokens o cantidad de mensajes.
Las seis métricas que deberían llegar al CEO
El núcleo son seis métricas ejecutivas en dos tríos. El primero es económico-operacional y responde tres preguntas: ¿el trabajo funciona mejor que antes?, ¿cuánto cuesta un resultado correcto?, ¿cuánta autonomía es real?
El Post-Transition Performance Delta compara el puesto antes y después del cambio. No pregunta si el agente es rápido; pregunta si el puesto mejoró en el outcome que justifica la responsabilidad. Sin baseline, la organización puede celebrar una mejora imaginaria. El Cost per Successful Outcome calcula cuánto cuesta producir el resultado bien hecho: plataforma, integración, supervisión, retrabajo, incidentes y operación humana residual. Comparar solo salario contra suscripción es intelectualmente pobre. Y el Human Intervention Rate mide qué proporción de casos necesita ayuda o corrección humana; una tasa alta puede ser correcta en shadow mode, pero llamarla autonomía cuando el equipo sostiene manualmente cada resultado es mentirse con números.
El segundo trío es el de seguridad y daño, el que casi ningún dashboard ejecutivo construye. En esa mitad faltante viven los problemas que terminan en la prensa.
Si premiás al sistema por escalar menos, aprende silencio: mejora su número produciendo la falla que más temés, la respuesta convincente donde debía haber una duda escalada. La escalación se juzga por calidad, nunca por volumen. Un Human Intervention Rate que baja no es automáticamente buena noticia: revisá las escalaciones perdidas antes de celebrar.
La primera métrica de ese trío es la que casi nadie mide: el Missed Escalation Rate, la tasa de escalación perdida, el caso que debió subir a un humano y no subió, descubierto en auditoría o después del daño. La segunda es el Harmful Outcome Severity, que clasifica el daño que efectivamente llegó a clientes o trabajadores: no pregunta cuántos errores hubo sino cuánto pesó el peor, porque cien erratas en recordatorios y una amenaza de cobro a un cliente en duelo no son «101 errores», son dos fenómenos distintos. Y la tercera es el Hybrid Workforce Incident Rate, los incidentes atribuibles al diseño del puesto: el handoff que dejó caer un caso, la autoridad mal dibujada, el contexto que faltó. Su valor es incómodo a propósito: cada incidente de esta categoría es una decisión de diseño firmada por alguien.
El scorecard se escribe antes del piloto
Antes de modificar un puesto, registrá cómo funciona hoy. Elegí entre tres y cinco KPIs que representen su resultado, no solamente su actividad, con sus estándares de calidad, tiempo de ciclo, costo, errores e intervención humana. Después fijá la banda dentro de la cual considerarás estable el desempeño nuevo, y las condiciones que obligan a detener o revisar el piloto.
Mantené comparabilidad: si cambiás a la vez el proceso, la definición de éxito, la población de casos y el recurso, después no vas a saber qué causó el resultado. Y dale al scorecard frecuencia y dueño: quién revisa, cada cuánto, con qué autoridad para intervenir. Qué mejora amplía autonomía, qué deterioro activa remediación, qué incidente exige suspensión inmediata. Un dashboard sin una decisión asociada es decoración.
El beneficio psicológico vale más que el técnico: con el scorecard escrito primero, el entusiasmo deja de redactar la definición de éxito después de ver los resultados. Si la hipótesis falla, aprendiste. La hipótesis fallida es información, no vergüenza.
Cinco verdes y un rojo
El libro muestra un scorecard de cobranza con datos hipotéticos, al cierre de sus primeros noventa días, y la lección cabe en dos líneas. La recuperación subió de 61% a 64%. Los errores materiales bajaron. Cero contactos a cuentas en disputa. El simulacro de suspensión se ejecutó con éxito. Las horas liberadas de la analista tienen destino declarado. Cinco verdes. Y un rojo: la auditoría detectó dos escalaciones perdidas críticas, dos casos donde el cliente mencionó una dificultad económica seria y el sistema siguió su secuencia.
¿Se promueve al siguiente peldaño de autonomía? No. Y esa es toda la lección.
Cualquier dashboard que promedie esos seis indicadores mostraría un piloto exitoso. Pero el umbral de escalación perdida no era «pocas»: era cero, fijado antes del piloto, y por eso no admite negociación. Si se hubiera escrito «menos del 1%», dos casos entre 3.600 contactos habrían pasado como excelentes, y la organización habría promovido a un sistema que aprendió a no preguntar precisamente donde más importa. Lo que corresponde es lo aburrido: el recurso se queda en su peldaño, se investiga por qué las dos menciones no dispararon la regla de ruteo, se corrige y se vuelve a medir un trimestre.
Un indicador que nunca cambia una decisión no es un indicador. Es decoración con números.
Preguntas frecuentes
Seis métricas en dos tríos. El económico-operacional: Post-Transition Performance Delta (¿el puesto mejoró contra su baseline?), Cost per Successful Outcome (¿cuánto cuesta un resultado correcto, incluyendo supervisión, retrabajo e incidentes?) y Human Intervention Rate (¿cuánta autonomía es real?). El de seguridad y daño: Missed Escalation Rate (casos que debieron subir a un humano y no subieron), Harmful Outcome Severity (cuánto pesó el peor daño que llegó a clientes o trabajadores) y Hybrid Workforce Incident Rate (incidentes atribuibles al diseño del puesto). La mayoría de los dashboards ejecutivos solo construye el primer trío.
Por dos razones. La técnica: sin baseline y sin umbrales previos no hay comparación válida, y la organización puede celebrar una mejora imaginaria o negociar el veredicto después de ver los números. La psicológica, que vale más: con el scorecard escrito primero, el entusiasmo deja de redactar la definición de éxito después de conocer los resultados, y el equipo queda protegido de justificar la implementación por el esfuerzo invertido. Un umbral fijado antes del piloto (por ejemplo, cero escalaciones perdidas críticas) no admite negociación cuando llega el dato incómodo.
El output es la actividad ejecutada: el mensaje enviado, la clasificación hecha, el registro actualizado. El outcome es el efecto que justifica el puesto: el caso que llega al responsable adecuado sin retraso ni daño, la conversación comercial útil, el pago recibido. Medir outputs es sencillo y por eso los dashboards se llenan de ellos; administrar outcomes exige entender para qué existe el puesto. La distinción importa porque un sistema veloz puede producir actividad extraordinaria y resultados dañinos a la vez, y un tablero que mide actividad aplaude las dos por igual.
El Missed Escalation Rate mide los casos que debieron subir a un humano y no subieron, descubiertos en auditoría o después del daño. Es la métrica que casi nadie construye y la más importante del trío de seguridad, porque captura la falla más peligrosa de un sistema de IA: la respuesta convincente donde debía haber una duda escalada. Se complementa con la escalación innecesaria (ruido que erosiona la atención del revisor) y la apropiada, que es la salud del sistema. Nunca se premia al sistema por escalar menos: si lo hacés, aprende silencio, y mejora su número produciendo exactamente el daño que más temés.
El scorecard decide los ascensos y descensos de la escalera de autonomía de la IA. Y cuando un indicador se pone rojo, la pregunta siguiente es por qué: leé Auditar no es registrar.
¿Querés el método completo? Leé Empleado IA. Para consultoría ejecutiva en IA o conferencias y talleres.
Profundizar
¿Querés llevar tu equipo al siguiente cinturón?
Reservá una llamada de descubrimiento o explorá el libro completo.