Como CFO que comenzó su carrera programando, tengo una regla simple en mi sala de reuniones: Prohibido decir “F1-Score” sin decir “EBITDA” en la misma frase.
Veo muchos equipos de Data Science celebrando victorias que, en la práctica, son derrotas financieras. Gastan $100k en computación en la nube para aumentar la precisión de un modelo en un 0,5%, pero esta ganancia no trae ningún cliente nuevo, ni reduce ningún costo operativo.
Esto es lo que llamo “Vanidad Computacional”. Y la vanidad no paga las facturas.
El Choque de Realidad
Para el Board de la empresa, la IA no es magia; es CAPEX (Inversión) y OPEX (Costo Operativo). Si el dinero que sale es mayor que el dinero que entra (o deja de salir), el proyecto es un fracaso, no importa cuán “state-of-the-art” sea el algoritmo.
- Científico de Datos: “¡Nuestro modelo de churn tiene un AUC de 0.95!”
- CFO: “Genial. ¿Cuántos clientes retuvimos de más? ¿Cuál es el LTV (Lifetime Value) ahorrado? ¿Cuál es el costo de retención?”
Si no puedes responder a la segunda línea, no tienes un proyecto de IA; tienes un hobby caro.
El Framework de Traducción: Tech -> Business
Para sobrevivir a la próxima ronda de recortes presupuestarios, necesitas aprender a traducir. Aquí está el diccionario:
| Métrica Técnica (Lo que mides) | Métrica de Negocio (Lo que quiero escuchar) |
|---|---|
| Precisión / Accuracy | Reducción de Error Operativo (Menos multas, menos retrabajo) |
| Latencia (ms) | Conversión de Ventas (El cliente no espera, el cliente compra) |
| Throughput (tokens/s) | Eficiencia de FTE (¿Cuántas horas-hombre ahorradas?) |
| Uptime / Disponibilidad | Continuidad de Ingresos (El sistema no deja de vender) |
La Fórmula de Valor Centrato
En Centrato, usamos una fórmula simple para aprobar o matar proyectos de IA. Si el resultado no es positivo y claro, el proyecto no pasa de la fase piloto.
$$ \text{ROI} = (\text{Frecuencia del Problema} \times \text{Impacto Financiero}) - \text{Costo Total de la Solución} $$
- Frecuencia: ¿Cuántas veces sucede esto por mes? (Ej: 10.000 tickets de soporte).
- Impacto: ¿Cuánto cuesta cada ocurrencia? (Ej: $5.00 por ticket humano).
- Costo de la Solución: Incluye todo. Nube, licencias, salario del equipo de datos y mantenimiento.
Ejemplo Práctico:
- Problema: Clasificar correos electrónicos de soporte.
- Escenario Actual: 10.000 correos/mes x $1.00 (tiempo humano) = $10.000/mes.
- Solución IA: Automatiza el 80% (8.000 correos). Ahorro potencial = $8.000/mes.
- Costo de la IA: $1.000/mes (API + Servidor).
- Resultado: Beneficio neto de $7.000/mes.
Esto es música para mis oídos. “Precisión del 99%” es solo ruido si no viene acompañado de esta cuenta.
Conclusión
No te enamores de la tecnología. Enamórate del problema y del resultado. El mejor modelo de IA no es el más complejo; es el que deja la última línea del P&L más azul.
