Cómo convertir la productividad de la IA de tus proveedores en ahorro y valor

Pensar que nuestros proveedores tecnológicos están mejorando su productividad con las nuevas herramientas y modelos de IA es algo lógico. Lógico, porque no pasa un solo día sin que se presente alguno nuevo, siempre acompañado de estudios y previsiones sobre el tiempo que nos puede ahorrar en nuestras tareas diarias.

Y quizás pienses que, si gracias a estas herramientas desarrollar ahora les lleva menos tiempo, el software debería costar menos.

Pero… ¿Es realmente así? No tiene por qué. El hecho de mejorar una tarea concreta no implica automáticamente una reducción de costes en un proyecto, ni que el software llegue antes a producción ni con menos defectos.

E incluso en el caso de que así sea, deberíamos plantearnos otra pregunta: ¿cómo trasladar esa mejora conseguida gracias a la IA al servicio que recibe el cliente?

Y para responderla es necesario comprender primero qué productividad se ha obtenido, a qué coste y qué mejoras en calidad, coste o capacidad llevan asociadas.

La productividad está cambiando, pero ¿cuánto?

Ahí está la clave, pero también uno de los mayores retos que encontramos: no existe una respuesta única sobre cuánto mejora la IA la productividad del desarrollo. Los estudios muestran resultados muy diferentes según las tareas, los equipos y el contexto observado, como vimos al analizar el impacto de la IA en la productividad del desarrollo de software en un artículo anterior.

Puede que tu proveedor haya introducido la IA y que ciertas actividades requieran menos tiempo. Esa capacidad liberada puede transformarse, por ejemplo, en más funcionalidades, menor backlog o mejores plazos.

Aunque también puede ocurrir que la mejora no llegue a materializarse. El tiempo ahorrado en una tarea puede reaparecer después como revisión, corrección, integración o retrabajo.

El desarrollo de software no termina cuando se genera el código. Para que una mejora sea relevante para una organización, debe mantenerse también durante las fases posteriores.

No quiere decir que utilizar IA empeore necesariamente el desarrollo. Pero sí hay que tener en cuenta que mejorar una actividad individual no mejora de forma automática el sistema completo.

Sería como ampliar un tramo de carretera sin revisar el siguiente: el atasco simplemente cambia de lugar.

De hecho, el informe DORA 2025 profundiza en esta idea y describe la IA como un amplificador de las fortalezas y debilidades de una organización. Los mejores resultados no dependen tanto de incorporar estas herramientas, sino del sistema organizativo en el que estas se utilizan.

Por tanto, lo importante no es si el proveedor usa IA, sino si de verdad está ayudando a entregar más valor. Y ser capaz de cuantificarlo.

Medir la eficiencia en el producto, no en el uso de la herramienta

Contabilizar licencias, tokens, prompts o líneas de código solo mide la actividad y nivel de adopción. Para medir la productividad, necesitamos tener en cuenta el resultado: el producto software entregado con relación al esfuerzo y coste para conseguirlo y la calidad obtenida.

Llevado a la práctica, deberíamos ser capaces de responder estas preguntas:

• ¿Se entrega más producto software? La comparación debe realizarse sobre funcionalidad aceptada, no sobre volumen de código o tareas cerradas.
• ¿Ha disminuido su coste unitario? Una reducción del esfuerzo solo representa una mejora económica si permite reducir el coste o entregar más alcance con el mismo presupuesto.
• ¿Llega antes a producción? Y esta aceleración debe tener en cuenta el ciclo completo, no solo la codificación.
• ¿Se mantiene la calidad? El ahorro pierde valor si incrementamos defectos, incidencias, revisión adicional o retrabajo.

Estas dimensiones deben analizarse conjuntamente para comprobar que no hay mejora en una, pero las otras se resienten.

Además, para poder detectar el cambio, necesitamos referencia, una línea base. Lo ideal es contar con esta línea base que recoja la productividad, el coste unitario, el tiempo de entrega y la calidad antes de la introducción de la IA. O contar con un histórico de proyectos que, gracias a las métricas funcionales, nos permita normalizar el producto entregado y relacionarlo con el esfuerzo y el coste, obteniendo indicadores de productividad y coste unitario para comparar la situación antes y después de incorporar IA.

El contexto también importa. No todos los proyectos, equipos, proveedores o tecnologías responden igual. Por eso conviene segmentar el análisis y contrastar los resultados con referencias comparables.

Y gracias al benchmarking podemos contrastar el resultado del proveedor no solo con su propio histórico, sino también con servicios y proyectos comparables del mercado. Así resulta más sencillo distinguir entre una mejora real, una variación puntual y una diferencia provocada por cambios en el contexto.

Sin olvidar que es fundamental considerar el coste total de la IA. Las licencias, el consumo de modelos, la integración, la formación, la revisión y el gobierno pueden reducir la mejora inicialmente observada. La eficiencia final no es la ganancia bruta en una tarea, sino la mejora que permanece después de incorporar estos costes y comprobar que la calidad no se ha deteriorado.

De la eficiencia demostrable al contrato

Una vez tenemos cuantificada la mejora, la conversación contractual cambia completamente. Una conversación que no hay que entender como un conflicto entre cliente y proveedor.

El proveedor debe poder recuperar su inversión, asumir riesgos y mantener incentivos para seguir mejorando su servicio. Y el cliente necesita comprobar que la eficiencia tecnológica termina generando valor para su organización.

Es un proceso que debe estructurarse alrededor de unos criterios de común acuerdo: delimitar qué actividades se van a evaluar, porque no todas tienen el mismo potencial de mejora, y fijar una línea base, indicadores comparables y mecanismos de seguimiento. Y, finalmente, debe acordarse cómo se comparte ese valor: si trasladamos la mejora a precio, capacidad, alcance, calidad o compromisos verificables.

No es cuestión de repartir una cifra teórica, sino de construir un modelo en el que ambas partes puedan demostrar qué ha mejorado y revisar periódicamente cómo se comparte ese valor.

Un modelo que nos permita saber qué producto estamos recibiendo, cuánto cuesta y cómo se compara. La pregunta no es si tu proveedor utiliza inteligencia artificial, sino:

¿Estamos obteniendo más producto software, con igual o mejor calidad, por cada euro invertido?

Para una organización que pueda responder esta pregunta con datos, la productividad ya no es una percepción. Es un resultado que puede compararse, trasladarse al contrato y gobernarse.

Y con Quanter puedes lograrlo.