El director de operaciones de Uber, Andrew Macdonald, dijo algo poco común en el mundo tecnológico: que cada vez cuesta más justificar el gasto en inteligencia artificial de la empresa. En una entrevista con Rapid Response admitió que mayor actividad con estas herramientas no siempre se traduce en ganancias proporcionales. Lo dijo con franqueza, sin exageraciones.

Casi al mismo tiempo, Duolingo optó por dejar de medir el desempeño de sus empleados según su uso de IA. Una organización que había integrado estas herramientas en gran parte de su operación decidió que contar el empleo de una tecnología no equivale a evaluar la calidad real del trabajo.

Dos señales. Dos organizaciones distintas. Un cuestionamiento que empieza a hacerse visible.

Uber maneja una de las plataformas de movilidad más grandes del mundo, con recursos para atraer talento destacado y acceso a cantidades masivas de datos operativos. Si alguna empresa podía demostrar un retorno claro en IA, era esta. Sin embargo, su propio director de operaciones reconoce públicamente que los números no terminan de alinearse.

Esto importa porque revela cómo surgieron muchas de esas decisiones de inversión. No siempre partieron de un problema definido, con una medición base y una evaluación posterior. En varios casos fue más bien una carrera por no quedar fuera. Los consejos preguntaban por la estrategia de IA. Los inversionistas buscaban el término en los reportes. La presión nacía del temor, no de los datos.

Macdonald no afirma que la IA carezca de valor. Señala algo más incómodo: que no siempre se sabe qué parte sirve, en qué medida, ni si el costo de descubrirlo compensa.

Duolingo representa el otro lado de la misma cuestión. Su decisión de abandonar la métrica de uso de IA sugiere que notaron cómo estaban midiendo la herramienta en lugar del resultado. Es como evaluar a un artesano por cuántas veces usa el martillo en vez de por la durabilidad de lo que construye.

Ambas decisiones parecen correctas. Representan madurez institucional. El problema no es que se revisen las inversiones en IA. Lo revelador es lo que dicen sobre cómo se tomaron originalmente.

La tecnología suele llegar antes que las métricas para evaluarla. Se adopta primero y se justifica después. Cuando los resultados no aparecen solos, la respuesta frecuente es invertir más, porque ya hay demasiado comprometido.

Los proveedores de modelos y capacidad de cómputo tienen un incentivo claro para que el gasto continúe sin importar los resultados. Su modelo se basa en volumen de uso, en llamadas a sus sistemas y en horas de procesamiento. Más actividad genera más ingresos para ellos, aunque esa actividad no siempre cree valor real para quien paga.

Cuando Macdonald menciona que mayor actividad no se traduce en ganancias proporcionales, describe exactamente ese desfase. La medida que importa al proveedor no coincide con la que importa al comprador. Durante un tiempo esto resultó conveniente para todos: se vendía más, se reportaba adopción activa y los inversionistas veían lo que querían ver.

Ahora ese entusiasmo choca con los ciclos de reporte financiero. Los directores financieros formulan preguntas que los equipos técnicos no siempre pueden responder con precisión.

Algo similar ocurrió con internet en sus inicios. Muchas organizaciones invirtieron sumas importantes en presencia digital y comercio electrónico cuando la demanda real aún no existía. Algunas de esas inversiones nunca se recuperaron. Aun así, internet transformó todo, aunque no en los plazos ni en las formas que se prometían entonces. Los registros de transformaciones tecnológicas anteriores muestran que estos ciclos de adopción entusiasta seguidos de reevaluación no son nuevos.

Todavía no tengo claro hasta dónde llegará este ajuste. Es más complicado de lo que parece a primera vista.

¿El valor real surge solo cuando dejamos de medir el uso y empezamos a observar sus efectos en lo que realmente importa?