Tu AI ya funciona. ¿En qué línea del estado de resultados aparece?

La brecha de atribución separa a quien ve beneficio de la AI de quien puede nombrarlo en el estado de resultados: BCG encontró 89 % frente a 14 % en julio de 2026. No es que la AI falle: es que nadie instaló la medición, rediseñó el proceso ni alineó el incentivo del proveedor.

Hace unos meses le hice esa pregunta a un dueño de una empresa mediana. Me contestó lo que contesta casi todo el mundo: "Mirá, algo quedó andando. El equipo está contento. Pero si me preguntás qué cambió en mi número, no te sé decir."

En julio, BCG le preguntó a 152 CEOs por sus resultados con AI. El 89 % dijo que ve beneficio de costo o de ingreso en las áreas donde la aplicó. El 14 % dijo que tiene ese impacto claramente definido en su P&L. Y el 54 % nombró exactamente esa brecha (vincular la AI al estado de resultados) como la barrera que le impide escalar.

Leelo de nuevo, porque el orden importa: no dicen que la AI no funcione. Dicen que funciona y no la pueden ver.

Ese es un problema distinto del que veníamos discutiendo hace dos años, y necesita una respuesta distinta.

Por qué lo que funciona no se ve

Hay tres razones, y ninguna es técnica.

La primera: nadie instaló la medición. Según Gartner, apenas el 15 % de los deployments de AI generativa en producción a inicios de 2026 tenía observabilidad. Dicho sin jerga: la mayoría de los sistemas que hoy están corriendo en las empresas no tienen con qué demostrar qué hicieron. Se compró la capacidad y no se compró el instrumento que la mide.

Hay un dato que lo confirma de una manera incómoda: no existe todavía una sola empresa cotizada con ahorro por AI auditado en sus estados financieros. Lo que hay son metas declaradas en llamadas con inversores: Equifax, por ejemplo, duplicó su meta de ahorro de US$75 a US$150 millones a 2028. Es una señal fuerte y es una meta, no un número auditado. Si las empresas con equipos de finanzas de mil personas todavía no cerraron esa brecha, la pregunta no es por qué tu empresa no la cerró.

La segunda: nadie rediseñó el trabajo. Deloitte encontró que el 37 % de las organizaciones usa AI a nivel superficial, con modificación mínima o nula de sus procesos. Es decir: se le puso AI encima al proceso viejo. El paso se automatizó; la decisión quedó igual. Y como la decisión quedó igual, el resultado también.

La tercera es la más incómoda, y me toca. Casi todos los que venden esto cobran por horas, por licencias o por proyecto. Su negocio no depende de que tu número se mueva. No es mala fe: es diseño. Si el margen del proveedor viene del tamaño del proyecto, medir el resultado es, para él, un riesgo y no un objetivo.

La región invierte, y todavía no lo cobra

Chile, Argentina y México lideran la inversión en AI de América Latina, y ninguno la tiene resuelta. Chile encabeza con US$51 per cápita, contra US$35 de Argentina y US$26 de México (CCS). La lectura no es que a un país le vaya peor que a otro: es que la región entera está invirtiendo y la brecha de atribución no es un problema de plata.

Chile es donde esa brecha se puede medir con más detalle, porque es donde existe el dato: el 92 % de las empresas se declara con la infraestructura lista para AI, y el 61 % no obtiene retorno alguno (ManageEngine, 150 decisores, julio 2026). Sólo el 3,6 % escala con retornos medibles (MAS Analytics, marzo 2026).

Invertir más no cerró la distancia. La agrandó, si el número no se ve.

Vale la pena notar algo más, otra vez en Chile porque es donde el dato existe: cuando se les pregunta a las empresas qué las frena, el presupuesto pesa 1,2 %. Lo que pesa es el gobierno de los datos, con 34,3 %. El problema no es la plata que falta: es el orden que falta, y no hay motivo para pensar que eso cambia cruzando una frontera.

Las cinco cosas que le pediría a cualquier proveedor de AI en 2026

1. Que la medición venga incluida, no como fase dos. Si el sistema no puede mostrar qué hizo, no vas a poder atribuirle nada, ni defenderlo en un directorio.
2. Que rediseñe la decisión, no que decore el paso. Automatizar una tarea dentro de un proceso que nadie revisó desde hace ocho años produce un proceso viejo, más rápido.
3. Que te diga qué NO hacer. El diagnóstico honesto incluye descartar. Si todo lo que te muestran vale la pena, no te están eligiendo nada.
4. Que no te venda el benchmark de tu industria como respuesta. Dos empresas grandes escriben hoy el 90 % y el 10 % de su código nuevo con AI, en la misma década y con la misma tecnología disponible. La varianza dentro de una industria es más grande que la varianza entre industrias. Tu respuesta está en tus datos.
5. Que cobre contra algo que puedas verificar. Una decisión tomada, un sistema operando, la medición instalada: hitos que podés ver, con el tope y quién verifica el número acordados por escrito antes de empezar. Si lo único que podés contar son horas, estás comprando tiempo, no un resultado.

Sobre lo último: no es una idea de vanguardia. McKinsey ya cobra alrededor de un cuarto de sus honorarios globales contra resultado, conservando un componente fijo. La discusión sobre si se puede cobrar así está terminada. Lo que sigue abierto es quién lo hace con empresas de este tamaño.

Así estoy trabajando yo, y por eso monté Cardinal: elegir las dos o tres decisiones que mueven el número, dejarlas funcionando adentro del negocio y midiéndose solas, y cobrar contra eso.