AI Opportunity Portfolio

Cuándo aporta valor

Cuándo no es la mejor herramienta

Qué es AI Opportunity Portfolio

AI Opportunity Portfolio es una forma práctica de reunir todos los casos de uso de la IA en una empresa, filtrarlos, situarlos según su valor y su viabilidad y probar los mejores antes de invertir.

Un caso de uso de la IA (en esta ficha, «uso», para abreviar) es una tarea o un proceso concreto en el que la IA podría ayudar. Por ejemplo: preparar ofertas comerciales, responder consultas técnicas o prever la demanda. En la matriz, cada punto es uno de estos usos.

El visual resume la herramienta en tres bloques, con el ejemplo de un fabricante industrial:

1. Reunir y filtrar. Se reúnen todos los casos de uso posibles y solo pasan los que resuelven un problema del negocio, para los que la IA es la solución adecuada y cuyos riesgos se pueden controlar.
2. Situarlos en la matriz. Cada uso que pasa el filtro se coloca según dos preguntas: cuánto valor puede aportar al negocio y hasta qué punto es viable implantarlo (datos, tecnología, uso real por las personas y coste). Al ver todos los usos juntos, la dirección compara de un vistazo cuáles aportan más y cuáles se pueden poner en marcha, y decide dónde invertir primero.
3. Probar antes de invertir. Los mejores se prueban en un piloto: una prueba acotada, con usuarios reales. Se mide si el proceso mejora, si se usa y cuánto cuesta, y se decide: escalar (extenderlo a todo el proceso o a toda la empresa), modificar o detener. Lo aprendido actualiza la cartera.

No existe una metodología académica única con este nombre. El enfoque de esta ficha es una síntesis de Biblioteca Management, basada en la investigación sobre implantación de IA en empresas, en guías publicadas por proveedores de tecnología y en los marcos de gestión de riesgos (ver Profundizar).

Empezar por el negocio, no por la tecnología

La pregunta inicial no debería ser «¿dónde podemos usar ChatGPT?», ni «¿qué podemos hacer con agentes de IA?». Debería ser: «¿qué necesitamos mejorar en la empresa y qué papel podría tener la IA?».

Por ejemplo: un fabricante tarda demasiado en preparar sus ofertas comerciales. Su problema no es que todavía no use IA. Su problema es que preparar ofertas consume demasiado tiempo o retrasa la respuesta al cliente. La IA puede ser una solución, pero antes hay que entender el problema y comprobar que esa tecnología es la más adecuada.

Qué usos podemos encontrar

La IA no es solo la IA generativa (la que redacta textos o crea imágenes). También hay modelos que predicen, que clasifican, que analizan imágenes o que optimizan rutas y planes, y soluciones que combinan varias de estas tecnologías.

Los cinco criterios de evaluación

Para comparar los usos proponemos valorar cinco cuestiones:

El criterio 1 es el eje vertical de la matriz. Los criterios 2, 3 y 4 forman el eje horizontal: la viabilidad. El criterio 5, los riesgos, no es un eje: es una condición que se comprueba en el filtro y otra vez antes de cualquier piloto.

La matriz de valor y viabilidad

Cada uso que ha pasado el filtro se coloca en la matriz según su valor (vertical) y su viabilidad (horizontal). La posición indica qué hacer con él:

La matriz no es una cuadrícula rígida. Cada uso se coloca más cerca o más lejos del centro según su valoración. Un uso de viabilidad media se trata como «Preparar y validar» hasta resolver lo que le falta.

La matriz sirve para comparar y ordenar, pero tiene límites:

• Estar arriba a la derecha no autoriza a implantar. Antes hay que comprobar riesgos, costes y condiciones de uso.
• Viabilidad no es solo facilidad técnica. Una solución técnicamente sencilla puede ser difícil de adoptar o demasiado cara.
• La posición es una estimación inicial, no un resultado comprobado. Cambia cuando mejoran los datos, baja el coste o un piloto enseña algo nuevo.

Las matrices que cruzan valor con viabilidad o esfuerzo son una práctica habitual de consultoría, anterior a la IA. Los nombres de los cuatro cuadrantes son de Biblioteca Management.

Los cinco criterios, uno a uno

Ahorrar tiempo no es ahorrar dinero

Imaginemos que una herramienta permite a un comercial preparar un documento en treinta minutos en lugar de una hora. Ha mejorado su productividad. Pero todavía no sabemos si esa mejora se ha convertido en un beneficio para la empresa. Quizá el comercial use ese tiempo para preparar más ofertas, mejorar su calidad o atender a más clientes. O quizá la empresa todavía no haya decidido cómo aprovecharlo.

Por eso conviene distinguir tres niveles:

Acelerar una tarea no es mejorar el proceso

Un uso de la IA puede reducir mucho el tiempo de una tarea sin mejorar el resultado final. Boston Consulting Group (BCG) describió en 2026 el caso de una empresa, sin identificarla, que con IA redujo una actividad de diez días a uno. Sus clientes seguían esperando diez días, porque el resto del proceso funcionaba igual.

Hay que evaluar el proceso completo, no solo la velocidad de una tarea.

Además, los resultados varían mucho de una tarea a otra. Los experimentos con programadores y consultores muestran mejoras grandes en unas tareas y peores resultados en otras para las que la herramienta no estaba preparada (ver Profundizar). No basta con saber que una tecnología funciona bien en general; hay que comprobar cómo funciona en nuestra tarea y en nuestras condiciones.

Asistentes, automatizaciones y agentes

No todos los usos de la IA tienen el mismo grado de autonomía:

Las categorías se solapan. Los agentes amplían lo que se puede automatizar, pero también los riesgos. No es lo mismo que una herramienta redacte un correo para que lo revise una persona que dejarla enviarlo sola a cientos de clientes. Ni preparar una recomendación de precio que cambiar directamente los precios en el ERP.

Cómo aplicarla: seis pasos para construir la cartera

1. 1

   Reunir los problemas y las ideas

   Partir de los objetivos y las dificultades del negocio. Reunir a los responsables de las áreas y preguntar: ¿qué procesos consumen demasiados recursos?, ¿dónde cometemos errores?, ¿qué retrasa la respuesta al cliente?, ¿qué oportunidades comerciales perdemos?, ¿qué decisiones mejorarían con más información?, ¿qué trabajos repetitivos ocupan a personas cualificadas? Cada uso se describe con un problema concreto y un resultado deseado, no con el nombre de una herramienta. Resultado: primera lista de usos posibles.

2. 2

   Filtrar

   Para cada idea, tres preguntas. ¿Resuelve un problema real del negocio? ¿La IA es la solución adecuada, o basta con mejorar el procedimiento, quitar una autorización innecesaria, usar una función del ERP, automatizar con reglas fijas o coordinar mejor a las personas? ¿Sus riesgos se pueden controlar? Si la IA aporta algo distinto o mejor, hay que decir qué y qué tipo de solución haría falta (asistente, modelo predictivo, automatización o agente). Lo que no pasa el filtro se aparta: unas ideas se descartan y otras esperan a que se revisen sus riesgos. Resultado: usos en los que la IA tiene sentido, de entrada.

3. 3

   Valorar valor y viabilidad

   Valorar cada uso con los cinco criterios. Al principio basta con alto, medio o bajo, pero cada valoración debe justificarse: no conviene convertir impresiones en cifras que parecen exactas y no lo son. Resultado: usos comparables, con sus supuestos a la vista.

4. 4

   Situar en la matriz y elegir

   Colocar cada uso en la matriz y elegir pocos para probar: los que quedan en «Priorizar». Para los de «Preparar y validar», decir qué falta (datos, controles, capacidades) y quién lo resuelve. Resultado: cartera ordenada y candidatos a piloto.

5. 5

   Preparar el piloto: riesgos, costes y condiciones

   Antes de aprobar un piloto, identificar los datos que usará, los sistemas a los que accederá, las personas afectadas, los errores posibles y sus consecuencias, la supervisión necesaria, las obligaciones legales y contractuales y los costes iniciales y recurrentes. Si aparece un riesgo importante que no se puede controlar, la iniciativa se detiene o se rediseña. Para cada piloto se fija: responsable de negocio, problema, solución, usuarios, situación de partida, indicadores, costes, riesgos, duración y alcance, y condiciones para continuar o parar. Resultado: pilotos con criterios claros (ver el kit práctico).

6. 6

   Probar, medir y decidir

   Al terminar el piloto se decide con lo que se ha medido, no con el entusiasmo del equipo: escalar (los resultados y los controles justifican extenderlo), modificar (el uso sigue siendo bueno, pero hay que cambiar la solución o el proceso) o detener, ya sea para aplazar (faltan condiciones) o para abandonar (no aporta valor suficiente). Lo aprendido cambia la posición de otros usos en la matriz. Resultado: cartera actualizada.

Ejemplo de empresa que vende a empresas (B2B): un fabricante industrial

La empresa no intenta implantarlo todo a la vez. Empieza con dos pilotos, preparar ofertas e informes comerciales, y en paralelo mejora los datos para poder prever la demanda. La selección es provisional: antes de invertir más hay que comprobar el valor, los costes y los riesgos reales de los dos pilotos.

Ejemplo económico: el piloto de ofertas

Si los supuestos se cumplen, se liberan 50 horas al mes. A 35 € la hora, ese tiempo vale 50 × 35 € = 1.750 € al mes.

Pero no se puede afirmar que la empresa ahorre 1.750 € al mes. Quizá use ese tiempo para preparar más ofertas, responder antes o hacer mejores propuestas. O quizá todavía no haya decidido cómo aprovecharlo. Y hay que restar lo que cuesta usar, implantar, revisar y mantener la solución. Para este fabricante, el valor principal no está en esas horas, sino en responder antes al cliente y ganar más pedidos: por eso sitúa este uso en valor alto.

Qué se mediría en el piloto:

• Tiempo total: cuánto se tarda de verdad en tener una oferta terminada y revisada.
• Calidad: cuántos errores aparecen y de qué gravedad.
• Uso: qué parte de las ofertas se prepara con la herramienta.
• Resultado comercial: si se responde antes, se hacen más propuestas de calidad o se ganan más pedidos.
• Coste: cuánto cuesta poner en marcha y mantener el proceso.
• Valor económico: qué beneficio se puede demostrar, sin sumar dos veces el mismo beneficio (por ejemplo, las horas liberadas y las ventas que se consiguen con esas mismas horas).

Kit práctico: ficha de oportunidad de IA

El responsable de la iniciativa no tiene por qué ser el director de sistemas. Una iniciativa para mejorar las ofertas debe tener un responsable del resultado en el área comercial. Sistemas participa en el diseño y la implantación, pero el valor para el negocio tiene que tener un dueño claro.

Ejemplo de empresa que vende a consumidores (B2C): una red de clínicas dentales

Lo que enseña: la herramienta sirve igual en una empresa de servicios pequeña. Y el filtro no es un trámite: hay ideas atractivas que la empresa no debe construir por su cuenta.

Qué debe demostrar un piloto

No basta con que la IA dé una respuesta convincente: el proceso tiene que funcionar mejor. Un piloto debe responder:

• ¿Se ha conseguido la mejora prevista?
• ¿La calidad es suficiente?
• ¿Los usuarios usan la solución?
• ¿El tiempo de revisión es razonable?
• ¿Los costes son sostenibles?
• ¿Los riesgos están controlados?
• ¿Ha mejorado el proceso completo?
• ¿Hay pruebas suficientes para invertir más?

En los usos más delicados también hay que comprobar que los controles funcionan en situaciones difíciles, no solo en casos sencillos.

Un caso real: cómo mide Microsoft el valor de su IA

En junio de 2026, Microsoft explicó en su blog corporativo cómo su organización interna de sistemas mide el valor de sus inversiones en IA (Kellington, 2026). Une cada inversión con una mejora concreta en seis dimensiones: ingresos, productividad, riesgos y seguridad, experiencia de empleados y clientes, calidad y ahorro de costes. Y reconoce que no todas las mejoras se pueden convertir enseguida en un retorno de la inversión fiable: por eso parte de la situación inicial, mide el proceso y revisa los resultados antes de dar por conseguido un beneficio. Sus cifras de ejemplo las presenta como estimaciones, no como beneficios ya conseguidos.

Lo que enseña: incluso una gran empresa tecnológica necesita un método para separar la mejora esperada, la mejora comprobada y el valor para el negocio. Microsoft vende tecnología de IA: el caso ilustra un método de medición, no es una evaluación independiente.

Si la solución es un agente de IA

Cuando la solución puede actuar sola, la evaluación tiene que ser más exigente. Antes de autorizar un agente hay que saber:

• a qué puede acceder;
• qué datos puede usar;
• qué acciones puede ejecutar;
• qué decisiones necesitan autorización de una persona;
• cómo queda registrado lo que hace;
• cómo se detectan sus errores;
• y cómo se le detiene.

Una herramienta que prepara borradores y espera revisión no necesita los mismos controles que otra que modifica fichas de clientes en el CRM, gestiona pedidos o envía comunicaciones. BCG (2026) observa que el 42 % de las empresas que encuestó espera dar a agentes de IA capacidad real de decisión para 2030, y que solo el 5 % tiene hoy todos los controles necesarios.

Errores frecuentes

Limitaciones

• Las valoraciones iniciales pueden ser subjetivas. La posición en la matriz es una estimación inicial, no un resultado comprobado.
• Los beneficios dependen de cambios en la organización. Una herramienta correcta puede fracasar si no se usa o si el proceso no cambia.
• La tecnología evoluciona deprisa. Lo que hoy es difícil puede ser sencillo dentro de unos meses.
• Los costes cambian. Licencias, formas de pago por uso y necesidades de conexión pueden variar.
• No todas las mejoras son económicas. La calidad, la experiencia o la reducción de riesgos importan, aunque cueste valorarlas en euros.
• Evaluar riesgos exige conocimientos especializados. Esta ficha no sustituye las revisiones legales, de seguridad o técnicas.
• No hay una puntuación universal. Los criterios se adaptan a las prioridades de cada empresa.

Otros complementos útiles

• Portfolio of Initiatives → gestiona todas las apuestas estratégicas de la empresa, con inversión por etapas y revisión de prioridades. AI Opportunity Portfolio aplica esa lógica solo a la IA, con criterios propios: datos, fiabilidad, uso real, coste recurrente, riesgos y autonomía de los agentes.
• Decision Analysis → cuando hay que decidir una sola inversión importante en IA con incertidumbre. Un piloto es una forma de comprar información antes de decidir.
• Stage-Gate® (desarrollo por fases, con un punto de decisión entre fase y fase) → si la empresa ya gestiona así sus proyectos, los estados de la ficha de oportunidad (idea, preparación, piloto, implantación) pueden seguir esas mismas puertas de decisión.

Origen y fundamentos

AI Opportunity Portfolio no tiene un inventor único ni una formulación académica de referencia. Combina varios campos: gestión de carteras de iniciativas, selección de casos de uso, estrategia tecnológica, evaluación de inversiones, gestión del cambio y gestión responsable de la IA.

• Davenport y Ronanki (2018). Su artículo en Harvard Business Review, basado en una encuesta a 250 directivos y en el estudio de 152 proyectos, ya proponía crear una cartera de proyectos de IA, lanzar pilotos y escalar los que funcionan. Es el antecedente académico más directo de esta ficha, aunque no usa su nombre.
• Google Cloud (Peng y Liu, 2024). Usa una matriz que compara los casos de uso de IA generativa por el valor que pueden generar y por lo fáciles y viables que son de poner en marcha.
• Microsoft (Cloud Adoption Framework). Su guía de adopción de IA recomienda ordenar los casos de uso por valor estratégico y viabilidad de implantación, y validarlos con pruebas.
• McKinsey y BCG. Sus encuestas documentan lo difícil que es pasar de los pilotos a resultados (ver más abajo).
• NIST. Aporta un marco de referencia para gestionar los riesgos durante toda la vida de un sistema de IA.

Esas fuentes no ponen nombre a los cuadrantes; el filtro, los nombres de los cuadrantes, los seis pasos y la ficha de oportunidad son de Biblioteca Management.

Qué sabemos sobre los resultados en el trabajo

La evidencia académica muestra que la IA puede mejorar el rendimiento en determinadas tareas y condiciones, y que sus efectos no son uniformes.

• EvidenciaCui y otros (2026), en Management Science. Tres experimentos de campo con 4.867 programadores, en Microsoft, Accenture y otra gran empresa, con datos de 2022 y 2023. El resultado combinado fue en torno a un 26 % más de tareas completadas con un asistente de programación, con un margen de error amplio y mejoras mayores en los menos experimentados. No es una mejora aplicable a cualquier trabajo.
• EvidenciaDell'Acqua y otros (2026), en Organization Science. Experimento de 2023 con 758 consultores de BCG que usaban GPT-4. En las tareas para las que la herramienta estaba preparada, completaron un 12,2 % más de tareas, un 25,1 % más rápido y con más calidad. En una tarea que quedaba fuera de esas capacidades, los que usaron IA tuvieron 19 puntos porcentuales menos de probabilidad de dar con la solución correcta. Varios coautores trabajaban en BCG.

Los dos estudios usaron herramientas de 2022 y 2023; las actuales son más capaces, pero la lección sigue en pie: hay que comprobar cada uso en su tarea.