Medir la productividad en la era de la IA

Cuando una herramienta multiplica la producción bruta de artefactos, las métricas basadas en volumen dejan de medir valor y empiezan a medir ruido. Líneas de código, tickets cerrados, documentos redactados: todo sube, y sin embargo el negocio no siempre mejora.

El problema de las métricas de volumen

• Líneas de código: un agente puede generar 2.000 líneas en un minuto; revisarlas cuesta una tarde.
• Pull requests fusionados: fáciles de inflar, difíciles de correlacionar con impacto.
• Palabras escritas: la IA convierte esto en una métrica sin sentido.
• Horas trabajadas: nunca midió output; ahora ni siquiera mide esfuerzo.

El cuello de botella se movió

Antes, producir era caro y revisar era barato. Ahora es al revés. Cualquier métrica que premie la producción y no la validación empuja al equipo en la dirección equivocada.

Qué medir en su lugar

1. Resultados de negocio con retraso. Ingresos por empleado, retención, tiempo de ciclo de idea a producción. Lentas pero honestas.
2. Calidad sostenida. Tasa de defectos en producción, reversiones, incidentes. Si la velocidad sube y la calidad baja, no hubo ganancia.
3. Throughput del sistema, no del individuo. Cuánto valor entrega el equipo por semana, no cuánto teclea cada persona.
4. Tiempo de revisión y decisión. El nuevo trabajo escaso es juzgar, no producir.

La pregunta ya no es "¿cuánto produjiste?" sino "¿cuánto de lo que se produjo llegó a los usuarios y mejoró algo?".

Un cálculo simple

Una forma rápida de ver si la IA está ayudando de verdad:

def valor_por_semana(features_en_produccion, incidentes, horas_revision):
    beneficio = features_en_produccion * VALOR_MEDIO_FEATURE
    friccion = incidentes * COSTE_INCIDENTE + horas_revision * COSTE_HORA
    return beneficio - friccion

Si features_en_produccion sube pero valor_por_semana no, el equipo está generando trabajo, no resultados.

Indicadores adelantados que sí sirven

Los resultados de negocio tardan trimestres. Para no volar a ciegas, algunos indicadores adelantados razonables:

• Proporción de cambios generados por IA que llegan a producción sin reescritura.
• Tiempo desde que un cambio está "listo" hasta que se revisa de verdad.
• Número de incidentes atribuibles a código o contenido que nadie miró con atención.

Ninguno es perfecto, pero son difíciles de inflar y se mueven antes que los ingresos.

El riesgo cultural

Medir mal no es neutral. Si el panel de control celebra el volumen, la gente optimizará el volumen: más PRs triviales, más documentos que nadie lee, más actividad visible. La IA amplifica esa distorsión porque abarata justo lo que la métrica premia.

• Evita paneles que comparen personas por output bruto.
• Habla de equipos y de flujo, no de individuos y de actividad.
• Revisa cada métrica con una pregunta: ¿se puede inflar con un agente en cinco minutos?

Conclusión

La era de la IA no rompe la idea de productividad; rompe los atajos que usábamos para estimarla. Volver a lo esencial (valor entregado, calidad que se mantiene, decisiones acertadas) es incómodo porque esas cosas son lentas de medir. Pero son las únicas que, ahora que producir es casi gratis, siguen significando algo.