KPMG y la falta de medición en inversiones de IA 2026

Tabla de contenidos

KPMG destaca la falta de medición en IA

Contexto y fuentes de los datos

Los porcentajes y citas atribuidos a Gustavo Gómez provienen de su entrevista con Darío Celis en Imagen Radio. Las cifras institucionales atribuidas a KPMG México (por ejemplo, adopción, gobernanza y expectativas de inversión) se retoman de su comunicación pública.

  • Solo 14% de las organizaciones mexicanas mide de forma consistente el valor financiero generado frente al capital invertido en IA, según Gustavo Gómez, socio líder de IA en KPMG México, en entrevista con Darío Celis para Imagen Radio.
  • Aun así, 75% de las empresas en México ya expande iniciativas o está en fases avanzadas de adopción, de acuerdo con la comunicación pública de KPMG México.
  • KPMG México reporta que 68% de las organizaciones en el país cuenta con mecanismos formales de gobernanza de IA, pero la medición del valor no avanza al mismo ritmo.
  • La supervisión humana (“human-in-the-loop”) es clave para reducir fallas y riesgos, según Gómez en Imagen Radio.

Metodología para la medición de inversiones en IA

Medir inversiones en inteligencia artificial no es solo “poner KPIs”: implica comparar, de manera repetible, el valor creado contra el costo total de construir, operar y escalar modelos, datos e integraciones. El problema es que esa disciplina aún es minoritaria. KPMG México señala que solo 14% de las organizaciones en el país evalúa de forma consistente el valor generado por IA frente a su costo.

Una metodología práctica suele partir de tres capas. La primera es costeo completo: no únicamente licencias o nube, sino también integración con sistemas, preparación de datos, seguridad, monitoreo y tiempo de equipos. La segunda es beneficio medible, que puede ser ahorro (eficiencia operativa), mejora de calidad (menos errores o retrabajo) o impacto comercial (mejor conversión o retención). La tercera es atribución: separar qué parte del resultado se debe a IA y qué parte a otros cambios del proceso.

KPMG México también ha subrayado que muchas organizaciones revisan costos al aprobar proyectos y los monitorean después, pero eso no garantiza que comparen valor contra costo de forma consistente. El Tiempo Monclova, al reportar hallazgos de KPMG, indicó que 61% revisa costos en la aprobación y 59% monitorea costos post-implementación, mientras que la evaluación consistente de valor vs. costo sigue siendo baja.

En otras palabras: se observa seguimiento del gasto, pero no necesariamente una comparación sistemática entre el valor generado y el costo total.

La medición, además, debe integrarse al ciclo de vida: antes (caso de negocio), durante (seguimiento) y después (revisión de resultados). Sin esa continuidad, la IA se queda en promesas difíciles de auditar.

Estado actual de la adopción de IA en México

La adopción avanza más rápido que la capacidad de demostrar retorno. KPMG México reportó que 75% de las organizaciones en México ya está expandiendo iniciativas de IA o se encuentra en fases avanzadas de adopción. En paralelo, Gustavo Gómez, socio líder de IA en KPMG México, advirtió en entrevista con Darío Celis para Imagen Radio que solo 14% mide de forma consistente el valor financiero generado frente al capital invertido.

Esa combinación —escala creciente y medición limitada— describe una etapa de madurez incompleta: se pasa de pilotos a despliegues, pero sin el mismo rigor financiero que se exige a otras inversiones. En ese contexto, KPMG México también ha reportado señales de inversión relevante: de acuerdo con su comunicación pública, 41% de las empresas mexicanas espera invertir hasta USD 499 millones en IA, y el presupuesto promedio global planeado para implementación se proyecta en USD 210 millones en los siguientes 12 meses.

Aun con esa ambición, la conversación corporativa sobre IA sigue siendo amplia y desigual por áreas. Gómez explicó en Imagen Radio que la IA puede aplicarse “en todas las áreas de la organización”, desde lo comercial y productivo hasta satisfacción del cliente y funciones de soporte. También advirtió que no todas las plataformas sirven para lo mismo: algunas se optimizan para tareas de alta exigencia matemática y otras para atención al cliente o automatización operativa.

El resultado es un mapa heterogéneo: múltiples casos de uso, distintos proveedores y, con frecuencia, métricas no comparables entre sí. Sin un inventario y un marco común, medir se vuelve una tarea fragmentada.

Desafíos en la medición del retorno de inversión en IA

El primer obstáculo es conceptual: muchas empresas reportan “beneficios” sin traducirlos a valor financiero comparable. Según FomoEra, al citar resultados asociados a KPMG, 90% de las empresas encuestadas en México dice observar beneficios medibles por IA, pero eso no significa que los contraste sistemáticamente contra lo invertido.

El segundo desafío es metodológico: atribuir resultados. KPMG Global ha señalado que aislar el impacto de IA en indicadores de negocio (por ejemplo, crecimiento de ventas por personalización) es complejo porque suele coexistir con cambios de proceso, capacitación o rediseño de canales.

El tercer reto es operativo: predecir y controlar costos. FomoEra reportó que solo 11% de las organizaciones puede pronosticar el gasto en IA dentro de un margen de error de 10%. Si el costo es volátil —por consumo de cómputo, iteración de modelos o cambios de alcance—, el ROI se vuelve una meta móvil.

También hay un problema de visibilidad. Forbes Ecuador informó que hasta 62% de líderes senior no tiene un inventario completo de aplicaciones de IA en uso, al referirse a hallazgos vinculados a KPMG. Sin inventario, no hay línea base: se desconoce cuántos modelos operan, qué datos consumen, qué riesgos abren y cuánto cuestan.

Finalmente, está el factor cultural: medir implica aceptar que algunos casos de uso no justifican escalarse. Cuando la IA se impulsa como “transformación” sin disciplina financiera, la organización tiende a premiar la adopción, no el resultado.

Importancia de la gobernanza en proyectos de IA

La gobernanza es el puente entre adopción y control. KPMG México reportó que 68% de las organizaciones en México cuenta con mecanismos formales de gobernanza de IA, frente a 55% a nivel global. Aun así, la existencia de gobernanza no garantiza que se mida el valor: puede haber comités, políticas y aprobaciones, pero sin un sistema consistente de evaluación económica.

Gustavo Gómez enfatizó en Imagen Radio la necesidad de marcos institucionales basados en el principio human-in-the-loop, es decir, mantener supervisión y validación humana sobre resultados generados por sistemas automatizados. En sus palabras, es “siempre el humano en control”, porque la responsabilidad final recae en las personas: la IA puede fallar y no puede hacerse responsable.

La gobernanza también se conecta con decisiones de inversión. Gómez señaló que las compañías deben evaluar rigurosamente los perfiles de cada plataforma antes de desembolsar capital, porque hay herramientas con fortalezas distintas según el tipo de tarea (por ejemplo, alta capacidad matemática vs. satisfacción del cliente). Esa evaluación previa es parte de gobernar: elegir tecnología alineada al caso de uso y al riesgo aceptable.

Además, KPMG México ha indicado que la responsabilidad de decisiones de IA recae cada vez más en la alta dirección (64% en México, 53% global). Ese dato sugiere que la gobernanza ya no es solo un asunto técnico: es corporativo. Y cuando la dirección asume el control, la exigencia natural debería ser la misma que para cualquier inversión: trazabilidad, métricas y rendición de cuentas.

Riesgos asociados a la falta de medición en IA

No medir no es neutral: crea riesgos financieros, estratégicos y operativos. Forbes Ecuador advirtió que la falta de medición puede costar millones a las empresas, al favorecer gasto ineficiente y decisiones a ciegas sobre qué escalar o detener. Si no se compara valor contra costo, es fácil sobreinvertir en proyectos que “se ven innovadores” pero no generan retorno proporcional.

KPMG México también ha vinculado el despliegue de IA con riesgos de privacidad, soberanía de modelos y ciberseguridad cuando no hay control suficiente. En la práctica, la medición se vuelve una herramienta de gestión de riesgo: obliga a inventariar, monitorear y justificar.

En Imagen Radio, Gustavo Gómez identificó al riesgo informático y la ciberseguridad como los principales desafíos para las empresas, especialmente por la migración masiva de procesos a entornos digitales. También alertó sobre el uso inapropiado o poco ético de modelos por parte de empleados, un punto que conecta con gobernanza y capacitación.

Hay otro riesgo menos visible: el reputacional. Si una organización no valida resultados y no tiene supervisión humana, puede incorporar errores en decisiones, reportes o atención al cliente. Gómez insistió en que las plataformas “ahorran mucho tiempo” y canalizan conocimiento, pero requieren supervisión constante para evitar fallas en insumos de trabajo.

En suma, la falta de medición no solo impide demostrar ROI: debilita la capacidad de detectar desviaciones, controlar costos, reducir exposición y sostener decisiones ante auditorías internas o externas.

Perspectivas sobre la implementación de IA generativa

La IA generativa aceleró la adopción y, con ella, la urgencia de medir. Gustavo Gómez dijo en Imagen Radio que el proceso de implementación de IA generativa en el sector corporativo ha avanzado aceleradamente durante los últimos dos años. Pero también marcó un cambio de etapa: ya no basta con experimentar; ahora se requiere identificar casos de uso concretos que generen eficiencias e impactos medibles.

Esa transición es clave. En fases tempranas, el objetivo suele ser aprender: pilotos, pruebas de concepto, exploración de herramientas. En fases avanzadas —como las que KPMG México describe para 75% de organizaciones— el foco debería moverse a operación: integración con procesos, controles, seguridad y métricas financieras.

La IA generativa, además, amplía el rango de aplicaciones: desde tareas diarias hasta usos específicos en áreas comerciales, productivas, satisfacción del cliente y funciones “detrás” de las empresas, según Gómez. Esa amplitud complica la medición porque los beneficios pueden ser indirectos (por ejemplo, reducción de tiempos) y los costos pueden distribuirse entre áreas.

KPMG Global ha descrito que las organizaciones buscan eficiencia, innovación y nuevas fuentes de ingresos, pero enfrentan presiones de costos, deuda tecnológica y escasez de talento. En ese entorno, la IA generativa puede ser palanca o lastre: sin medición, se vuelve difícil distinguir entre automatización útil y despliegues que solo incrementan complejidad.

La perspectiva más consistente en 2026 es que la ventaja competitiva no vendrá solo de “usar IA”, sino de operarla con disciplina: gobernanza, inventario, control de costos y evaluación de valor.

Recomendaciones para mejorar la medición de inversiones en IA

La primera recomendación es básica pero decisiva: estandarizar un marco de ROI. KPMG México ha planteado la necesidad de pasar de medición ad hoc a medición sistemática del valor de IA. Eso implica definir, desde el inicio, qué se considerará “valor” (ahorro, ingresos, calidad, riesgo evitado) y cómo se comparará contra el costo.

La segunda es inventariar. Forbes Ecuador reportó que 62% de líderes no tiene inventario completo de aplicaciones de IA. Sin inventario no hay control: no se puede medir lo que no se conoce. Un inventario mínimo debería incluir caso de uso, dueño de negocio, proveedor/modelo, datos utilizados, costos y métricas esperadas.

La tercera es integrar medición al ciclo de vida. El Tiempo Monclova reportó que 61% revisa costos al aprobar y 59% monitorea costos después; el salto pendiente es conectar ese monitoreo con evaluación consistente de valor vs. costo. La medición debe ocurrir antes (aprobación), durante (seguimiento) y después (revisión).

La cuarta es gobernanza con supervisión humana. Gómez defendió el enfoque human-in-the-loop en Imagen Radio para supervisar y validar resultados. Esa supervisión no solo reduce errores: también mejora la calidad de la medición, porque obliga a documentar decisiones y resultados.

La quinta es alinear plataforma y caso de uso. Gómez recomendó evaluar perfiles de plataformas: algunas rinden mejor en tareas matemáticas, otras en satisfacción del cliente o automatización operativa. Elegir mal distorsiona el ROI desde el arranque.

Reflexiones finales sobre la medición de inversiones en IA

La importancia de la medición en la era digital

La fotografía que dejan KPMG México y las declaraciones de Gustavo Gómez es clara: la IA ya está en expansión, pero la medición del valor financiero va rezagada. Cuando solo 14% compara consistentemente valor contra costo, el riesgo no es únicamente “no saber el ROI”; es normalizar decisiones de inversión sin evidencia comparable.

La medición también ordena la conversación interna. Obliga a precisar qué problema se resuelve, qué proceso cambia, qué costo se asume y qué resultado se espera. En un entorno donde, como dijo Gómez en Imagen Radio, “toda nuestra vida está básicamente en redes” y basada en tecnología, esa disciplina se vuelve parte de la resiliencia corporativa.

Finalmente, medir no es frenar la innovación: es hacerla sostenible. La IA puede ahorrar tiempo y canalizar conocimiento, como señaló Gómez, pero sin métricas y supervisión humana, el ahorro puede convertirse en gasto oculto o en riesgo acumulado.

Recomendaciones para un futuro más eficiente

Un futuro eficiente con IA exige tres hábitos: inventario, gobernanza y evaluación económica consistente. KPMG México ya muestra que muchas organizaciones avanzan en gobernanza; el siguiente paso es que esa gobernanza se traduzca en medición comparable y decisiones basadas en evidencia.

También implica reconocer que la IA no es homogénea: hay plataformas y casos de uso con perfiles distintos. Elegir con rigor —y medir con el mismo rigor— es lo que separa la adopción acelerada de la creación de valor.

La importancia de medir el retorno de inversión en inteligencia artificial

Desafíos actuales en la medición de inversiones en IA

Los desafíos descritos por KPMG México y retomados por medios como Imagen Radio, El Tiempo Monclova y Forbes Ecuador se concentran en tres frentes: falta de evaluación consistente valor vs. costo, visibilidad incompleta de aplicaciones y dificultad para controlar o pronosticar costos. A eso se suma la complejidad de atribuir resultados cuando la IA se implementa junto con cambios de proceso.

En la práctica, muchas organizaciones pueden monitorear gasto, pero no cerrar el ciclo: demostrar qué valor financiero produjo ese gasto. El dato de 14% en México, citado por Gómez y por KPMG México, sintetiza esa brecha.

Beneficios de una medición efectiva

Medir bien permite priorizar. Ayuda a decidir qué casos de uso escalar, cuáles rediseñar y cuáles detener. También fortalece la gobernanza: si hay supervisión humana y métricas claras, se reducen errores y se mejora la trazabilidad.

Además, la medición protege el presupuesto. En un contexto donde KPMG México reporta expectativas de inversión elevadas, la disciplina financiera evita que la IA se convierta en una suma de iniciativas inconexas. Y, como advirtió Forbes Ecuador, reduce el riesgo de gasto ineficiente que termina costando millones.

Recomendaciones para mejorar la evaluación de inversiones en IA

Las recomendaciones convergen en acciones concretas: construir un marco estándar de ROI, mantener inventario actualizado, integrar medición al ciclo de vida del proyecto y reforzar gobernanza con human-in-the-loop, como defendió Gómez en Imagen Radio. Complementariamente, evaluar plataformas según el caso de uso —matemático, atención al cliente o automatización operativa— ayuda a iniciar con supuestos realistas y métricas alcanzables.

La conclusión operativa es simple: la IA puede ser estratégica, pero solo se vuelve inversión —y no gasto— cuando se mide con consistencia.

“KPMG y la falta de medición en inversiones de IA 2026” deja claro que escalar IA sin comparar valor vs. costo convierte la ambición en un riesgo difícil de auditar.