Por qué los contratos de IA siguen pagando horas cuando el valor está en otra parte
La mayor fricción en la adopción de inteligencia artificial empresarial no es técnica. No está en los modelos, ni en la calidad de los datos, ni en la capacidad de cómputo. Está en el contrato. Mientras las organizaciones invierten cientos de millones en implementaciones de IA esperando retornos estructurales, la mayoría sigue firmando acuerdos que premian el tiempo invertido, no el impacto generado. Ese desajuste no es un detalle administrativo: es la causa raíz de por qué tantas iniciativas de IA quedan atrapadas entre el piloto prometedor y la escala operativa que nunca llega.
El informe más reciente de McKinsey sobre el estado de la IA lo confirma con una precisión incómoda: la adopción se ha extendido, pero los desafíos de escalado persisten, y la correlación más fuerte con el impacto real no está en la inversión tecnológica sino en el rediseño de flujos de trabajo. Dicho en términos económicos: las empresas están pagando por instalación cuando deberían pagar por transformación.
La contratación basada en resultados no es una moda. Es la respuesta estructural a un problema de arquitectura de incentivos que los modelos tradicionales no pueden resolver.
El problema no es el proveedor, es la lógica del contrato
Los contratos de tiempo y materiales, y los acuerdos de precio fijo, nacieron para gestionar la entrega de software donde los entregables eran definibles, los plazos predecibles y el valor relativamente lineal respecto al esfuerzo. La IA rompe las tres condiciones.
Un sistema de IA que automatiza la gestión de incidentes en infraestructura no entrega un módulo. Entrega una reducción en el tiempo de resolución, una caída en los costos operativos, una menor dependencia de personal de guardia y eventualmente una reorganización del equipo de operaciones. Ninguno de esos resultados aparece en una factura de horas. Y ninguno puede atribuirse con precisión a un hito de proyecto específico.
El resultado es predecible: el proveedor cobra por lo que puede medir, que son las horas. El cliente paga por algo que esperaba pero que el contrato nunca prometió formalmente. Cuando el ROI no se materializa, nadie es técnicamente responsable porque el contrato no lo exigía.
Hay tres fallas estructurales en esta lógica. La primera es la ausencia de correlación entre el insumo y el valor generado: gastar más en consultoría o en licencias no produce necesariamente más impacto. La segunda es la falta de mecanismos de rendición de cuentas, porque sin un resultado definido contractualmente, el proveedor no tiene incentivo para perseguirlo. La tercera, y frecuentemente ignorada, es el costo total de propiedad que los contratos tradicionales invisibilizan: la gestión del cambio organizacional, la alfabetización en IA del equipo, la reconversión de procesos, y los costos que desaparecen cuando la solución funciona bien, como el personal o el software que la IA reemplaza. Todo eso queda fuera del balance, aunque determine si la inversión fue rentable.
La lógica de un contrato orientado a resultados
Un contrato basado en resultados no es simplemente uno donde el proveedor gana un bono si las cosas van bien. Su arquitectura es más precisa y más exigente para ambas partes.
El punto de partida es la definición colaborativa de los indicadores que importan, no los técnicos, sino los de negocio: reducción de costos operativos, aumento en la tasa de resolución en el primer contacto con el cliente, disminución del tiempo de ciclo en cadena de suministro. Sobre esos indicadores se establecen líneas base verificadas, con metodología acordada de medición, y se construye la lógica de atribución: qué parte del resultado puede razonablemente conectarse a la solución de IA y bajo qué condiciones.
El pago se estructura en capas. Una base fija cubre los costos mínimos de operación del proveedor. Un componente variable se activa cuando los resultados superan umbrales definidos. En las implementaciones más sofisticadas, se establecen bandas de varianza, lo que algunos llaman corredores de tolerancia, dentro de las cuales el proveedor asume riesgo a la baja pero también captura valor a la alza.
Este diseño cambia la dinámica de poder en la relación comercial. El proveedor deja de ser un ejecutor de tareas para convertirse en un socio con exposición al resultado. Ese cambio de posición no es retórico: tiene consecuencias en cómo se asignan los equipos, en qué tan rápido se responde a un problema de rendimiento del modelo y en cuánta inversión continuada está dispuesto a hacer el proveedor en la cuenta.
Para que esto funcione, el proveedor debe tener capacidades que los modelos tradicionales no exigían. Necesita consultores que entiendan el negocio del cliente antes de hablar de tecnología. Necesita ingenieros que construyan mientras se define, no después. Y necesita la infraestructura para operar el modelo en producción con continuidad, incluida la gobernanza de costos de inferencia y el monitoreo de degradación del rendimiento del modelo a lo largo del tiempo.
El error de escala que más se repite
Hay un patrón de fracaso en la adopción de IA que se repite con suficiente consistencia como para considerarlo estructural: las organizaciones no saben dónde poner el foco y oscilan entre dos extremos igualmente costosos.
Algunas apuestan por problemas demasiado acotados. Construyen un agente para automatizar la gestión de gasto en proveedores sin considerar que el problema real está en toda la cadena de abastecimiento. El resultado es una solución que funciona en su silo y que no puede escalar porque no fue diseñada para conectar con los procesos que le dan contexto.
Otras organizaciones intentan optimizarlo todo al mismo tiempo y sin etapas. Buscan transformar operaciones en escala sin haber demostrado el modelo de valor en un segmento acotado. El resultado es un proyecto que consume recursos durante años, genera informes de progreso, y no produce cambios observables en los indicadores que le importan al directorio.
Lo que conecta ambos extremos es la ausencia de un modelo operativo antes de elegir la tecnología. Las organizaciones que logran escalar IA de manera sostenida trabajan con dos procesos simultáneos: el rediseño de procesos y la arquitectura de datos y tecnología. No en secuencia, sino en paralelo. Y lo que mantiene esos dos procesos alineados es la gestión del cambio, la estrategia organizacional y la gestión del producto como disciplina permanente.
Este es el argumento más sólido a favor de la contratación basada en resultados: obliga a tener esa claridad antes de firmar. Un proveedor que acepta ser medido por el resultado necesita entender el proceso que el cliente quiere mejorar. Esa conversación precontractual tiene más valor estratégico que muchos meses de consultoría posterior.
Cuando el incentivo correcto construye el socio correcto
La contratación por resultados reordena quién captura el valor en una implementación de IA y cómo. Pero también revela algo sobre los proveedores que muy pocas organizaciones analizan antes de firmar.
Un proveedor que opera bajo esta lógica tiene que absorber riesgo. Para absorber riesgo, necesita convicción en su capacidad de entrega. Esa convicción no puede ser solo comercial: tiene que estar respaldada por arquitectura técnica, por historia de ejecución y por gobernanza interna que le permita gestionar la calidad del modelo en producción durante meses o años, no solo en el momento del lanzamiento.
Pocos proveedores tienen esa capacidad hoy. Y esa escasez tiene implicaciones para los compradores: el mercado de proveedores genuinamente comprometidos con resultados es más pequeño de lo que parece si se lee solo la literatura de ventas. Filtrar quién puede operar bajo este modelo y quién simplemente lo anuncia como diferenciador comercial requiere hacer exactamente las preguntas que la contratación por resultados obliga a responder antes de firmar.
Desde la perspectiva de la distribución del valor, este modelo también tiene una virtud que los contratos tradicionales no tienen: hace visible lo que antes quedaba fuera del balance. Los costos de cambio organizacional, la inversión en capacitación, los sistemas que se vuelven redundantes, el personal que se reasigna, todo eso pasa a formar parte del análisis de valor compartido entre cliente y proveedor. Esa visibilidad no garantiza equidad, pero sí elimina la posibilidad de que el éxito del proveedor y el del cliente operen en universos paralelos.
Cuando los incentivos se alinean alrededor del resultado, el centro de gravedad de la relación comercial se desplaza desde la gestión de costos hacia la maximización del retorno. Esa diferencia no es semántica. Es la que determina si la IA empresarial produce impacto verificable o simplemente produce proyectos.
