Cómo auditar el uso real de IA en tu equipo seis meses después (y por qué casi nadie lo hace)
Hace seis meses pagaste licencias de ChatGPT, Copilot o Claude para tu equipo. Hubo lanzamiento, formación, entusiasmo. Tres semanas después dejaste de oír hablar del tema. Hoy sigues pagando las licencias y no tienes ni idea de cuántas personas las usan de verdad, en qué tareas, ni si producen algún resultado medible.
Esto es lo más habitual. Y es exactamente el momento en el que se decide si la inversión en IA va a dar retorno o se va a convertir en gasto recurrente sin sentido. No en la fase de lanzamiento. En el mes seis, cuando nadie está mirando.
Te voy a explicar cómo montar una auditoría real del uso de IA en tu equipo en menos de una semana, qué señales mirar, y qué hacer con lo que vas a descubrir, que casi nunca es lo que esperas.
Por qué nadie audita esto (y por qué deberías ser el primero)
La fase de implementación de IA en una empresa mediana suele tener mucho ruido. Comité de IA, formación, plan de adopción, KPIs en PowerPoint. Pasados tres meses todo eso se relaja. Pasados seis, la realidad es que cada persona del equipo está haciendo lo suyo con las herramientas que le dieron, sin que nadie revise nada.
Auditar el uso real es incómodo porque casi siempre descubres tres cosas que duelen: hay licencias pagadas sin usar, hay gente usando herramientas que no le diste tú, y los casos de uso de éxito real están concentrados en dos o tres personas, no repartidos por el equipo. Ninguna de las tres conversaciones es agradable, pero no tenerlas te cuesta más caro.
La razón por la que casi nadie audita es que no hay un proceso establecido. Auditas las finanzas, las ventas, la seguridad informática. Pero el uso de IA todavía se trata como algo etéreo que se mide con encuestas de satisfacción. No sirve. Necesitas datos.
Las cuatro fuentes de información que necesitas cruzar
Una auditoría útil no es preguntar al equipo si usa IA. La respuesta siempre es “sí, mucho”, y no te dice nada. Necesitas datos objetivos cruzados de cuatro fuentes.
Logs de uso de las plataformas que has contratado. ChatGPT Enterprise, Copilot, Claude for Work y similares dan paneles de administración con número de sesiones por usuario, frecuencia y tipo de consulta. Si nadie te ha enseñado este panel, pídeselo al partner que te vendió las licencias. Es información tuya, no suya.
Facturación y consumo de tokens o créditos. Si pagas por uso (API, herramientas tipo Make o Zapier con módulos de IA, plataformas de agentes), el patrón de consumo te dice qué casos de uso están vivos y cuáles se quedaron en demo. Una curva plana significa que algo se montó y nadie lo usa. Una curva que crece sin que tú lo hayas activado significa que alguien lo está usando para algo que tú no sabías.
Entrevistas estructuradas con responsables de área. No encuestas generales, entrevistas de treinta minutos con cada responsable. Preguntas concretas: qué casos de uso has visto funcionar, qué intentos abandonaste, qué herramienta usa tu equipo aunque no la hayamos comprado, qué te haría usar más la IA. Lo importante son las dos últimas.
Revisión de procesos donde la IA debería estar y no está. Esta es la auditoría inversa. Coges los cinco procesos donde el ROI esperado era más alto y compruebas si la IA se aplica realmente en ellos. Si compraste licencias para acelerar el área comercial y al revisar las propuestas que salen ves que se siguen escribiendo a mano, tienes un problema que ninguna encuesta te iba a detectar.
Las tres patologías que vas a encontrar (y qué hacer con cada una)
Patología uno: shadow AI a tutiplén. La mitad de tu equipo usa herramientas que tú no aprobaste. Cuentas personales de ChatGPT, plugins de Chrome con IA, agentes contratados por departamento sin pasar por compras. La reacción instintiva es prohibir. Es un error. Lo que tienes que hacer es legalizar lo que funciona y bloquear lo que filtra datos sensibles. Una política realista en una página, no un protocolo de quince. Si la gente usa shadow AI es porque lo que les diste oficialmente no les sirve, no porque sean rebeldes.
Patología dos: licencias zombi. Tienes cincuenta licencias y solo doce personas se conectan más de una vez por semana. Cancela las que no se usan después de avisar dos veces. No por ahorrar el dinero. Por dejar de mentirte sobre la adopción. Una empresa con doce usuarios activos y reales rinde más que una con cincuenta licencias y nadie usándolas.
Patología tres: islas de excelencia. Hay dos o tres personas que han descubierto cómo sacarle partido y producen el doble que el resto. El resto sigue igual que hace un año. Esto se ignora porque no parece un problema. Lo es. La función de esas personas a partir de ahora no es solo producir, es enseñar al resto cómo trabajan. Si no formalizas ese rol, en seis meses se aburren y se van a una empresa que sí lo entienda.
El informe que tienes que entregar al comité (una página, no diez)
El error después de auditar es escribir un informe largo. No lo lee nadie. Una página, cinco secciones.
Coste real de la IA hoy (licencias, herramientas, horas internas dedicadas). Adopción real (porcentaje de personas que usan IA al menos una vez por semana en tareas profesionales). Tres casos de uso donde hay impacto medible. Tres casos de uso donde se prometió impacto y no lo hay. Próximos noventa días: qué se mata, qué se escala, qué se prueba nuevo.
Si una de las cinco secciones está vacía o llena de generalidades, vuelve a auditar. Te falta información.
Cuándo hacer la siguiente auditoría
Cada seis meses, fijo. Aunque parezca que va bien. Sobre todo si parece que va bien.
La IA no es como una integración informática que montas una vez y queda funcionando. Es un terreno que cambia rápido, donde las herramientas se quedan obsoletas en un año, donde los casos de uso que funcionaban con un modelo dejan de tener sentido con el siguiente, y donde tu equipo descubre cosas que tú no te has enterado de que existen.
Auditar el uso real no es desconfiar del equipo. Es hacer tu trabajo. Si no lo haces tú, nadie lo va a hacer, y dentro de dieciocho meses te vas a preguntar dónde se fueron los doscientos mil euros que metiste en IA. La respuesta va a estar en datos que ya tenías pero nunca miraste.