Medir el retorno real de la inversión en inteligencia artificial se ha convertido en una prioridad operativa para las empresas que ya superaron la fase de adopción inicial. Ante esta presión, están emergiendo nuevas capas de analítica diseñadas para traducir el gasto en tokens en métricas de negocio comprensibles: productividad por equipo, costo por tarea, fallas en flujos de trabajo y recomendaciones de optimización. El movimiento responde a una brecha documentada: aunque el uso de herramientas de IA entre empresas respaldadas por capital de riesgo impulsa el gasto, la mayoría de las compañías del Fortune 500 no reporta ganancias significativas en sus implementaciones actuales.

El gasto crece, pero la optimización no sigue el mismo ritmo

Un análisis publicado por Jellyfish —empresa especializada en herramientas para equipos de ingeniería— basado en el comportamiento de 276,000 usuarios, revela que el gasto en herramientas de codificación con IA creció diez veces desde enero, representando ya aproximadamente el 2% del costo total de ingeniería en las organizaciones estudiadas. "Ese crecimiento de diez veces es algo que la mayoría de los directores financieros no planearon", señaló el científico jefe de Jellyfish. "Estamos llegando al punto en que no es suficiente con gastar; ahora hay que optimizar y hacer que funcione".

Este dato es relevante porque anticipa una segunda fase en la adopción empresarial de IA: la del control y la eficiencia. Las organizaciones que estandarizaron flujos de trabajo en torno a una herramienta específica enfrentan ahora la pregunta de si ese estándar está generando valor proporcional al costo.

Retención de clientes como señal de madurez del mercado

Los resultados financieros compartidos con inversores muestran una retención de ingresos netos del 900% en un período de doce meses, lo que indica que los clientes existentes multiplicaron por nueve su gasto en el mismo lapso. Este indicador —conocido como Net Revenue Retention o NRR— es uno de los más utilizados en software empresarial para medir la salud de una base de clientes, ya que refleja expansión orgánica sin depender exclusivamente de nuevas adquisiciones.

En paralelo, la compañía reportó beneficio operativo en el segundo trimestre, un hito relevante para una empresa que opera en un segmento con altos costos de infraestructura computacional.

Analítica interna y gestión del gasto por equipos

Las nuevas capacidades de reporte permiten a los equipos visualizar su actividad dentro de un rango de fechas: qué se produjo, cuánto costó y en qué puntos del flujo de trabajo se presentaron interrupciones. Los datos provienen de análisis internos y encuestas a empleados, y la empresa ha confirmado que no los utilizará para el entrenamiento de modelos de forma predeterminada, un punto que reduce fricciones en entornos corporativos con políticas estrictas de privacidad de datos.

Además, se está implementando un sistema de presupuestos grupales que permitirá a los equipos gestionar de forma autónoma su consumo de tokens, trasladando parte del control del gasto desde el área de tecnología hacia las unidades de negocio.

Inercia operativa como ventaja competitiva

El informe de Jellyfish también ofrece una perspectiva sobre la dinámica competitiva en el segmento de herramientas de codificación con IA. A pesar del lanzamiento de modelos competidores durante el verano —incluyendo Astra de OpenAI— los datos de adopción no muestran una migración significativa. "Anthropic simplemente estaba allí con grandes movimientos empresariales", explicó el líder de producto de IA de Jellyfish. "Muchas personas pusieron mucho esfuerzo en estandarizar flujos de trabajo en torno a ello, y no hay una razón suficientemente grande para cambiar".

Este fenómeno ilustra un principio conocido en software empresarial: una vez que una herramienta queda integrada en los procesos de un equipo, el costo de cambio —en tiempo, reentrenamiento y reorganización de flujos— actúa como barrera de salida más poderosa que cualquier diferencial técnico entre competidores. Para las organizaciones que aún evalúan qué plataforma adoptar, esta dinámica subraya la importancia de la decisión inicial: el proveedor que se estandariza primero acumula una ventaja estructural difícil de revertir.