KPI de agencia para agentes de IA: cómo medir valor y margen

Los KPI de agencia para agentes de IA son las métricas con las que una agencia demuestra el valor y la rentabilidad de sus servicios con agentes: del lado del cliente, output, calidad, conversión y time-to-value; internamente, utilización, margen, costes de tokens y las tasas de error y de HITL. Lo decisivo es separar las cifras de adopción, que crecen rápido, de las pocas métricas de valor auditables que un CFO puede comprobar.

• Mide el lado del cliente, no solo el uso: la tasa de éxito, la calidad, la conversión/reducción de costes y el time-to-value demuestran el valor para el cliente. La utilización de licencias por sí sola no lo demuestra.
• Internamente, vigila el margen: los costes de tokens por tarea, la utilización y, sobre todo, la tasa de escalado a HITL deciden si un proyecto de agentes es rentable.
• Calcula con prudencia: el valor de referencia sólido es un aumento de productividad de alrededor del 14 %, no la productividad multiplicada por diez que tantas veces se promete.

Por qué la mayoría de los dashboards de agencia celebran la cifra equivocada

El error de KPI más frecuente en los proyectos de 2026 es medir el éxito solo por la adopción. Un programa con todas las licencias en uso que nunca ha movido ninguna partida de la cuenta de resultados (P&L) es un programa sin impacto. El número de proyectos piloto lanzados, de casos de uso identificados o de herramientas de IA implantadas no demuestra por sí solo que se genere valor. El AI Radar de BCG aporta la prueba más clara: las empresas pioneras en IA se concentran en una media de 3,5 casos de uso, el resto se reparte entre 6,1, y las pioneras esperan un ROI 2,1 veces mayor. Quien va por delante apuesta, por tanto, por concentrarse en lugar de dispersarse. A esto se suma que alrededor del 60 % de las empresas encuestadas no define ni supervisa ningún KPI financiero para el valor de su IA.

Por eso, en sus informes, una agencia debe separar con claridad dos capas: las métricas de adopción (necesarias, pero no suficientes) y las métricas de resultado (las que de verdad importan).

KPI del lado del cliente: output, calidad, conversión, time-to-value

Para el cliente cuenta lo que el agente consigue en el proceso. Hay cuatro dimensiones principales:

• Output / tasa de éxito (success rate): porcentaje de tareas que el agente lleva correctamente a un estado final. Es la cifra principal más importante. Como complemento, la tasa de finalización (¿llega el agente siquiera a un estado terminal?), para distinguir «abandonado» de «respondido mal».
• Calidad: faithfulness o tasa de alucinaciones (porcentaje de afirmaciones respaldadas por el contexto recuperado o por el conocimiento general) y (sobre todo en derecho, medicina y finanzas) precisión de las citas a nivel de afirmación. También cuenta la consistencia en ejecuciones repetidas: un agente que resuelve el 90 % de los casos, pero falla de forma imprevisible en un 10 %, suele ser peor que uno con un 80 % que falla de forma predecible y corregible.
• Conversión / impacto: según el proceso, tasa de lead a presupuesto, tasa de deflexión en atención al cliente, CSAT/NPS, reducción del tiempo de ciclo (case-to-close), tasa de defectos o de errores.
• Time-to-value: ¿con qué rapidez llega el primer ROI medible? Las expectativas realistas en la región DACH (Alemania, Austria y Suiza) son de 3 a 6 meses para reforzar el soporte de nivel 1, de 6 a 9 para copilotos de ventas/marketing integrados en el CRM, de 6 a 12 para agentes internos de conocimiento/búsqueda y de 9 a 15 meses para procesos de back office con mucha carga documental. Prometer tres meses para todos los casos de uso por igual no es serio.

KPI internos: utilización, margen, costes de tokens, tasa de error/HITL

La segunda familia de KPI protege la rentabilidad de la propia agencia:

• Utilización de los roles escasos, sobre todo de los AI Product Managers, responsables de los casos de uso y de los resultados.
• Margen del proyecto como métrica rezagada, validada por Finanzas.
• Costes de tokens/inferencia por tarea: tokens de entrada, tokens de salida y (decisivos desde 2025) tokens de razonamiento, que en los modelos de razonamiento pueden dominar los costes. Unidades de reporting: euros por tarea y euros por cada 1.000 tareas, más la latencia P50/P95/P99.
• Tasa de error y de HITL: la tasa de escalado human-in-the-loop es la palanca directa sobre el margen. Cada escalado consume tiempo de revisión que a menudo vuelve a comerse entre el 30 y el 60 % del ahorro bruto por deflexión. Es el mayor bloque de costes oculto en los agentes de atención al cliente y de documentos. Importante para interpretarla: una tasa de escalado alta no es mala automáticamente; un escalado bien calibrado en procesos de alto riesgo es una funcionalidad. Lo que cuenta es la tendencia a la baja con una calidad estable.

Indicadores adelantados frente a rezagados, y la regla de la remuneración

Los indicadores adelantados se mueven rápido y se pueden gestionar; los rezagados muestran el resultado de negocio con retraso, pero de forma fiable.

Hay que hacer explícita la disciplina: reporta ambos, pero remunera según los indicadores rezagados. El motivo: la adopción puede crecer sin que se mueva ninguna partida de la P&L. Quien premia a los equipos por la adopción consigue mucha adopción, pero ningún valor demostrado. Quien premia por resultados gestiona con cifras que Finanzas puede comprobar.

Calcula el ROI con prudencia: un 14 % de productividad, no 10x

El valor de productividad documentado más sólido para la IA en la empresa procede del estudio de Brynjolfsson, Li y Raymond (NBER WP 31161, 2023; QJE 2025): un 14 % más de casos resueltos por hora de media en atención al cliente, un 34 % en perfiles noveles y poco cualificados y apenas efecto en profesionales experimentados. Es el límite superior de lo creíble en atención al cliente, y una pista estratégica: la IA reparte valor hacia abajo en la curva de habilidades.

Todo cálculo de agencia debe incluir dos correcciones:

• El clásico de GitHub Copilot, «un 55 % más rápido», solo vale para tareas de programación aisladas y bien acotadas, no para la entrega de principio a fin. Ahí Bain (Technology Report 2025) encuentra valores típicos de entre el 10 y el 15 %, que a menudo no se reinvierten en trabajo de más valor, porque los cuellos de botella de revisión, pruebas y despliegue siguen estando aguas abajo.
• Las autoevaluaciones no son fiables. En el experimento de campo de METR (arXiv 2507.09089, 2025), 16 desarrolladores open source experimentados fueron un 19 % más lentos con IA, aunque de antemano pronosticaban ir un 24 % más rápido y después creían haber ganado un 20 %; expertos en ML y en economía llegaron a predecir una aceleración del 38 al 39 %. Traducción para el consejo de dirección: gestionar con telemetría y métricas de resultado, no con autoevaluaciones.

De ahí sale la fórmula bottom-up limpia que un CFO puede comprobar:

• Ahorro bruto = ahorro de tiempo en % × volumen anual × coste total por operación
• Beneficio neto = ahorro bruto − licencia/plataforma − costes de inferencia/tokens − despliegue/integración − observabilidad/evals − revisión HITL (entre el 30 y el 60 % del ahorro bruto)
• ROI = beneficio neto ÷ suma de los costes restados

Hay que ser honesto con el problema de que «el ROI no se puede medir»: cuando los costes de LLM son pequeños frente al OpEx total, la ganancia se nota como trabajo más rápido, no como una reducción de costes medible a nivel de partida. Con copilotos horizontales amplios, el ROI a menudo no es detectable partida a partida. Eso no es un fracaso si la apuesta se declaró de forma consciente como una inversión en capacidades.

Ejemplo de dashboard: agente de atención de nivel 1 en una pyme

Supuesto: 120.000 casos de atención al cliente/año, coste total de 6 € por caso, deflexión del 40 %, costes de inferencia por conversación de 0,30 € (rango según la investigación: 0,10–1,00 €).

El dashboard deja dos cosas a la vista: la partida aparentemente cara (los costes de tokens) no es la que dispara los costes; lo son el HITL y la operación. Y la tasa de HITL es la palanca de la que depende el valor neto en los trimestres siguientes.

Formato OKR que el CFO puede comprobar

Objetivo: crear una capacidad sólida de agentes en la función principal generadora de ingresos.

• KR1: un 70 % o más de adopción semanal activa del agente en la función en un plazo de 9 meses.
• KR2: un 25 % o más de reducción de la mediana del tiempo de ciclo del proceso objetivo frente a la línea base en un plazo de 12 meses.
• KR3: NPS/CSAT sin empeorar (o +5 %) durante todo el periodo.
• KR4: tasa de escalado a HITL <20 % en un plazo de 12 meses, con una tendencia a la baja medible.
• KR5: contribución neta a la P&L validada por Finanzas en un plazo de 18 meses.

Este formato obliga a fijar resultados auditables y a tener disciplina para cancelar. Unos puntos de corte estrictos valen más que una gobernanza blanda: a los 6 meses sin una vía clara hacia el ROI (adopción estancada por debajo del 30 %, ninguna mejora medible) y a los 12 meses sin una señal cuantitativa de ROI, se cierra el proyecto, se recupera el presupuesto y no se deja ningún zombi. Todo programa de agentes necesita un criterio de cancelación explícito en su carta fundacional.

Para agencias y decisores B2B

Quien vende servicios con agentes venderá resultados, no acceso a herramientas. Una agencia que ofrece a sus clientes un modelo de KPI de dos capas (indicadores adelantados para gestionar, métricas de valor rezagadas para la remuneración) y calcula el ROI con prudencia, con la lógica del 14 % en lugar de promesas de 10x, se gana la confianza del consejo de dirección. Blck Alpaca monta precisamente este tipo de sistemas de medición y evals: desde el dashboard de resultados para el cliente (tasa de éxito, calidad, conversión, time-to-value) hasta el cálculo interno del margen y de los costes de HITL. Si quieres montar un marco de KPI auditable para proyectos de agentes de IA en tu agencia o tu empresa, habla con nosotros. Definimos las métricas antes del despliegue, con línea base y visto bueno de Finanzas.