La productividad subió tras implantar IA y Kanban, pero los datos no permiten atribuir la mejora a una sola medida
Un aumento del trabajo terminado tras implantar IA no demuestra que esta sea la causa: los cambios en la organización o en el registro también pueden alterar las cifras.
Resumen del artículo publicado en prokanban.org y recomendado por Digital Skills Institute el 14 de octubre de 2026.
Medir la productividad tras implantar inteligencia artificial importa a los equipos y responsables de entrega porque un aumento del trabajo terminado no demuestra, por sí solo, qué lo ha causado. En una empresa de tecnología para seguros, los equipos completaron entre cuatro y cinco veces más elementos al mes que en su último año de actividad normal, pese a tener menos personal. Los elementos mantenían un alcance comparable. Para evitar una referencia engañosa, se descartó un periodo anterior en el que gran parte del esfuerzo se había dedicado a reconstruir una plataforma y se registraba en otro lugar.
La mejora coincidió con la llegada de herramientas de IA y con una transformación del trabajo: formación en Kanban, límites al trabajo simultáneo, tableros de equipo, sustitución de las asignaciones por un sistema en el que se toma trabajo disponible y cambios en los flujos y la organización. Al ocurrir todo a la vez, no es posible calcular cuánto aportó cada medida. Los indicios apuntan a que la IA pudo aumentar el volumen y los cambios organizativos pudieron mejorar la previsibilidad, pero ninguna cifra permite separar sus efectos.
Para comprobar si el rendimiento ha cambiado realmente puede utilizarse un gráfico de comportamiento del proceso. Se representa arriba el número de elementos terminados cada semana y abajo la diferencia entre semanas consecutivas. Con los datos anteriores a la implantación se calculan las medias y los límites naturales del proceso; después se prolongan esos límites para examinar las semanas posteriores. Conviene leer primero el gráfico inferior: si las diferencias son estables, los límites superiores resultan más fiables. Una semana fuera de esos límites o ocho semanas seguidas por encima o por debajo de la media indican que merece la pena investigar un cambio.
Una señal no identifica su causa. En la misma empresa, el recuento mensual llegó a multiplicarse aproximadamente por seis entre diciembre y enero. El gráfico detectó correctamente una anomalía, pero esta procedía de una reorganización del registro: trabajos ya terminados pasaron a los proyectos contabilizados o se cerraron entonces. La entrega no se había acelerado.
La herramienta exige precauciones. Se necesitan suficientes semanas previas para fijar los límites, aproximadamente entre diez y veinte observaciones; incluir datos posteriores puede ensancharlos hasta ocultar una mejora real. Una subida pequeña puede quedar dentro de la variación habitual. También pueden producir señales engañosas una división del mismo trabajo en más elementos, cambios en las reglas de recuento o cierres acumulados al final del mes.
El procedimiento práctico consiste en reunir las fechas de finalización de los trabajos durante seis a doce meses, contarlos por semanas completas y marcar cuándo empezó la implantación. Si aparece una señal, todavía hay que revisar qué otras cosas cambiaron entonces. Si ni siquiera existen fechas fiables de finalización, esa carencia impide evaluar el resultado con este método.
