Veinte mil funcionarios británicos recibieron una licencia de Microsoft 365 Copilot, y el informe de conclusiones interministerial fijó el resultado en 26 minutos ahorrados por persona y día (Government Digital Service, 2025). La cifra circula desde entonces en las presentaciones de compras. Dos detalles del mismo informe cambian lo que esa cifra puede sostener: los participantes la produjeron estimando ellos mismos su ahorro diario de tiempo a partir de una serie de intervalos, y la sección de conclusiones afirma que «debido a restricciones experimentales no fue posible identificar cómo se empleó el tiempo ahorrado».
Después, el Department for Work and Pensions —uno de los departamentos incluidos en ese mismo ensayo— evaluó su propia cohorte frente a un grupo de comparación de colegas que nunca recibieron licencia. Su estimación quedó en 19 minutos al día en ocho tareas rutinarias (DWP, 2026).
Dos mediciones de un mismo despliegue, publicadas por el mismo gobierno. La distancia entre ellas es la distancia entre un titular sobre tiempo ahorrado y un business case de piloto de IA.
Qué midieron realmente 20.000 licencias
El experimento interministerial se desarrolló del 30 de septiembre al 31 de diciembre de 2024, con cada organización participante comprometiendo al menos 1.000 licencias (Government Digital Service, 2025). Frente al estándar habitual de la evidencia sobre productividad de la IA, este es un buen documento: amplio, del sector público, publicado con su metodología adjunta, y no un caso de estudio de un proveedor con tres logotipos complacientes en la cabecera.
Es en el método donde un responsable de operaciones debería frenar. Se pidió a los participantes estimar su ahorro medio diario eligiendo entre intervalos que iban de «ninguno o menos de 5 minutos» a «más de una hora». La media de 26 minutos se calculó a partir de los puntos medios de esos intervalos, tratando la banda superior como 60 minutos. El diecisiete por ciento no percibió ningún ahorro claro de tiempo. Más del 70 % coincidió en que Copilot reducía el tiempo dedicado a buscar información, que es —como sugiere evidencia posterior— el caso de uso en el que la herramienta resulta más visiblemente útil y menos relevante en términos económicos.
El instrumento, por tanto, es una pregunta de recuerdo: ¿cuánto tiempo cree que esto le ahorró? Esa pregunta puede hacerse a 20.000 personas por poco dinero, y por eso se hace. No puede producir las dos cifras sobre las que realmente funciona un business case.
Las dos cifras que una autodeclaración no puede darle
La primera es el contrafactual: qué habría ocurrido con esas tareas de todos modos, con la misma plantilla, el mismo trimestre y ninguna licencia. La segunda es el destino: adónde fueron los minutos recuperados.
Sin la primera, está midiendo entusiasmo junto con efecto. Sin la segunda, está midiendo un insumo y llamándolo retorno.
El mismo despliegue, contrastado con quienes no lo tenían
La evaluación del DWP aporta la primera de esas cifras. Usó una Seemingly Unrelated Regression frente a un grupo de comparación de no usuarios, controlando variables demográficas, ocupacionales y de predisposición a la IA, y estimó 19 minutos diarios ahorrados en ocho tareas rutinarias, estadísticamente significativos en todas las especificaciones. Las mayores reducciones por tarea se dieron en la búsqueda de información (26 minutos) y la redacción de correos (25 minutos). El noventa por ciento de los usuarios dijo que Copilot les ayudó a ahorrar tiempo, y el 65 % declaró sentirse más realizado en el trabajo (DWP, 2026).
El DWP es igual de explícito sobre su propio techo: no fue un ensayo controlado aleatorizado. Las licencias se asignaron por orden de llegada, de modo que la autoselección y el sesgo postratamiento son riesgos reales. Las licencias fueron a las personas más entusiastas.
Resista la aritmética aquí. Las dos cifras no son comparables —poblaciones distintas, alcance de tareas distinto, método distinto— y restar una de la otra produce un número que ninguno de los dos documentos respalda. El hallazgo es estructural, no numérico: el departamento que añadió un grupo de comparación informó de una cifra menor que la autoestimación, en un programa donde los entusiastas se habían seleccionado a sí mismos para el tratamiento. Esa es la dirección en la que corre la corrección, y es la dirección que importa cuando un proveedor le entrega una única cifra sin ningún grupo de control a la vista.
La frase que debería detener la reunión de presupuesto
De todo el informe interministerial, una línea de las conclusiones es la que más daña el uso que se hace de los 26 minutos: «debido a restricciones experimentales no fue posible identificar cómo se empleó el tiempo ahorrado».
Un minuto recuperado tiene tres destinos posibles. Se convierte en producción. Lo absorbe otra tarea. O se convierte en tiempo muerto. Solo el primero aparece en un business case, y el ensayo no pudo distinguirlos.
Esto no es una peculiaridad del sector público. La primera medición federal e independiente de proveedores sobre la misma pregunta encontró que, entre los trabajadores estadounidenses que habían usado IA en el trabajo la semana anterior, el 56 % situaba el tiempo adicional que habría necesitado sin ella en dos horas semanales o menos; el 10 % declaró ningún ahorro de tiempo, y el 3 % dijo que la IA exigía más tiempo (Oficina del Censo de Estados Unidos, 2026).
Dos horas a la semana, que llegan en minutos dispersos, no se consolidan en un FTE reasignable. La prueba operativa es brutal: ¿sale una tarea completa de la mesa de alguien? Si la respuesta es no, entonces las horas multiplicadas por un coste cargado son un recurso retórico, no una previsión.
Por qué los minutos por usuario no se agregan en un business case de piloto de IA
El problema de participación agrava el de destino. La Encuesta de Expectativas del Consumidor del BCE recoge el mismo resultado a dos altitudes: el usuario mediano de IA ahorra en torno a tres horas semanales, aproximadamente el 7,7 % del tiempo de trabajo mediano, pero solo el 48,8 % de los trabajadores usa IA y además ahorra tiempo con ella, lo que sitúa la ganancia de eficiencia a escala de economía en torno al 3,8 % (BCE, 2026).
Misma encuesta, mismos encuestados, y la cifra se reduce a la mitad cuando el denominador deja de ser «los usuarios» y pasa a ser «todas las personas a las que paga».
Los datos del BCE también invierten el patrón de uso de una forma que debería reordenar un piloto. La generación de código y la depuración devuelven casi ocho horas semanales, y alrededor del 8 % de los usuarios aplica la IA ahí. Investigar, recopilar información, escribir y editar son los usos más comunes y ahorran bastante menos. El beneficio estrella del ensayo interministerial, menos tiempo buscando información, cae justo en la banda de bajo rendimiento.
Lo que significa que el business case necesita tres insumos donde la mayoría de las presentaciones tiene uno: tasa de participación, rendimiento por tarea y un factor de conversión explícito sobre si las horas liberadas se convierten en producción o en tiempo muerto. Cada uno es observable antes de una renovación. Ninguno está en una media de 26 minutos.
La objeción honesta
Tres límites, dichos con claridad.
La autodeclaración puede errar en ambas direcciones, pero la dirección medida no ha sido benévola. El ensayo aleatorizado de METR con desarrolladores open source experimentados encontró que las herramientas de IA de principios de 2025 los volvían un 19 % más lentos mientras ellos creían haber acelerado; su encuesta posterior a 349 trabajadores técnicos informa de que los participantes en ese estudio sobrestimaron el efecto de la IA en el tiempo de tarea en 40 puntos porcentuales de media (METR, 2026). Es una población estrecha, trabajando sobre repositorios que conoce a fondo, y la magnitud no se traslada a un back office del mid-market. Establece algo más pequeño y aun así útil: un ahorro autoestimado no es un insumo conservador.
Estas evaluaciones no fueron fracasos. Ambas encontraron ahorros de tiempo reales y estadísticamente significativos, y el DWP encontró efectos de realización que valen por sí mismos. La crítica no es a los ensayos —más transparentes que buena parte de lo que se vende como evidencia— sino al trabajo que se le pide a la cifra estrella una vez que sale del informe.
El sector público no es su sector. La mezcla de tareas de la función pública, las restricciones de compras y el equipamiento de base son específicos. El activo transferible es el diseño de la evaluación, no los minutos. No lleve 26 ni 19 a su modelo; lleve la pregunta que produjo la segunda.
Qué cambiar en el diseño del piloto antes de la próxima renovación
Cuatro movimientos, ninguno de los cuales exige una nueva partida presupuestaria.
- Reserve un grupo de comparación y no deje que se autoseleccionen los entusiastas. La forma más barata de hacer defendible la cifra de un piloto es una cohorte dentro de la misma función que no recibe licencia durante los mismos 90 días. El límite que el propio DWP declara —asignación por orden de llegada— es la parte a corregir: aleatorice las licencias dentro de un equipo en lugar de dárselas a quien las pide primero.
- Nombre el destino antes de que empiece el piloto. Deje por escrito, puesto por puesto, qué tarea concreta debería salir de la mesa de quién y qué debería ocupar ese espacio. Si la respuesta es «la gente tendrá más tiempo», el piloto está midiendo satisfacción y debería presupuestarse como tal.
- Instrumente una tarea, no todo el despliegue. Elija dos tareas con un tiempo de ciclo observable en los sistemas y mídalas de extremo a extremo. Un delta defendible en dos tareas vale más que una media de encuesta sobre cuarenta.
- Puntúe el puesto, no la plantilla. La pregunta del destino hay que resolverla a nivel de puesto, porque es el nivel en el que el trabajo se mueve de verdad. El scoring de aumentabilidad sobre el organigrama de Scovai es una forma concreta de ese resultado: cada puesto puntuado de 0 a 100 % según cuánto se puede aumentar, con los roles sin cubrir y el plan por puesto saliendo del mismo esquema.
El Gobierno británico hizo algo inusual: publicó tanto la cifra favorable como el método que la relativiza, y después dejó que uno de sus departamentos se corrigiera el ejercicio con un grupo de comparación. Es un estándar de evidencia más alto del que alcanzan jamás la mayoría de los pilotos de IA dentro de empresas privadas.
Así que antes de renovar un bloque de licencias este trimestre, pida una página: qué tareas salieron de qué mesas y qué llegó al espacio liberado. Si nadie puede escribir esa página, no tiene un business case de piloto de IA. Tiene una encuesta de satisfacción con una cuota de licencia adosada.
