Tres errors que frenen el ROI en projectes d'IA (i com evitar-los)

1. La bretxa entre promesa i retorn

En els darrers dos anys, la intel·ligència artificial ha passat d'experiment a obsessió de negoci. Milers de pimes han provat automatitzacions, assistents o chatbots amb la promesa de guanyar temps i reduir costos. No obstant això, diverses anàlisis coincideixen que menys del 25 % dels projectes d'IA en petites i mitjanes empreses aconsegueixen un retorn econòmic mesurable el primer any. No es tracta de manca de tecnologia, sinó de gestió del canvi: expectatives, casos d'ús i mesura.

Sovint ho veiem: equips entusiasmats amb “fer alguna cosa amb IA” però sense objectiu de negoci, mètriques ni estructura de seguiment. El resultat és un desgast invisible: hores invertides en proves que no es tradueixen en millora real.

2. Error nº1: confondre “activitat IA” amb “resultat de negoci”

Una empresa pot “fer IA” cada dia –provar prompts, generar continguts o automatitzar tasques– i tot i així no moure cap mètrica de negoci. El parany és a mesurar activitat, no resultat. Indicadors com a “número d'automatitzacions” o “usuaris actius” no aporten valor econòmic per si mateixos; el que és rellevant són hores estalviades, ingressos addicionals o reducció d'errors.

Un equip comercial pot implantar un assistent per redactar propostes més ràpidament, però si la taxa de tancament o el temps de cicle no milloren, el ROI és nul. La diferència es veu clara en aquesta taula:

Com evitar-ho

• Defineix objectius concrets (p. ex., “reduir temps de reporting un 30 %”).
• Estableix una línia base: quant costa avui aquest procés.
• Avalua a 90 dies el delta real sobre hores, costos i ingressos.

Com expliquem a “On la IA sí que estalvia temps (i on no)”, l'estalvi arriba quan la IA actua sobre tasques repetitives i mesurables, no sobre iniciatives sense context. Lectura de suport: Harvard Business Review – Why so many AI projects fail.

3. Error nº2: implantar sense cas dús clar ni governança

Comprar llicències o afegir un connector no és tenir un projecte d'IA. Sense definir quin problema resol, qui el lidera i com s'enfrontarà l'èxit, apareixen dispersió, dependència tècnica i frustració. Cada persona fa servir la IA a la seva manera i l'organització perd el control del coneixement.

Els projectes rendibles comparteixen tres fonaments: cas d'ús definit, pilot controlat i governança (un responsable de negoci –no tècnic– amb autoritat per decidir continuïtat i escalat). Segons el State of AI 2024 de McKinsey, les empreses amb una figura transversal de “AI Owner” multipliquen per 2,5 la probabilitat de generar retorn mesurable.

Com evitar-ho

• Comença amb un diagnòstic operatiu (tasques repetitives, costoses o crítiques).
• Defineix un pilot de 60–90 dies amb objectius i revisions quinzenals.
• Anomena un responsable de seguiment que no depengui del proveïdor.
• Tanca cada fase amb informe i decisió: escalar, ajustar o descartar.

Enfocament relacionat: “IA pràctica amb ROI: quan té sentit i quan no”.

4. Error nº3: pensar en la IA com a eina aïllada, no com a sistema integrat

Un xatbot, un redactor o un model predictiu sense connexió a CRM, ERP o màrqueting automation genera illes d'eficiència. Les dades no flueixen, es dupliquen tasques i es perd traçabilitat. Exemple típic: màrqueting genera leads “amb IA”, però vendes segueix gestionant a Excel; el seguiment es dilueix.

Avui hi ha integradors accessibles: Make o Zapier per a fluxos entre eines; HubSpot IA o Power Automate per a reporting i tasques; Google Workspace Duet AI o Microsoft 365 Copilot per a anàlisi i redacció integrats. La clau és el mapa de dades previ.

Com evitar-ho

• Dibuixa el mapa complet del flux de dades abans dautomatitzar.
• Verifica quins sistemes deuen rebre i enviar informació.
• Avalua costos de manteniment i seguretat abans d'escalar.
• Evita dependre d'una sola eina: prioritza interoperabilitat.

Lectura recomanada: pràctiques dintegració i govern de la dada (Gartner). El 70 % de fracassos s'associa a integració deficient o manca de govern de la dada.

5. Com mesurar el ROI en projectes de IA

El ROI de la IA no es mesura per volum dús, sinó per impacte operatiu i financer. La fórmula pràctica és: ROI = (Benefici obtingut – Cost total) / Cost total. A IA, el benefici s'expressa en hores estalviades × cost/hora, ingressos atribuïbles (més leads o menys devolucions) i reducció d'errors o retreball.

Exemple: inversió de 4.000 € en una automatització que estalvia 60 h/mes a 25 €/h. Benefici anual: 18.000€. ROI = (18.000 – 4.000) / 4.000 = +350 %. Si aquest estalvi no es mesura, el projecte semblarà útil sense ser rendible. Recomanació: full de control amb inversió, impacte estimat i resultat real a 90 dies.

6. Mini-checklist: senyals d'alerta al teu projecte d'IA

• No existeix un cas d'ús formalitzat amb objectius clars.
• Ningú és responsable del seguiment ni de mesurar resultats.
• Els indicadors són de activitat, no de negoci.
• S'usen diverses eines sense integració entre si.
• No hi ha un pla de aprenentatge ni documentació de bones pràctiques.

7. De la fascinació al mètode

La IA és plena de promeses. El que és difícil no és creure-hi, sinó convertir-les en processos sostenibles. El pas de la fascinació al mètode exigeix tres canvis: de “provar coses noves” a “optimitzar allò que ja tenim”; de “eines” a “sistemes integrats”; i d'entusiasme tècnic a responsabilitat de negoci.

Com diem a Rumbo & Resultats: “El futur no pertany a qui prova més eines, sinó a qui mesura millor els resultats”.” La IA rendible no neix de l'entusiasme, sinó de la combinació de estratègia, governança i mètriques clares.