Cada métrica de este libro descansa en un supuesto: que producir lo que se cuenta exige un esfuerzo real. Un ticket resuelto reflejaba trabajo. Un artículo escrito reflejaba conocimiento. Un cambio incorporado reflejaba cuidado. La IA generativa debilita ese supuesto. Puede redactar una respuesta, un artículo, una prueba o un bloque de código en segundos, y lo que redacta suele ser verosímil y a veces erróneo. Los recuentos suben. Si las personas atendidas están mejor es una pregunta aparte que los recuentos no pueden responder.

La IA añade además cosas nuevas que medir. Los asistentes conversacionales y los agentes que actúan en nombre de un usuario necesitan medidas de resolución, de traspaso y del daño de las acciones erróneas. La gobernanza de modelos, prompts y proveedores necesita medidas de cobertura, control y gestión de incidentes. Y las personas que trabajan junto a estas herramientas necesitan que se protejan sus habilidades, su comprensión y su ritmo sostenible. Las medidas de esta parte se nutren del resto del libro, porque las barreras de protección son las mismas: empareja cada métrica con una comprobación de lo que podría ocultar, compara con una línea base, muestrea con personas y mantén los datos sobre las personas fuera de la evaluación (véase el tema 1.2, Ley de Goodhart y psicología de las métricas).

Las formas de trabajar ágil e ITIL ofrecen una postura sensata ante todo esto. Trata cada uso de la IA como un pequeño experimento. Declara el beneficio esperado, pruébalo con personas dispuestas, compara con un trabajo similar hecho sin ella y decide según la evidencia. Mantén implicadas de forma continua a las partes interesadas, porque son las primeras en notar cuándo se degrada la señal. Apunta a un ritmo sostenible, para que el tiempo ahorrado sea una decisión sobre la calidad y el aprendizaje y no un aumento automático de la demanda. Y recuerda el fin de construir en torno a individuos motivados: la IA debe aliviar el trabajo tedioso y respetar el juicio de las personas, y no debe convertirse en una forma de monitorizarlas.

Los hechos sobre herramientas, productos y normas de IA cambian deprisa. Las afirmaciones de esta parte sobre regulaciones, estándares y herramientas concretas están fechadas a octubre de 2026, y el lector debe volver a comprobarlas. Los principios de medición son más duraderos que cualquiera de las tecnologías que describen.

Esta parte cubre también las otras dos de las cuatro lentes, la automatización y la analítica. La automatización y la orquestación cambian quién hace el trabajo y vuelven rápidos y amplios los fallos, así que se miden por lo que quitan y lo que rompen. Los pipelines producen gran parte de la evidencia del cambio y del cumplimiento, así que se miden como sistemas. La analítica, la previsión y la observabilidad producen los números que se usan en el resto del libro, así que su calidad de datos, su incertidumbre y su costo necesitan medidas propias.

Temas de esta parte

  • 10.1 La IA en la medición de la gestión de servicios: dónde entra la IA en el trabajo, líneas base antes de la adopción, comparaciones, tiempo hasta un resultado comprobado y costo completo.
  • 10.2 Medición del trabajo asistido por IA: retención, retrabajo, carga de revisión, defectos escapados, comprensión y habilidades.
  • 10.3 Métricas de agentes de IA y chatbots: resolución verificada, contactos de retorno, traspasos, tiempo hasta una persona, exactitud de las respuestas y reversión de las acciones de los agentes.
  • 10.4 Inflación de métricas y dilución de la calidad: cómo se inflan el volumen y la velocidad, muestreo de utilidad, carga de verificación y ruptura de los bucles de retroalimentación.
  • 10.5 Métricas de gobernanza y riesgo de la IA: el registro de usos, las clases de riesgo, el control de cambios de modelos y prompts, la evaluación, la supervisión y los incidentes.
  • 10.6 Métricas de automatización y orquestación: lo que la automatización quita y rompe, una cobertura que signifique algo, fallo y reversión, y diseño con humano en el bucle.
  • 10.7 Métricas de pipelines y cambio automatizado: salud del pipeline, aprobaciones automatizadas, política como código y la evidencia que produce un pipeline.
  • 10.8 Métricas de analítica y calidad de datos: completitud, puntualidad, linaje, conciliación y lo que un número puede y no puede mostrar.
  • 10.9 Métricas de previsión y analítica predictiva: error de previsión, calibración, intervalos y las decisiones que informan las previsiones.
  • 10.10 Métricas de observabilidad y telemetría: cobertura de registros, métricas y trazas, calidad de la señal y costo de la telemetría.

Cómo se relacionan estos temas

El tema de fundamentos (véase el tema 10.1, La IA en la medición de la gestión de servicios) fija el método: línea base, comparación, muestreo y costo completo. Se aplica a todos los demás temas de la parte. El tema del trabajo asistido (véase el tema 10.2, Medición del trabajo asistido por IA) usa ese método sobre el trabajo que las personas hacen con la IA al lado, y mira lo que sobrevive y lo que pasa con la comprensión. El tema de chatbots y agentes (véase el tema 10.3, Métricas de agentes de IA y chatbots) lo aplica a sistemas que se enfrentan directamente a los usuarios o actúan en su nombre, donde el costo de una respuesta o acción errónea recae en otra persona.

La inflación y la dilución (véase el tema 10.4, Inflación de métricas y dilución de la calidad) son el complemento de advertencia de todos ellos. Explica por qué suben los números fáciles y qué emparejarles, y se conecta con las comprobaciones de utilidad de los otros temas. La gobernanza (véase el tema 10.5, Métricas de gobernanza y riesgo de la IA) es la estructura que sostiene el resto: aporta el registro que dice qué medir, las clases de riesgo que dicen con qué profundidad, el control de cambios que impide que el comportamiento derive sin que se vea y el proceso de incidentes para cuando algo sale mal.

De aquí se derivan varios pares de barreras de protección. Una medida de velocidad debe leerse con el tiempo hasta un resultado comprobado y la carga de verificación. Una cifra de contención o de desvío debe leerse con la resolución verificada y los contactos de retorno. Un recuento de usos registrados debe leerse frente al descubrimiento independiente. Una cifra de adopción de una herramienta de IA debe tratarse como descriptiva, y los resultados frente a la comparación cargan con el peso.

La parte se vincula con las anteriores: las medidas de revisión y de flujo de la Parte 2, las medidas de conocimiento y autoservicio de la Parte 3, las medidas de seguridad y riesgo de la Parte 8 y las medidas de personas de la Parte 9. Los temas 10.6 a 10.10 extienden el método a la automatización, los pipelines, la analítica, la previsión y la observabilidad: la misma línea base, el mismo emparejamiento de la velocidad con la calidad y el mismo hábito de comprobar lo que el número no puede mostrar. Las medidas de automatización y de pipelines (véase el tema 10.6, Métricas de automatización y orquestación, y el tema 10.7, Métricas de pipelines y cambio automatizado) descansan en las medidas de calidad de datos del tema 10.8 (véase el tema 10.8, Métricas de analítica y calidad de datos), y las previsiones (véase el tema 10.9, Métricas de previsión y analítica predictiva) y la telemetría (véase el tema 10.10, Métricas de observabilidad y telemetría) alimentan a ambas. Conduce a la última parte de contenido, que trata de construir un programa de métricas en sí, porque un programa que introduce la medición sin cuidado sufrirá las mismas distorsiones que describe esta parte.