El día después de poner en marcha un sistema nuevo o una automatización, la tentación es mirar si "la gente lo está usando" y declarar si funcionó o no. El problema es que esa observación describe el pasado sin explicarlo. Las métricas que importan son las que conectan el comportamiento real del equipo con las razones de negocio que llevaron a construir el sistema.

¿Cuál es la diferencia entre métricas de vanidad y de aprendizaje?

Las métricas de vanidad son números que suben y hacen sentir bien pero no informan ninguna decisión: cantidad de logins, capacitaciones dictadas, pantallas construidas. Las métricas de aprendizaje responden preguntas concretas sobre la operación: ¿cuánto tiempo se ahorra por proceso?, ¿cuántos errores o reprocesos bajaron?, ¿qué porcentaje del equipo dejó de usar la planilla paralela?

La confusión entre síntoma y causa también aparece en industrias de márgenes ajustados como la logística: los costos del transporte en Argentina acumularon una suba del 37% en 2025 según el índice de FADEEAC, y en ese contexto un sistema que no muestra ahorro medible en tiempo o combustible no se sostiene, por más adopción que tenga.

Si una métrica no cambia ninguna decisión, medir no tiene sentido.

¿Qué métricas importan al principio?

En las primeras semanas hay tres preguntas que concentran la mayor parte del aprendizaje posible: si el equipo está llegando al momento donde el sistema realmente le ahorra trabajo (adopción real, no solo acceso), si lo sigue usando después de la novedad inicial (retención interna), y si el proceso que resolvés es lo bastante doloroso como para que otro sector de la empresa pida lo mismo (expansión interna). Todo lo demás es contexto.

¿Por qué es un error medir demasiado pronto a escala?

Medir resultados con un solo depósito o una sola ruta piloto operando todavía es estadísticamente débil. Con esa muestra, cualquier número puede ser ruido —un mes atípico, un cliente puntual. Lo que sí vale en esa etapa es la observación cualitativa: sentarse con el equipo que lo usa, cronometrar el proceso antes y después, preguntar directamente qué se rompió. Los números importan cuando hay suficiente volumen para que sean confiables.

¿Qué hacer con lo que medís?

Una métrica que empeoró no es una mala noticia: es información. La pregunta que sigue es siempre la misma: ¿qué hipótesis podemos formular sobre por qué pasó esto y cómo la probamos antes de escalarlo al resto de la operación? El ciclo de medir, aprender y ajustar es más valioso que cualquier métrica individual.