La pregunta de cómo medir el éxito continuo de las iniciativas de IA surge en casi todas las revisiones de liderazgo de un programa de IA, y con frecuencia se responde con un panel que en realidad no responde la pregunta. Los paneles que muestran el número de usuarios, el volumen de consultas, el costo de inferencia y el tiempo de actividad de los sistemas son fáciles de producir y no dicen prácticamente nada al equipo de liderazgo sobre si el programa está teniendo éxito. Los paneles que responderían la pregunta son más difíciles de producir, requieren que el programa esté diseñado para la medición desde el inicio y conecten el trabajo de IA con los resultados que realmente le importan al negocio. Las empresas que obtienen respuestas útiles a la pregunta han construido la práctica de medición deliberadamente en lugar de esperar que surja de la telemetría operativa que los sistemas producen por casualidad.
La respuesta honesta a la pregunta de medición es que el éxito de un programa de IA se mide a través de varias capas; cada capa tiene sus propias métricas, las capas se conectan entre sí de formas que el marco de medición debe dejar explícitas, y el marco es en sí una decisión de diseño deliberada más que un valor predeterminado que proporcione la herramienta. Este texto recorre las capas de medición que importan, las métricas específicas que funcionan en cada capa, las prácticas que producen mediciones fiables a lo largo del tiempo, los patrones que han funcionado, los patrones que han fallado y la postura práctica que convierte la cuestión de la medición en una disciplina operativa para el equipo de liderazgo.
Las capas de medición que importan
El primer paso útil es reconocer que la medición de programas de IA ocurre a través de varias capas en lugar de en un único nivel, y que cada capa responde una pregunta diferente que el equipo de liderazgo necesita que se responda.
La capa de resultados del negocio responde a la pregunta de si el programa de IA está produciendo los resultados que al negocio realmente le importan. El impacto en ingresos, el impacto en costos, el impacto en productividad, el impacto en la experiencia del cliente, el impacto en calidad y el impacto en el posicionamiento estratégico son las categorías de las que el equipo de liderazgo es en última instancia responsable. La capa de resultados del negocio es la que determina si el programa vale la inversión.
La capa de resultados por caso de uso responde a la pregunta de si los casos de uso específicos del programa de IA están cumpliendo sus casos de negocio individuales. Cada caso de uso tiene una tesis sobre el valor que produce y el costo que absorbe, y la capa de resultados por caso de uso compara los resultados reales con la tesis. Esa capa conecta la imagen de resultados del negocio con la realidad operacional de los casos de uso que están produciendo esos resultados.
La capa de adopción y uso responde a la pregunta de si la fuerza laboral o los clientes realmente están usando la IA de las formas que el programa diseñó. El número de usuarios activos, la frecuencia de uso, la profundidad del uso, los patrones de abandono y la segmentación del uso en la población elegible son las categorías que muestran si el programa está alcanzando la audiencia que debe alcanzar para producir los resultados.
La capa de calidad y fiabilidad responde a la pregunta de si las salidas de la IA son precisas, fiables y están alineadas con las políticas bajo las que opera el programa. Las tasas de error, las categorías de fallo, la tasa de anulación humana, la tasa de violación de políticas y las tendencias en la imagen de calidad a lo largo del tiempo son las categorías que muestran si el programa está produciendo salidas que la compañía puede respaldar.
La capa de salud operacional responde a la pregunta de si los sistemas de IA funcionan bien en el sentido técnico. La latencia, la disponibilidad, el rendimiento, el costo de inferencia, los patrones de error en la capa de integración y la salud de la infraestructura subyacente son las categorías que muestran si los sistemas pueden soportar la carga que los casos de uso requieren.
La capa de salud del programa responde a la pregunta de si el propio programa de IA opera como un programa saludable. El flujo de casos de uso desde la idea hasta la producción, el tiempo desde la idea hasta el valor, los patrones de incidentes, la capacidad de la fuerza laboral, las relaciones con proveedores, la salud de la gobernanza y las tendencias en la postura general del programa son las categorías que muestran si el programa es un motor sostenible de valor de IA en lugar de una serie de proyectos puntuales.
La medición que el equipo de liderazgo necesita combina todas las capas en lugar de confiar en una sola, y el marco que produce mediciones útiles arma la imagen a partir de las capas de una forma en la que el liderazgo pueda actuar.
Las métricas específicas que funcionan en la capa de resultados del negocio
La capa de resultados del negocio es la más importante y también la que con mayor frecuencia se maneja mal, con el programa reportando métricas operacionales y dejando la imagen de resultados del negocio vaga. Las métricas que funcionan en esta capa son específicas al caso de negocio de los casos de uso y a los resultados estratégicos que se supone que el programa debe producir.
Contribución a los ingresos. Las categorías incluyen ingresos de nuevos productos o servicios que la IA habilita, ingresos de experiencias de cliente que la IA mejora, ingresos retenidos mediante reducción de churn y ingresos acelerados mediante productividad de ventas. La medición requiere el trabajo de atribución que conecta la IA con los ingresos en lugar de asumir que cualquier ingreso cercano se debe a la IA.
Reducción de costos. Las categorías incluyen costo laboral directo reducido mediante automatización, costo indirecto reducido mediante productividad, el costo de errores reducido mediante mejor calidad y el costo de operaciones reducido mediante eficiencia. La medición requiere el trabajo de establecer la línea base que determina cuál habría sido el costo sin la IA en lugar de una simple comparación de antes y después.
Ganancias de productividad. Las categorías incluyen tiempo ahorrado en tareas específicas, mejora del rendimiento en procesos concretos, volumen de trabajo manejado con la misma plantilla y la reasignación del tiempo ahorrado a trabajos de mayor valor. La medición requiere atención cuidadosa a dónde va realmente el tiempo ahorrado en lugar de asumir que el ahorro de tiempo principal se traduce automáticamente en valor de negocio.
Mejoras en la experiencia del cliente. Las categorías incluyen puntajes de satisfacción del cliente, net promoter score, tiempos de resolución, tasas de resolución en el primer contacto, puntajes de esfuerzo del cliente y los patrones de retroalimentación de clientes que afectan la experiencia de IA. La medición conecta los cambios en la experiencia del cliente con los casos de uso de IA que los produjeron en lugar de tratar las métricas de cliente como un telón de fondo genérico.
Mejoras en la calidad. Las categorías incluyen tasas de defectos, tasas de retrabajo, tasas de error en contenido de cara al cliente, hallazgos de cumplimiento y las medidas operacionales de calidad que el negocio ya rastrea. La medición muestra si la IA está mejorando la imagen de calidad o degradándola.
Posicionamiento estratégico. Las categorías incluyen la posición competitiva en la capacidad de IA que el programa está construyendo, la posición frente a clientes que valoran la capacidad de IA, la posición para atraer el talento que la compañía necesita y la posición frente a reguladores y partes externas que observan el trabajo de IA. La medición estratégica es más difícil de cuantificar y forma parte de la imagen que el equipo de liderazgo necesita.
Las métricas que funcionan en la capa de resultados por caso de uso
La capa de resultados por caso de uso traduce la imagen de resultados del negocio en la responsabilidad específica de cada caso de uso, con las métricas específicas a la tesis sobre la que se construyó dicho caso. Las categorías generales que aparecen en varios casos de uso incluyen las siguientes.
Cumplimiento de la tesis de valor. El caso de uso fue aprobado con una tesis específica sobre el valor que produciría, y la métrica de cumplimiento compara el valor real con la tesis. La métrica cubre toda la vida del caso de uso en lugar de solo el periodo inicial, y tiene en cuenta el valor que se materializó de manera diferente a la esperada así como el valor que no se materializó.
Volumen de trabajo procesado. El número de transacciones, interacciones, documentos, decisiones u otras unidades que el caso de uso manejó en el período. La métrica muestra si el caso de uso está operando a la escala que la tesis asumía y si la escala está creciendo, manteniéndose o reduciéndose.
Tiempo y costo por unidad. El tiempo que el caso de uso tarda por unidad de trabajo y el costo que absorbe por unidad. Las métricas muestran si la unidad económica se mantiene y si mejora con el tiempo a medida que el caso de uso madura.
Calidad de la salida. La precisión, la completitud, la idoneidad y la alineación con políticas de la salida que produce el caso de uso, medidas frente a los estándares para los que se diseñó el caso de uso. La métrica de calidad es la que muestra si el volumen y el costo están produciendo valor real o solo la apariencia del mismo.
Impacto en el proceso circundante. El efecto que el caso de uso tiene en las personas, los sistemas y los procesos a su alrededor. La métrica cubre los efectos de segundo orden que el caso de uso genera y que a menudo es donde aparece el valor real o el costo real.
Retorno de la inversión. La imagen económica completa del caso de uso en el horizonte temporal realista, incluyendo el costo de construcción, el costo operativo, el valor producido y la comparación con el uso alternativo de la inversión. La métrica ROI es la que sustenta la decisión continua sobre si expandir, mantener o retirar el caso de uso.
Las métricas que funcionan en la capa de adopción y uso
La capa de adopción y uso suele ser la más fácil de medir y también la más leída erróneamente, con el programa reportando conteos de usuarios que no se traducen en valor de negocio. Las métricas que funcionan en esta capa van más allá de los conteos principales hacia los patrones que muestran si el programa realmente está alcanzando a la audiencia.
Usuarios activos en la población elegible. El número de usuarios que utilizaron activamente la IA en el período como fracción de la población que era elegible para usarla. La métrica muestra el alcance del programa en la audiencia que debe alcanzar, ya que el conteo simple de usuarios totales oculta la brecha entre el alcance del programa y la audiencia necesaria.
Frecuencia y profundidad de uso. El número de sesiones por usuario activo, la duración de las sesiones, la variedad de tareas que los usuarios llevaron a la IA y la profundidad del trabajo que completaron con ella. Las métricas muestran si los usuarios usan la IA como una parte significativa de su trabajo o como una novedad ocasional.
Patrón de abandono. La tasa a la que los usuarios que probaron la IA dejaron de usarla, los puntos en la experiencia de usuario donde se concentró el abandono y las razones que los usuarios dieron para abandonar. La métrica muestra si el programa retiene a los usuarios que alcanza o los pierde tras el primer encuentro.
Segmentación en la audiencia. Los patrones de uso en los segmentos de la audiencia, incluidos los patrones por rol, por equipo, por antigüedad, por geografía y por otras dimensiones relevantes. La segmentación muestra dónde el programa funciona bien y dónde queda trabajo por hacer para alcanzar los segmentos que no se han adoptado.
Tiempo hasta el primer valor. El tiempo desde el primer encuentro del usuario con la IA hasta la primera tarea que el usuario completó con valor significativo. La métrica muestra qué tan bien el programa incorpora a la audiencia y es uno de los predictores más fuertes de la adopción a largo plazo.
Retroalimentación y sentimiento. Los patrones de retroalimentación que los usuarios proporcionaron sobre la experiencia de IA, incluida la retroalimentación explícita mediante calificaciones y comentarios y la retroalimentación implícita mediante los patrones de uso. La métrica muestra cómo los usuarios están experimentando el programa en sus propios términos.
Las métricas que funcionan en la capa de calidad y fiabilidad
La capa de calidad y confiabilidad es donde el programa muestra si las salidas de la IA son fiables, y las métricas que operan en esta capa son específicas para las categorías de falla que los casos de uso pueden generar.
Tasas de error por categoría. La tasa de errores factuales, la tasa de errores de razonamiento, la tasa de violaciones de políticas, la tasa de problemas de formato y las demás categorías de falla relevantes para el caso de uso, cada una medida frente a un marco de evaluación definido. La categorización es lo que permite al programa dirigir el trabajo de mejora en lugar de solo informar un único número de calidad.
Tasas de anulación y corrección humana. La tasa a la que los revisores humanos anulan o corrigen las salidas de la IA, y los patrones en las anulaciones que muestran dónde la IA está produciendo sistemáticamente salidas que requieren corrección. La métrica es una de las señales de calidad más informativas porque refleja el juicio real de las personas más cercanas al trabajo.
Tasas de violación de políticas. La tasa a la que las salidas de la IA activan los controles de políticas que el programa tiene implementados, incluyendo las políticas de contenido, los controles de privacidad, las comprobaciones de sesgo y equidad, y las reglas de cumplimiento regulatorio. La métrica muestra si los controles están detectando lo que deben detectar y si el comportamiento del modelo se está desviando respecto a las políticas.
Tasas de quejas de clientes o de la plantilla. La tasa a la que los clientes o la plantilla presentan quejas que afectan la experiencia con la IA, y los patrones en las quejas que muestran dónde la calidad está siendo insuficiente. La métrica capta las fallas que el marco interno de evaluación no detecta.
Frecuencia y severidad de incidentes. La tasa de incidentes que involucran a los sistemas de IA, la severidad de los incidentes ocurridos, el tiempo hasta la detección y resolución, y los patrones en las causas raíz. La métrica muestra si el programa está operando de forma fiable y dónde debe centrarse el trabajo de confiabilidad.
Salud del marco de evaluación. La completitud de los conjuntos de pruebas frente a las categorías de falla que los casos de uso pueden generar, la cadencia de las ejecuciones de evaluación, las tendencias en los resultados de la evaluación y la capacidad de respuesta del programa a las señales de evaluación. La métrica muestra si el programa tiene el instrumento de medición que necesita para operar sobre el panorama de calidad.
Las métricas que funcionan en las capas de salud operativa y del programa
Las capas de salud operativa y de salud del programa cubren la visión de si los sistemas y el programa funcionan bien en los sentidos técnico y operativo, con métricas extraídas de las disciplinas operativas existentes y ampliadas hacia las categorías específicas de IA.
En la capa de salud operativa, las métricas incluyen la latencia de las llamadas a la IA en los percentiles relevantes, la disponibilidad de los servicios de IA respecto a los objetivos, el rendimiento que los sistemas manejan en relación con la capacidad, el costo de inferencia por caso de uso y en total, la tasa de errores en la capa de integración, los patrones de degradación en el rendimiento del modelo y la salud de los flujos de datos de los que depende la IA. La visión operativa permite al equipo de ingeniería mantener los sistemas en funcionamiento y prever el panorama de costos.
En la capa de salud del programa, las métricas incluyen el rendimiento de los casos de uso desde la idea hasta la producción, el tiempo desde la idea hasta generar valor, la tasa de éxito de los casos de uso respecto a su tesis original, los patrones de casos de uso que han sido retirados o reposicionados, el panorama de capacidades de la plantilla en los roles relevantes, la salud de las relaciones con proveedores, la salud de la gobernanza y las revisiones, el panorama de seguridad y cumplimiento para el programa en su conjunto y las tendencias en la postura general del programa a lo largo del tiempo. La visión del programa permite al equipo directivo ver si el programa de IA se está convirtiendo en un motor sostenible de valor o si está consumiendo inversión sin producir los retornos correspondientes.
Las prácticas que producen mediciones fiables a lo largo del tiempo
Las métricas son necesarias pero no suficientes. Las prácticas que producen mediciones fiables a lo largo del tiempo son las que convierten las métricas en una imagen real sobre la que el equipo directivo pueda actuar, y las empresas que han construido la disciplina de medición comparten un conjunto reconocible de prácticas.
La medición se diseña en el caso de uso desde el inicio en lugar de añadirse después. La tesis, las métricas, la línea base, el marco de evaluación, la telemetría operativa y la cadencia de informes son parte del diseño del caso de uso en lugar de ajustarse después de que el caso de uso esté en producción. La disciplina evita la falla común de intentar medir un caso de uso que nunca fue diseñado para ser medido.
Se establecen líneas base antes del lanzamiento del caso de uso. La imagen de lo que ocurría antes de la IA se captura deliberadamente, con el volumen, el tiempo, el costo, la calidad y la experiencia del cliente medidos según el mismo marco con el que se medirá el caso de uso. La línea base permite la comparación que muestra el efecto real de la IA en lugar de la apariencia de un efecto.
La atribución se maneja explícitamente en lugar de asumirse. La conexión entre la IA y los resultados se establece mediante la combinación apropiada de comparación controlada, análisis estadístico y comprensión cualitativa en lugar de asumir que cualquier resultado cercano se debe a la IA. El trabajo de atribución es la diferencia entre una medición creíble y la narrativa que el equipo directivo eventualmente detecta como falsa.
El marco de evaluación se construye como un artefacto vivo. Los conjuntos de pruebas, los patrones de evaluación humana, el muestreo en producción y los informes sobre las tendencias de calidad se mantienen como parte del modelo operativo en lugar de ser creaciones de una sola vez. La disciplina mantiene la imagen de calidad actualizada a medida que los casos de uso evolucionan y los modelos subyacentes cambian.
La cadencia de los informes se ajusta a la audiencia y al ritmo de toma de decisiones. Las métricas operativas se informan con la cadencia que necesita el equipo de operaciones, las métricas del caso de uso con la cadencia que necesitan los responsables del caso de uso, las métricas del programa con la cadencia que necesita la dirección del programa y las métricas de resultados del negocio con la cadencia que necesita el comité ejecutivo y la junta. La cadencia adecuada en cada nivel mantiene la medición accionable en lugar de abrumadora.
Los informes se diseñan para la decisión en lugar de para el tablero. El formato, el nivel de detalle, las comparaciones y el comentario que los acompaña se diseñan en función de las decisiones que la audiencia debe tomar. La disciplina evita la modalidad de falla de producir paneles que la audiencia desplaza sin leer en su camino hacia su trabajo real.
La medición es honesta sobre los límites de lo que se puede conocer. Se distinguen las categorías donde la atribución es sólida de las categorías donde la atribución es aproximada, las categorías donde los datos respaldan una conclusión fuerte de aquellas donde los datos son débiles, y los límites se muestran a la audiencia en lugar de ocultarse detrás de números que parecen precisos. La honestidad es lo que sostiene la confianza en la medición a lo largo del tiempo.
La medición se revisa y ajusta a medida que el programa evoluciona. Las métricas que importaban al inicio del programa pueden no ser las métricas correctas a medida que el programa madura, la audiencia de los informes cambia con la escala del programa y el marco se revisa con una cadencia definida en lugar de tratarse como definitivo. La disciplina mantiene la medición alineada con las preguntas reales que hace la dirección en lugar de con las preguntas que hacía años atrás.
Los patrones que han funcionado y los patrones que han fracasado
Las empresas cuya medición de IA funciona bien en 2026 comparten un conjunto de patrones que vale la pena nombrar. Construyeron el marco de medición como un diseño deliberado en lugar de como un subproducto de las herramientas. Vincularon la medición a los resultados del negocio en lugar de dejarla en la capa operativa. Establecieron líneas base y manejaron la atribución explícitamente. Construyeron el marco de evaluación como un artefacto vivo. Ajustaron la cadencia de los informes al ritmo de decisión en cada nivel. Fueron honestas sobre los límites de lo que la medición podía conocer. Y revisaron el marco a medida que el programa evolucionó en lugar de tratar las métricas originales como definitivas.
Las empresas cuya medición no produjo la imagen que el equipo directivo necesitaba hicieron un conjunto reconocible de cosas. Informaron sobre las métricas que eran fáciles de producir en lugar de las métricas que importaban, con los recuentos de usuarios y los volúmenes de inferencia dejando al equipo directivo sin una mejor información sobre si el programa tenía éxito. Omitieron el trabajo de la línea base y luego no pudieron decir qué había cambiado realmente la IA. Asumieron la atribución en lugar de establecerla, y la narrativa resultante perdió credibilidad con el tiempo. Crearon paneles que nadie usó e informes que nadie leyó. Dejaron la medición de la calidad como una ocurrencia tardía y se sorprendieron por los incidentes que revelaron la brecha. Y trataron el marco como una creación de una sola vez en lugar de un artefacto vivo, con la medición desviándose del programa con el tiempo.
La postura práctica que funciona
Las empresas que obtienen mediciones útiles de sus programas de IA comparten una postura reconocible, y la postura es lo que hace que el marco de medición realmente sirva al equipo directivo en lugar de producir solo informes.
La postura comienza con el reconocimiento de que la medición es una preocupación de primera clase en el diseño del programa en lugar de una ocurrencia posterior. El diseño del caso de uso, la arquitectura técnica, el modelo operativo y el marco de informes se diseñan conjuntamente con la medición en mente, y el programa invierte en el trabajo de medición como parte del costo del programa en lugar de una adición opcional.
La postura trata la capa de resultados del negocio como el ancla del marco. Las métricas operativas, las métricas del caso de uso, las métricas de adopción y las métricas de calidad se diseñan para respaldar la imagen de resultados del negocio en lugar de existir por sí solas, y la conexión entre las capas es explícita en los informes en lugar de dejarse al lector que la infiera.
La postura invierte en el trabajo de atribución que conecta la IA con los resultados. Las líneas base, las comparaciones controladas cuando son factibles, el análisis estadístico y el trabajo cualitativo que respalda la afirmación de atribución son parte del modelo operativo. La inversión es lo que da a la medición la credibilidad que necesita el equipo directivo.
La postura informa honestamente al equipo directivo sobre la imagen tal como es en realidad. Las categorías donde el programa tiene éxito se informan junto a las categorías donde no lo tiene, se ponen de manifiesto los límites de lo que la medición puede conocer y se aclaran las decisiones que la imagen respalda. La honestidad es lo que sostiene la confianza que el programa necesita para seguir operando a escala.
La postura trata el marco de medición como un artefacto vivo que evoluciona con el programa. Las métricas, la cadencia, la audiencia, el formato y la metodología subyacente se revisan y revisan a medida que el programa madura, y el marco se mantiene alineado con las preguntas que la dirección realmente hace en lugar de con las preguntas de años pasados.
La respuesta honesta a la pregunta del titular
¿Entonces cómo se mide el éxito continuo de sus iniciativas de IA? La respuesta honesta es que se mide en varias capas, se conectan las capas entre sí, se diseña la medición en el programa desde el inicio y se trata el marco como un artefacto vivo que evoluciona con el programa. La capa de resultados empresariales es el ancla, la capa de resultados por caso de uso conecta el programa con la responsabilidad específica, la capa de adopción y uso muestra si se está llegando a la audiencia, la capa de calidad y confiabilidad muestra si se puede confiar en los resultados, la capa de salud operacional muestra si los sistemas están funcionando bien y la capa de salud del programa muestra si el programa se está convirtiendo en un motor sostenible de valor.
Las empresas que se toman el trabajo en serio pueden producir mediciones que le dan al equipo directivo una imagen real del programa y apoyan las decisiones que la dirección debe tomar. Las empresas que confían en los paneles que generan las herramientas terminan con telemetría operativa que no responde a las preguntas que hace la dirección, y el programa eventualmente pierde la confianza que necesita para seguir funcionando. La diferencia es la disciplina de diseñar la medición deliberadamente en lugar de esperar que surja por sí sola.
Cómo aborda ProvenROI la cuestión de la medición con los clientes
El enfoque de ProvenROI sobre la cuestión de la medición comienza con la conversación que nombra los resultados empresariales que el programa debe producir, los casos de uso que se conectan a esos resultados, las audiencias a las que el programa debe llegar, los requisitos de calidad y confiabilidad que llevan los casos de uso, la imagen operacional que los sistemas deben soportar y la imagen de salud del programa que el equipo directivo necesita ver. El resultado es un marco de medición específico para el programa y la empresa en lugar de una plantilla genérica.
El diseño del caso de uso incluye el diseño de la medición desde el principio. La tesis, las métricas, la línea base, el marco de evaluación, la telemetría operacional y la cadencia de informes son parte del diseño del caso de uso en lugar de añadidos posteriores. La disciplina es lo que permite que la medición sea fiable en lugar de improvisada.
El trabajo de atribución se maneja de forma explícita. La conexión entre la IA y los resultados se establece mediante la combinación adecuada de líneas base, comparaciones controladas cuando es factible, análisis estadístico y trabajo cualitativo. La inversión en atribución es lo que le da a la medición la credibilidad que la dirección necesita para confiar en la imagen.
La cadencia de informes se ajusta a la audiencia y al ritmo de las decisiones. El equipo de operaciones recibe la imagen operacional con la cadencia que necesita, los responsables de los casos de uso reciben la imagen del caso de uso, la dirección del programa recibe la imagen del programa y el comité ejecutivo y la junta reciben la imagen de los resultados empresariales. La disciplina mantiene la medición accionable en cada nivel.
El marco se revisa y ajusta a medida que el programa evoluciona. Las métricas que importaban al principio pueden no ser las métricas adecuadas a medida que el programa madura, y el marco se revisa con una cadencia definida en lugar de tratarse como definitivo. La disciplina mantiene la medición alineada con las preguntas que la dirección realmente está haciendo.
La cuestión de la medición no es una pregunta con una única respuesta correcta que se aplique a todos los programas. Es una pregunta con una respuesta específica para cada programa que se toma el tiempo de diseñar el marco deliberadamente. ProvenROI ayuda a los clientes a llegar a ese marco y a construir la práctica de medición que produce una imagen real del programa. Esa es la imagen sobre la que un equipo directivo puede actuar en lugar del panel que llena la pantalla y no responde a ninguna de las preguntas que importan.