---
asset_id: WOI-EL-EmpowerScan-ModeloRecalibrado-v01
type: WOI — Work In Progress (recalibración de modelo, pendiente de validación)
version: v01
status: Borrador para validación de Victor
owner: Victor Heredia
sherpa_owner: Jay
fecha_creacion: 2026-06-05
intellbank: IB-EL-EmpowerLabs
banco: PB-DEMANDGEN-EmpowerLabs
fuente: XP-EL-EmpowerScan-RecalibracionModeloIA-v01
proposito: Recalibración del modelo matemático de costos ocultos + desempeños no generados en la era IA. Marco conceptual, tabla de factores, sección de white paper y supuestos explícitos.
verificacion: Evidencia 2025-2026 verificada adversarialmente (EY, McKinsey, Goldman Sachs, HBS-BCG, Brynjolfsson NBER, Berkeley CMR) el 2026-06-05.
---

# EmpowerScan — Modelo Recalibrado de Costos Ocultos + Desempeños No Generados en la Era IA

> Entregable de la sesión de análisis profundo activada con `XP-EL-EmpowerScan-RecalibracionModeloIA-v01`.
> Contiene los cinco deliverables de la sección VI del XP: (1) marco conceptual revisado, (2) tabla de factores recalibrados, (3) referencia al código actualizado, (4) sección para el white paper, (5) supuestos explícitos.

---

## 0. Verificación adversarial de la evidencia (qué resistió el escrutinio)

Antes de tocar la matemática, se verificaron las cifras del XP contra la fuente primaria y se buscó contraevidencia. Resultado:

| Afirmación del XP | Verificada | Corrección / matiz |
|---|---|---|
| EY: 40% de ganancias de productividad sin capturar | ✅ Sí | EY reporta "hasta 40%" global; en algunos mercados (Singapur) "hasta 55%". 88% usa IA / 5% avanzado / 81h entrenamiento → +14h/sem. Confirmado. |
| HBS-BCG: +25% velocidad, +40% calidad, +12% completación | ✅ Sí | Cifras exactas: 25.1% más rápido, 40%+ calidad, 12.2% más tareas. **Ya peer-reviewed** en *Organization Science* (marzo 2026). |
| Brynjolfsson NBER: +14% promedio, +34% novatos | ✅ Sí | 5,179 agentes. Impacto mínimo en expertos; transfiere prácticas de expertos a novatos. Confirmado. |
| McKinsey: $4.4T anuales | ⚠️ Parcial | Es un **rango: $2.6T–$4.4T** de utilidades corporativas potenciales (no realizadas). 1% de líderes "maduros". Top: banca, high-tech, life sciences. Usar el rango, no el techo. |
| Goldman: 2025 "basically zero", inflexión 2027 | ✅ Sí | IA aportó ~0.2pp de los 2.2% de crecimiento GDP 2025. Largo plazo: +1.5pp/año de productividad **con adopción amplia a 10 años**. Inflexión medible 2027. |
| Berkeley: sin relación robusta macro; colaboración humano-IA frecuentemente underperforms | ✅ Sí | Confirmado. Ganancias altamente dependientes de contexto/habilidad/tarea. 35% de lift en el cuartil bajo del call center, casi nulo en veteranos. |

**Tres implicaciones que cambian el modelo:**

1. **El nulo macro es real.** A nivel economía, la IA aún no mueve la aguja (Goldman 2025 ≈ cero; Berkeley sin relación robusta). Esto NO contradice el diferencial micro/firma —lo contextualiza—. El modelo debe medir la brecha **a nivel firma en sectores cognitivos**, donde el diferencial sí existe, y ser explícito en que el efecto agregado aún no es visible. Esto es exactamente el Solow Paradox: ganancias micro sin señal macro… todavía.

2. **"Adopción avanzada" = rediseño, no herramientas.** Berkeley muestra que la colaboración humano-IA frecuentemente rinde *menos* que el mejor agente solo. El diferencial de 3-5X no viene de comprar licencias de IA; viene del rediseño organizacional (Brynjolfsson & Hitt: TI + rediseño = 3-5X vs. solo tecnología). El factor "IA avanzada" del modelo debe significar el modelo WORX/DOIX, no Copilot instalado.

3. **Riesgo de doble conteo con Savall.** El componente 5 de Savall ("no-creación de potencial") YA es desempeño no generado. Los factores ISEOR (rango 50-500% de nómina, 2,150 orgs, 50 años) fueron calibrados **antes de la IA** y ya capturan el potencial no explotado "normal" de una organización disfuncional vs. una bien gestionada. Por tanto, el nuevo componente IA debe medir **únicamente el incremento de desempeño no generado atribuible al salto de frontera de la IA** (exógeno, posterior a 2023). Sumar el desempeño no generado "total" sobre los factores Savall infla el número y un CFO lo detecta de inmediato.

---

## 1. Marco conceptual revisado (Deliverable 1)

El modelo viejo colapsaba todo en un solo factor IA (`+50% / +25% / 0 / −30%`) aplicado sobre el costo oculto base. Es estático, no varía por industria, no tiene dimensión temporal, y mezcla dos fenómenos distintos. El modelo nuevo separa **tres componentes**:

### Componente A — Costos Ocultos Savall (lo que se desperdicia hoy)

El costo de fricción clásico. Existe con o sin IA; es la disfunción operativa que Savall midió en 2,150 organizaciones.

```
CO = Nómina_cognitiva × f_adm(industria) + Nómina_operativa × f_op(industria)
```

donde:
- `Nómina_cognitiva = N × c × annSal`  (c = % de trabajo cognitivo/administrativo)
- `Nómina_operativa = N × (1−c) × annSal`
- `annSal = salario_mensual × 12 × (1 + carga_social)`
- `f_adm`, `f_op` = factores ISEOR por industria (sin cambio — bien calibrados)

La IA avanzada **reduce** este costo (recupera fricción): menos retrabajo, menos sobretiempos, transferencia de mejores prácticas (Brynjolfsson). Se modela con un factor de recuperación `r(nivel_IA)`:

```
CO_neto = CO × (1 − r(nivel_IA))
```

`r` es conservador (máx. 25%): BCG documenta ~5 h/semana ahorradas (≈12-13% del tiempo); la Fed, 5.4% de horas. Se topa en 25% porque parte del ahorro se reinvierte, no se "recupera" como costo eliminado.

### Componente B — Desempeños No Generados por brecha IA (el componente grande y nuevo)

No es lo que se pierde; es la **diferencia entre lo que la organización produce y lo que produciría operando en la frontera de IA de su competidor avanzado** — y *solo* la porción atribuible al salto de la IA (para no duplicar Savall).

```
DNG = Nómina_cognitiva × D(industria, año) × [1 − captura(nivel_IA)]
```

donde:
- `D(industria, año)` = **diferencial de frontera** disponible sobre el trabajo cognitivo. Es la productividad cognitiva incremental que la IA hace posible, anclada en EY (40% en sectores cognitivos) y HBS-BCG (25-40% individual). Crece con el tiempo (ver Componente C).
- `captura(nivel_IA)` = fracción de esa frontera que la organización SÍ está capturando dado su nivel de adopción. La porción **no capturada** `[1 − captura]` es el desempeño no generado.

El diferencial se aplica **solo a la nómina cognitiva** porque ahí es donde la IA mueve la aguja (HBS-BCG, Brynjolfsson, McKinsey: customer ops, marketing, software, R&D). El trabajo manual/operativo se ve poco afectado.

### Componente C — Factor compuesto temporal (por qué la brecha crece)

La brecha no es estática: el competidor avanzado **acumula capacidad** (efecto IntelliBank — el conocimiento organizacional compuesto) mientras el no-adoptante se estanca. La frontera de IA, además, avanza sola.

```
D(industria, año) = d_base(industria) × T(año)
```

`T(año)` es el multiplicador temporal, calibrado por convergencia de fuentes (Goldman inflexión 2027; IA adopta 3-5X más rápido que internet; ruptura del paradox 2027-2029):

| Año | T(año) | Lógica |
|---|---|---|
| 2026 (año 1) | 1.0 | Diferencial base, conservador (ancla EY 40%) |
| 2027 (año 2) | 1.6 | Año de inflexión Goldman; el gap empieza a acelerar |
| 2028 (año 3) | 2.5 | Frontera + IntelliBank compuesto; ruptura del paradox |

### Síntesis del modelo

```
EXPOSICIÓN_TOTAL(año, nivel_IA) = CO_neto + DNG
                                = CO × (1 − r) + Nómina_cog × d_base × T(año) × (1 − captura)
```

El **premio de la acción** (lo que se gana al moverse a IA avanzada) es la diferencia entre la exposición "sin adopción" y la exposición "IA avanzada" en un año dado:

```
PREMIO = EXPOSICIÓN(sin IA) − EXPOSICIÓN(IA avanzada)
```

---

## 2. Tabla de factores recalibrados (Deliverable 2)

### 2.1 Factores Savall por industria (SIN CAMBIO — bien calibrados)

| Industria | f_op (operativo) | f_adm (cognitivo) |
|---|---|---|
| Manufactura / Industrial | 0.20 | 0.55 |
| Comercial / Retail | 0.40 | 0.85 |
| Hospitalidad / Servicios | 0.60 | 1.20 |
| Servicios Profesionales | 0.95 | 1.90 |
| Financiero / SaaS / Cognitivo | 1.20 | 3.00 |

### 2.2 Diferencial de frontera base `d_base` por industria (NUEVO)

Fracción de la nómina cognitiva que representa el desempeño cognitivo incremental que la IA hace posible en el año 1 (2026), antes del efecto temporal. Anclado en EY (40% para sectores cognitivos) y escalado por intensidad cognitiva del sector.

| Industria | d_base | Base de evidencia |
|---|---|---|
| Manufactura / Industrial | 0.08 | Bajo % cognitivo; IA impacta poco el piso de planta. |
| Comercial / Retail | 0.15 | Marketing/customer ops parcialmente expuestos (McKinsey). |
| Hospitalidad / Servicios | 0.18 | Servicio + back-office expuestos moderadamente. |
| Servicios Profesionales | 0.30 | HBS-BCG: 25-40% en tareas de consultoría reales. |
| Financiero / SaaS / Cognitivo | 0.40 | EY 40%; McKinsey top-3 (banca/high-tech); Goldman +30% en análisis de datos. |

### 2.3 Multiplicador temporal `T(año)` (NUEVO)

| Año de proyección | T(año) |
|---|---|
| 2026 | 1.0 |
| 2027 | 1.6 |
| 2028 | 2.5 |

### 2.4 Captura y recuperación por nivel de adopción IA (RECALIBRADO)

Reemplaza los factores estáticos `+50% / +25% / 0 / −30%`.

| Nivel de adopción IA | `captura` (fracción de frontera capturada) | DNG = `1 − captura` | `r` (recuperación de fricción Savall) | Base de evidencia |
|---|---|---|---|---|
| Sin adopción | 0.00 | 100% del diferencial no generado | 0.00 | Fuera de la curva. |
| IA básica (herramientas individuales) | 0.20 | 80% no generado | 0.05 | EY: 88% usa IA pero solo búsqueda/resumen; captura mínima. |
| IA intermedia (algunos workflows) | 0.50 | 50% no generado | 0.15 | Workflows parciales; captura media. |
| IA distribuida avanzada (rediseño WORX/DOIX) | 1.00 | 0% no generado + ventaja | 0.25 | EY 5% avanzado + Brynjolfsson&Hitt 3-5X con rediseño. |

> **Nota crítica de honestidad:** "IA avanzada" en esta tabla NO significa licencias de Copilot instaladas. Significa rediseño organizacional (el modelo WORX/DOIX). Berkeley demuestra que la colaboración humano-IA *sin rediseño* frecuentemente rinde menos que el mejor agente solo. El 3-5X es el premio del rediseño, no de la herramienta.

### 2.5 Rango defensible del diferencial compuesto (el "10X" de Victor, disciplinado)

| Escenario | Diferencial | Soporte de evidencia | Uso recomendado |
|---|---|---|---|
| Conservador | **40%** de desempeño cognitivo no generado (año 1) | EY directo | Número de apertura — el más defendible |
| Medio (2027-2028) | **3-5X** compuesto adoptante avanzado vs. no-adoptante en sectores cognitivos | Brynjolfsson&Hitt (TI+rediseño) + analogía internet | Proyección a 24-36 meses |
| Transformacional (2029-2030) | **8-10X** | Solo con rediseño organizacional completo (WORX/DOIX) | **Techo, no promedio.** Etiquetar siempre como límite superior |

El "10X" es real pero es el **límite superior con rediseño completo**, no el promedio de mercado. Goldman es explícito: 2025 macro ≈ cero. Presentar 10X como promedio destruye la credibilidad ante un CFO; presentarlo como techo del rediseño lo hace aspiracional y honesto.

---

## 3. Calculadora recalibrada (Deliverable 3)

El código HTML completo está en el archivo separado:
**`WOI-EL-EmpowerScan-Calculadora-v02.html`** (mismo banco).

Cambios vs. v01:
- Mantiene UX y factores de industria Savall (sección 2.1).
- Reemplaza el factor IA estático por el modelo de captura/DNG (sección 2.4).
- **Slider temporal 2026 / 2027 / 2028** que muestra cómo crece la brecha.
- Separación visual de los dos componentes: Costos Ocultos Savall (oro) vs. Desempeños No Generados IA (rojo).
- **Panel comparativo "Con IA avanzada vs. Sin IA"** que muestra el premio anual de la acción.

---

## 4. Sección para el white paper (Deliverable 4)

> Para insertar en `WP-BVH-EmpowerScan-CostosOcultos-EraIA-v02`, como sección "El modelo de cuantificación". 480 palabras.

### El modelo de cuantificación

EmpowerScan cuantifica dos magnitudes distintas que la mayoría de los diagnósticos confunden. La primera son los **costos ocultos** en el sentido de Henri Savall: la fricción que toda organización paga hoy —sobresalarios, sobretiempos, sobreconsumos, no-producción y riesgos incubados— y que, medida a lo largo de cincuenta años en más de 2,150 organizaciones, oscila entre el 50% y el 500% de la masa salarial anual. Estos costos existen con o sin inteligencia artificial. EmpowerScan los estima aplicando factores por industria, validados por el ISEOR, sobre la nómina cargada, distinguiendo entre trabajo cognitivo y operativo porque la fricción se concentra donde el juicio humano es más denso.

La segunda magnitud es nueva y es la que la era de la IA vuelve decisiva: los **desempeños no generados por brecha competitiva**. No es lo que la organización desperdicia, sino la diferencia entre lo que produce y lo que produciría operando en la frontera de productividad que la IA ya hizo posible para su competidor. Es deliberadamente conservador: mide únicamente el incremento atribuible al salto de la IA posterior a 2023, no el potencial no explotado general que los factores de Savall ya capturan. Evitar ese doble conteo es lo que separa un número defendible de uno inflado.

La evidencia que ancla esta segunda magnitud es robusta a nivel de firma y tarea. El estudio de Harvard Business School y BCG, publicado en *Organization Science*, documenta que los profesionales que usan IA completan tareas un 25% más rápido con 40% más de calidad. El estudio de Brynjolfsson y colegas, sobre más de 5,000 agentes reales, muestra ganancias del 14% en promedio y del 34% en los trabajadores de menor desempeño. La encuesta global de EY a 15,000 empleados concluye que las organizaciones con fundamentos débiles dejan sin capturar hasta el 40% de las ganancias de productividad disponibles.

Somos igualmente explícitos sobre los límites. A nivel macroeconómico, la IA todavía no mueve la aguja: Goldman Sachs estima que en 2025 su contribución al PIB fue "esencialmente cero" y proyecta el punto de inflexión para 2027. Es el mismo patrón que el internet entre 1990 y 1995 —ganancias individuales invisibles en las cifras agregadas— antes del auge de productividad que siguió. Por eso EmpowerScan modela la brecha como una magnitud que **crece en el tiempo**: el competidor que adopta acumula capacidad mientras el que no adopta se estanca. La brecha de 2026 es modesta; la de 2028, según la convergencia de Goldman, el WEF y Gartner, es difícil de cerrar.

El diferencial que reportamos depende de la posición de la organización. El caso conservador es un 40% de desempeño cognitivo no generado. El caso medio, a 24-36 meses, es un diferencial compuesto de 3 a 5 veces entre adoptantes avanzados y no-adoptantes en sectores cognitivos. El techo de 8 a 10 veces existe, pero solo para organizaciones que rediseñan su operación por completo —no es el promedio del mercado, y nunca lo presentamos como tal.

---

## 5. Supuestos explícitos (Deliverable 5)

### Qué asume el modelo
1. **El diferencial de IA se concentra en el trabajo cognitivo.** Se aplica solo a la nómina cognitiva (`c`), no a la operativa. Justificado por HBS-BCG, Brynjolfsson, McKinsey.
2. **El diferencial individual es proxy del organizacional, pero solo con rediseño.** Los 25-40% individuales se traducen a 3-5X organizacional únicamente vía rediseño (Brynjolfsson & Hitt). Sin rediseño, el efecto se diluye o se vuelve negativo (Berkeley).
3. **La brecha compone en el tiempo.** `T(año)` asume que el competidor avanzado acumula capacidad y la frontera avanza. Calibrado a la inflexión Goldman 2027 y a la velocidad de adopción 3-5X vs. internet.
4. **Los factores Savall pre-IA siguen vigentes.** Se asume que la fricción operativa clásica no desaparece por la IA (solo se reduce parcialmente, vía `r`).
5. **"IA avanzada" = rediseño organizacional**, no adopción de herramientas.

### Qué NO asume el modelo
1. **No asume impacto macroeconómico.** El modelo es a nivel firma en sectores cognitivos. Es consistente con que la IA aporte "cero" al PIB agregado en 2025-2026.
2. **No asume que 10X sea el promedio.** 10X es techo con rediseño completo, etiquetado como tal.
3. **No asume que la colaboración humano-IA siempre mejora el desempeño.** Berkeley muestra que sin rediseño puede empeorarlo; por eso la captura plena requiere nivel "avanzado".
4. **No asume linealidad infinita.** `T(año)` se proyecta hasta 2028; más allá, la incertidumbre crece y el modelo no extrapola.
5. **No asume que el diferencial de un sector aplica a otro.** `d_base` varía 5X entre manufactura (0.08) y financiero (0.40).

### Dónde está el límite de certeza
- **Alta certeza:** los costos ocultos Savall (50 años, 2,150 orgs) y el diferencial *individual* de IA (peer-reviewed, RCTs).
- **Certeza media:** la traducción individual→organizacional (3-5X) — fuerte por analogía internet, pero la evidencia organizacional directa para IA aún se está acumulando (Goldman: datos reales empiezan en 2027).
- **Baja certeza / aspiracional:** el techo 8-10X y la proyección 2028. Defendibles como escenario, no como promesa.

---

## 6. Preguntas del XP — respuestas directas

1. **¿Cómo modelar los desempeños no generados?** Como `Nómina_cognitiva × diferencial_frontera × (1 − captura)`, aplicado solo al trabajo cognitivo y midiendo únicamente el incremento atribuible a la IA (no el potencial Savall).
2. **¿El diferencial individual sirve como proxy organizacional?** Solo con un multiplicador por rediseño. Individual 25-40% → organizacional 3-5X *vía rediseño*; sin rediseño no hay multiplicador (puede ser negativo — Berkeley).
3. **¿Cómo capturar el efecto compuesto temporal?** Con `T(año)`: 1.0 / 1.6 / 2.5 para 2026/27/28. Simple, multiplicativo, anclado a la inflexión Goldman.
4. **¿Fórmula del 10X y sus supuestos?** 10X = `d_base × T(2028+) × multiplicador de rediseño completo`. Requiere: sector cognitivo + rediseño WORX/DOIX completo + competidor maduro. Es techo, no promedio.
5. **¿Cómo presentarlo para un CFO escéptico?** Tres movimientos: (a) separar Savall de IA para evitar doble conteo; (b) abrir con 40% (EY, el número más sólido); (c) reconocer explícitamente el nulo macro de Goldman antes de que el CFO lo invoque. La honestidad sobre los límites es lo que hace creíble el número audaz.

---

## 7. Refinamiento — segmentación de la capa cognitiva en 3 estratos (v03)

> Añadido el 2026-06-05 a petición de Victor. El trabajo "cognitivo" no es homogéneo: tres estratos tienen relaciones **opuestas** con la IA. Tratarlos como uno solo oculta la tesis central. Implementado en `WOI-EL-EmpowerScan-Calculadora-v03.html`.

### 7.1 La tesis: tres estratos, tres destinos

| Estrato | Qué le pasa con la IA | Naturaleza de la exposición |
|---|---|---|
| **Administrativos** (clerical, back-office, captura de datos) | **Sustituidos** por automatización | Costo automatizable que el no-adoptante sigue pagando |
| **Mandos medios / coordinadores** | **Sustituidos** en la era agéntica (the great flattening) | Capa de coordinación redundante |
| **Cognitivos de alto valor** (juicio, criterio, relaciones) | **Amplificados** — *si se vuelven AI-natives* | Desempeño de alto valor no generado |

Los dos primeros estratos son **costo a eliminar**; el tercero es **valor a multiplicar**. Un diagnóstico que no los separa le dice al cliente "adopta IA" sin decirle *dónde recorta* y *dónde invierte* — que es justo la decisión estratégica.

### 7.2 Evidencia por estrato (verificada 2026-06-05)

**Administrativos — sustitución por automatización:**
- 95% de riesgo de automatización para captura manual de datos; ~7.5M empleos administrativos/captura eliminables para 2027.
- 80% de roles de servicio al cliente automatizables.
- McKinsey: ~60% de actividades automatizables, pero solo 25% costo-efectivas en 5 años (de ahí un factor base por debajo del 95% técnico).
- Pico de desplazamiento: 2026-2028.

**Mandos medios — sustitución agéntica ("the great flattening"):**
- Gartner: hasta 2026, 20% de organizaciones usarán IA para aplanar estructura, eliminando **más del 50%** de los mandos medios actuales.
- Revelio Labs: -40% en vacantes de mandos medios desde 2022. Headcount de gerentes en empresas públicas: -6.1% (mayo 2022 → mayo 2025).
- McKinsey: una "agent factory" con 50-100 agentes puede ser gestionada por 2-3 personas.

**Cognitivos de alto valor — amplificación condicional:**
- PwC AI Jobs Barometer 2025: **+56% de prima salarial** para habilidades avanzadas de IA (el doble del 25% del año anterior). Productividad **cuadruplicada** en sectores expuestos (7% → 27%).
- Dallas Fed (2026): la IA **aumenta** a los trabajadores experimentados con conocimiento tácito mientras **sustituye** a los de nivel de entrada.
- EY 40% / HBS-BCG 25-40% como piso. La amplificación es **condicional**: solo se realiza si el estrato se vuelve AI-native (= adopción avanzada).

### 7.3 Modelo de 3 estratos

La nómina cognitiva (lo que antes era un solo `c`) se divide en tres buckets: `adm`, `mid`, `hv`. El estrato operativo (`op`) permanece. Los cuatro se normalizan a 100%.

**Savall (base, sin cambio):** los tres estratos cognitivos usan `f_adm`; el operativo usa `f_op`.

```
CO = (Nóm_adm + Nóm_mid + Nóm_hv) × f_adm + Nóm_op × f_op
CO_neto = CO × (1 − r(nivel))
```

**Exposición IA (reemplaza el DNG único por tres componentes):**

```
Exp_adm = Nóm_adm × min(A_adm × T, 0.95) × (1 − captura)     ← costo automatizable retenido
Exp_mid = Nóm_mid × min(A_mid × T, 0.90) × (1 − captura)     ← capa de coordinación redundante
Exp_hv  = Nóm_hv  × A_hv(industria) × T × (1 − captura)      ← desempeño de alto valor no generado

Exposición_IA = Exp_adm + Exp_mid + Exp_hv
EXPOSICIÓN_TOTAL = CO_neto + Exposición_IA
```

Los estratos sustituibles (adm, mid) tienen **tope** (no se puede automatizar más del 95%/90% de lo que se paga). El estrato de alto valor **no tiene tope** porque el desempeño no generado puede exceder el salario (PwC: productividad 4X) — aunque en la práctica se mantiene ≤ ~1.4× con los factores actuales.

### 7.4 Factores por estrato (NUEVOS)

| Factor | Valor | Tope | Ancla de evidencia |
|---|---|---|---|
| `A_adm` (automatización admin) | 0.60 | 0.95 | 95% técnico × 25% costo-efectivo McKinsey ≈ realista 0.60 |
| `A_mid` (sustitución mandos medios) | 0.45 | 0.90 | Gartner 50%+ en 20% orgs + Revelio -40% + McKinsey 60% activ. |

**`A_hv` (amplificación alto valor) — escala por industria** (sin tope; crece con `T`):

| Industria | `A_hv` | Lógica |
|---|---|---|
| Manufactura | 0.20 | Pocos roles de alto valor cognitivo expuestos |
| Comercial / Retail | 0.30 | Marketing/estrategia parcialmente expuestos |
| Hospitalidad / Servicios | 0.30 | Dirección y diseño de experiencia |
| Servicios Profesionales | 0.45 | HBS-BCG 25-40% en consultoría |
| Financiero / SaaS / Cognitivo | 0.55 | PwC 56% prima; sector top McKinsey/WEF |

`captura` (0/0.20/0.50/1.00) y `r` (0/0.05/0.15/0.25) por nivel de adopción, y `T` (1.0/1.6/2.5) por año, **sin cambio** respecto a v02. Para el alto valor, `captura = 1.0` (adopción avanzada) equivale a "se volvieron AI-native".

### 7.5 Lectura estratégica que habilita el modelo

El diagnóstico ahora produce tres mensajes distintos en una sola pantalla:
- **Administrativos y mandos medios:** "esta exposición es costo — la IA la elimina; la pregunta es el rediseño, no si recortar."
- **Cognitivos de alto valor:** "esta exposición es valor no generado — la IA lo multiplica *si* los conviertes en AI-natives; aquí inviertes, no recortas."

Esto convierte a EmpowerScan de una calculadora de "cuánto desperdicias" en un mapa de **dónde la IA recorta vs. dónde amplifica** — la conversación de board que el CEO necesita tener.

---

## 8. Supuestos adicionales del modelo de 3 estratos

1. **La automatización de administrativos es agnóstica al sector** (un clerk es un clerk); por eso `A_adm` y `A_mid` son globales, mientras `A_hv` escala por industria.
2. **La amplificación del alto valor es condicional a AI-native.** Si el estrato no se vuelve AI-native, el valor no solo no se genera — el estrato puede volverse pasivo (riesgo de fuga de talento). El modelo solo cuantifica el valor no generado, no el riesgo de fuga (más difícil de defender numéricamente).
3. **Los topes evitan el absurdo de "automatizar más del 100%".** Sin el tope, `A_adm × T(2028) = 1.5` implicaría eliminar 150% de la nómina administrativa — imposible.
4. **La asignación de empleados a estratos la hace el cliente.** El modelo no infiere los porcentajes; los toma como input del equipo directivo en la sesión. Esto es una fortaleza (apropiación) y un límite (subjetividad).

---

## 9. Anclaje empírico — desempeño no generado observable (v04)

> Añadido el 2026-06-06 a petición de Victor. Implementado en `WOI-EL-EmpowerScan-Calculadora-v04.html`.

### 9.1 El problema que resuelve

Los componentes A, B y C estiman el desempeño no generado por **factores** (coeficientes anclados en evidencia de mercado). Es defendible, pero abstracto. La mayoría de las organizaciones ya tienen un gap **observable y medible con sus propios números** —ocupación real vs. estándar de su categoría, clientes atendidos vs. capacidad instalada, revenue actual vs. potencial—. Ese gap concreto es lo que un CFO cree sin discusión, porque sale de su propio tablero.

### 9.2 La fórmula

```
Gap_ingreso = (modo %)      Ingreso_actual × (benchmark − actual) / actual
            = (modo capacidad)  (capacidad − atendido) × ingreso_por_unidad

Valor_gap   = Gap_ingreso × margen_contribución

DNG_observable(año, nivel) = Valor_gap × %_atribuible × T(año) × (1 − captura(nivel))
```

Dos parámetros nuevos protegen la honestidad del número:
- **Margen de contribución** — convierte el ingreso no generado en valor real para el negocio (no se reclama el top-line completo).
- **% atribuible** — descuenta la parte del gap que es mercado, estacionalidad o ubicación, no disfunción interna. Es la palanca con la que el modelo NO reclama el 100% del gap.

### 9.3 Lógica de anclaje (decisión de Victor, 2026-06-06)

Cuando el dato observable está activo, **reemplaza** al componente teórico de alto valor (Exp_hv de la sección 7.3), porque ambos miden lo mismo —potencial no explotado— por métodos distintos (empírico vs. estimado). **No se suman**, para no duplicar. Los demás componentes no cambian:

```
Exposición_total (con observable) = CO_neto + Exp_adm + Exp_mid + DNG_observable
Exposición_total (sin observable) = CO_neto + Exp_adm + Exp_mid + Exp_hv   (v03)
```

`Exp_adm` y `Exp_mid` (estratos sustituibles) permanecen: son **costo automatizable** (lado de gasto), conceptualmente distintos del **gap de ingreso** observable. No hay doble conteo entre ellos.

### 9.4 Validación cruzada

En el escenario de consultoría (35 de 100 clientes, ticket USD 50K, margen 65%, atribuible 60%), el `DNG_observable` 2026 da **USD 1.27M** — casi idéntico a la estimación teórica de alto valor del modelo (**USD 1.24M**). Que el ancla empírica caiga sobre el factor teórico es una validación: los coeficientes de la sección 7.4 estaban bien calibrados. Cuando difieran mucho, el observable manda (es el dato real) y la brecha señala que los factores de ese sector necesitan recalibración.

### 9.5 Uso en escenarios

El parámetro habilita modelar "qué pasa si cierro la mitad del gap de ocupación" o "si subo de 35 a 60 clientes" variando los inputs observables y el % atribuible, y leyendo el premio de la acción por año. Es la herramienta de escenarios que pidió Victor.

---

## 10. Costo de rotación de empleados (v05)

> Añadido el 2026-06-06 a petición de Victor. Implementado en `WOI-EL-EmpowerScan-Calculadora-v05.html`. La distinción de Victor: la rotación es **visible como evento** (Savall la lista entre sus cinco síntomas medibles) pero su costo completo **nunca aparece en la contabilidad** — vive en la misma zona ciega que los costos ocultos.

### 10.1 Evidencia (verificada 2026-06-06)

**Costo de reemplazo por salida:**
- SHRM/Gallup: reemplazar a un empleado cuesta **50-200% de su salario anual**; ejecutivos hasta **213%**; técnicos/especializados 100-150%; nivel medio ~60%.
- Componentes: reclutamiento, onboarding, curva de aprendizaje (**1-2 años** para llegar a la productividad del antecesor), pérdida de conocimiento institucional, disrupción de equipo.
- 56% de los gerentes reporta que la pérdida de conocimiento hace el onboarding más difícil; empresas grandes pierden ~USD 47M/año por knowledge sharing ineficiente.

**La palanca IA (doble vía):**
1. **Retención:** Brynjolfsson et al. (ya publicado en *QJE*) — el acceso a IA redujo la deserción **~10 puntos porcentuales** (≈40% relativo) en agentes nuevos. Causal, no correlacional.
2. **Captura de conocimiento:** sistemas de gestión de conocimiento recortan onboarding **50%** (12→6 semanas). El argumento IntelliBank en su forma más pura: *cuando alguien se va, el conocimiento se queda*.

**Tasas de rotación anual de referencia (Mercer/BLS 2025):** manufactura ~28% · retail ~27% · hospitalidad ~50%+ · servicios profesionales ~12% · financiero/seguros ~8-12%.

### 10.2 La fórmula

```
CR por estrato (× salario anual): operativo 0.40 · administrativo 0.60 · mandos 1.00 · alto valor 1.50

Costo_rotación_bruto = Σ_estrato  Nómina_estrato × rotación% × CR_estrato

Costo_rotación_neto  = bruto × (1 − solapamiento_Savall) × (1 − captura × R_ROT)
                                      default 25%                  R_ROT = 0.45
```

- **No compone con el año** (sin `T`): es costo presente, no brecha creciente. Inflarlo con el multiplicador temporal sería deshonesto.
- **`R_ROT = 0.45`** combina conservadoramente las dos vías: −25% de rotación (vs. el −40% de Brynjolfsson en agentes nuevos) y −35% de costo por salida (captura de conocimiento + onboarding más corto). `1 − 0.75×0.65 ≈ 0.51`, topado a 0.45.
- **Solapamiento Savall (slider, default 25%):** los factores ISEOR ya incluyen parte de los costos de regulación de la rotación (sobretiempos de reemplazo, sobresalarios de cobertura). El descuento explícito evita el doble conteo — misma disciplina que las secciones 0.3 y 9.3.

### 10.3 Integración

```
EXPOSICIÓN_TOTAL = CO_neto + Exp_adm + Exp_mid + (Exp_hv | DNG_observable) + Costo_rotación_neto
```

La rotación es aditiva: es costo real del lado de gasto, distinto del gap de ingreso (observable) y del costo automatizable (estratos). Magnitudes verificadas: fintech con 10% de rotación ≈ 8% de nómina (~USD 102K por salida ponderada); hotel con 50% de rotación ≈ **23% de la nómina** (75 salidas/año en 150 empleados) — el caso donde el parámetro cambia la conversación.

### 10.4 La lectura estratégica

La rotación conecta los tres pilares del diagnóstico en una sola línea: es síntoma Savall (el sistema desgasta), es costo no contabilizado (50-200% del salario por salida), y es exactamente lo que el IntelliBank neutraliza (el conocimiento ya no se va con la gente). Para organizaciones de alta rotación (hospitalidad, retail, manufactura), este parámetro puede ser el número más grande de toda la pantalla — y el más fácil de defender, porque la rotación es un dato que el cliente ya conoce.

---

*WOI-EL-EmpowerScan-ModeloRecalibrado-v01 · EmpowerLabs · 2026-06-05*
*Evidencia verificada adversarialmente. Secciones 7-8 (segmentación 3 estratos) añadidas 2026-06-05. Sección 9 (anclaje empírico observable) añadida 2026-06-06. Sección 10 (costo de rotación) añadida 2026-06-06. Borrador para validación de Victor antes de canonizar a TP-.*