Los costes indirectos son donde los modelos de costes hechos por IA se ponen en evidencia. Los costes directos son fáciles, porque más o menos se anuncian solos. El coste indirecto es juicio, y el juicio es precisamente lo que un modelo ensamblado a partir de patrones tiende a fingir de forma convincente. Este es un desmontaje informal de los errores que seguimos viendo, escrito desde la silla de la validación.
Drivers equivocados, elegidos por estar a mano
El fallo más común. Un modelo hecho por IA necesita asignar, digamos, el coste de la garantía de calidad, y se agarra al número de personas o a los ingresos porque esas columnas estaban en los datos y son el valor por defecto convencional. La garantía de calidad no se consume en proporción a los ingresos. La consumen los productos que generan inspecciones, devoluciones y retrabajo, que a menudo son los de bajos ingresos y mucho lío.
El resultado parece ordenado. Cada producto recibe una asignación de calidad, la columna suma bien, nada da error. También apunta en la dirección equivocada, y favorecerá precisamente a los productos que son, en silencio, caros. Una persona que ha costeado una planta de fábrica huele esto al instante. Un detector de patrones no. El modelo no tiene olfato para qué productos dan problemas, solo para qué columnas se correlacionan, y la correlación en un libro mayor de costes es una mala guía para la causalidad. Los ingresos se correlacionan con casi todo, y es precisamente por eso que son un driver por defecto tan tentador y tan peligroso.
Capacidad que desaparece en silencio
El costeo Time-Driven vive y muere de la capacidad. Costeas la capacidad práctica de un recurso, costeas lo que se usa, y la diferencia es el coste de la capacidad no utilizada, que es un hallazgo, no un redondeo. Los modelos hechos por IA asignan rutinariamente el coste total de un recurso a lo que se produjo, lo que entierra en silencio la capacidad ociosa dentro del coste del producto.
El efecto es corrosivo. Los costes unitarios suben en periodos flojos puramente porque el volumen cayó, lo que dice a los gestores que los productos se encarecieron cuando en realidad la fábrica se vació. Vemos esto constantemente. El modelo no se equivoca en la aritmética. Se equivoca en lo que significa la capacidad no utilizada, y esa distinción es la razón entera por la que existe el TDABC. La capacidad no utilizada es una decisión de gestión vestida de número. Te dice si compraste demasiado recurso, o si la demanda cayó, y pertenece delante de las personas que pueden actuar sobre ella, no embadurnada de forma invisible por el coste de cada unidad que se hizo ese mes.
Asignaciones que se niegan a conciliar
Un número sorprendente de modelos hechos por IA no cuadra con el libro mayor y nadie lo comprobó. El coste total asignado debería igualar el coste total real, dentro de una tolerancia que puedas defender. Cuando no iguala, hay fuga: coste contado dos veces, coste dejado fuera, un pool asignado dos veces. El modelo sigue produciendo un coste unitario ordenado. El orden es la trampa.
La conciliación es la comprobación más barata y de mayor rendimiento que existe, y es la que más se salta porque el output ya parece terminado. Si un modelo no concilia con los valores reales, todos los márgenes que reporta son decoración.
Comentario seguro que está seguramente equivocado
El modo de fallo más reciente, y en ciertos aspectos el más peligroso. Pídele al modelo que explique sus resultados y escribirá una narrativa fluida y plausible sobre por qué el producto A es más rentable que el producto B. La prosa es buena. La prosa también se genera para sonar correcta, no para confrontarse con las tripas del propio modelo, y explicará con gusto un resultado que la lógica de asignación no sostiene de verdad.
Quien confía en el comentario hereda errores con una capa de seguridad pintada encima. Hemos aprendido a leer el comentario de costes generado por IA como se lee una carta de presentación. Agradable, y no prueba. La señal suele ser la especificidad: el comentario afirma una causa con una seguridad que los números de debajo nunca ganan, nombrando un motor de rentabilidad que la lógica de asignación no aísla de verdad. Un buen comentario apunta de vuelta a una cifra que puedes abrir y comprobar. El comentario generado apunta a una sensación.
Entonces, ¿qué se hace en la práctica?
Validar primero las cosas aburridas, porque en las cosas aburridas está el dinero. Conciliar con el libro mayor. Abrir los cost pools más grandes e interrogar el driver. Comprobar que la capacidad no utilizada se muestra y no se embadurna. Luego, y solo luego, leer el comentario, contra los números, no en lugar de ellos. Esta secuencia es más o menos la espina del Trust Score, y la versión dimensión a dimensión está en /ai-profitability/trust-score/.
Conclusión: las asignaciones de costes indirectos hechas por IA fallan en un pequeño número de maneras repetibles. Driver equivocado, capacidad ausente, sin conciliación, narración segura. Ninguna es exótica. Todas son detectables por quien lee el modelo en vez de admirarlo.