Datos Reales de Uso de LLM: Estudio de 7 Meses Revela Hábitos Laborales

Resumen Rápido

Un estudio de 7 meses pionero ha proporcionado los primeros datos concretos sobre cómo los empleados utilizan realmente los Grandes Modelos de Lenguaje (LLM) en el lugar de trabajo. A diferencia de las predicciones de los analistas o las presentaciones de los proveedores, esta investigación se basa en conteos de transacciones directas de registros de usuarios reales.

El estudio rastreó a 527 empleados desde junio hasta diciembre de 2025, ofreciendo una visión sin precedentes sobre la adopción práctica de la IA. Los hallazgos desafían suposiciones comunes sobre el uso de la IA en el trabajo y revelan implicaciones de costos significativas para las empresas que eligen entre modelos de suscripción y de pago por token.

Diseño del Estudio

La empresa decidió liderar con el ejemplo, proporcionando a todos los empleados un servicio claro para probar varios modelos de mercado. El objetivo era observar ganancias de productividad prácticas en lugar de beneficios teóricos. Una decisión crítica fue elegir precios de pago por token sobre suscripciones fijas, lo que resultó crucial para una medición precisa.

Los investigadores rastrearon 122,346 consultas durante el período de siete meses. Los datos revelaron que 416 usuarios de 527 interactuaron activamente con las herramientas al menos una vez. Esto representa una tasa de adopción del 79% entre los empleados que tenían acceso a la tecnología.

"Si lo que, los grandes modelos muestran a los usuarios, pero ocultan cuidadosamente el número de solicitudes y el tráfico. Porque es extremadamente bajo allí."

El estudio utilizó un agregador de redes neuronales que incluía capacidades de generación de imágenes. Este enfoque integral permitió rastrear diversos casos de uso a través de diferentes modelos de IA, incluyendo Gemini 3 Pro Preview, los últimos modelos GPT y las ofertas de Anthropic.

Patrones de Uso y Costos

Los datos financieros revelan contrastes sorprendentes entre los modelos de pago por token y suscripción. Los gastos totales alcanzaron $6,851 (aproximadamente 535,000 rublos) en siete meses. Esto se desglosa en 184 rublos por usuario activo mensualmente—una cifra que sería dramáticamente más alta con suscripciones.

Si la empresa hubiera elegido suscripciones estándar de $20 mensuales, los costos hubieran sido 8.5 veces más altos para el mismo nivel de uso. Esto destaca la ineficiencia económica de los precios de tarifa plana para patrones de uso de IA variables.

Desglose clave de costos:

• 64% del presupuesto asignado a la generación de imágenes
• El uso de solo texto costó solo 62 rublos por usuario mensual
• Costo anual por usuario activo: $184
• El 79% de los empleados utilizaron activamente las herramientas

Los datos muestran que la generación de imágenes consumió la mayor parte de los recursos, lo que sugiere que la creación de contenido visual es una aplicación principal de IA en el lugar de trabajo. Las consultas basadas en texto, aunque valiosas, representaron una porción menor del uso general.

El Desafío del Prompt

Un factor crítico que limita la adopción de la IA es la barrera de formulación de prompts. La investigación de Jakob Nielsen indica que solo el 20% de la población puede estructurar efectivamente los prompts para obtener resultados óptimos. Esta brecha de habilidades explica por qué muchos empleados prueban las herramientas de IA brevemente y luego las abandonan.

El estudio observó que los usuarios que entendían cómo aplicar los modelos a sus necesidades laborales específicas se convirtieron en usuarios consistentes y recurrentes. Este patrón sugiere que la capacitación y educación son tan importantes como el acceso a las herramientas para una integración exitosa de la IA.

"Prueban un par de veces y se van."

El promedio de 42 consultas por usuario por mes indica una participación moderada en lugar de una dependencia pesada. Este patrón de uso respalda el argumento a favor de modelos de precios flexibles sobre suscripciones fijas, ya que la mayoría de los empleados no requieren asistencia diaria de IA.

Implicaciones Prácticas

El estudio proporciona información procesable para organizaciones que consideran la implementación de IA. Primero, el uso real difiere significativamente de las proyecciones de los proveedores. Las empresas deben basar su presupuestación en datos de transacciones reales en lugar de máximos teóricos.

Segundo, la dominancia de la generación de imágenes (64% del presupuesto) sugiere que las herramientas de IA visual pueden ser más valiosas para la productividad laboral que los modelos basados en texto por sí solos. Las organizaciones deben considerar esto al seleccionar plataformas de IA.

Tercero, la eficiencia de costos de los modelos de pago por token se vuelve evidente a escala. Para 527 empleados, la diferencia entre precios de suscripción y basados en uso representa ahorros sustanciales sin sacrificar el acceso a modelos de vanguardia.

Finalmente, la tasa de uso activo del 79% demuestra que cuando a los empleados se les proporcionan servicios de IA claros y accesibles, la adopción sigue de forma natural. La clave es proporcionar las herramientas adecuadas con modelos de precios apropiados que coincidan con los patrones de uso reales.

Puntos Clave

Este estudio de 7 meses proporciona la primera evidencia concreta de cómo se utilizan realmente los LLM en entornos laborales. Los datos desafían varias suposiciones comunes sobre la adopción y la rentabilidad de la IA.

Las organizaciones deben considerar los modelos de pago por token sobre suscripciones, ya que alinean los costos con el uso real. La diferencia de costos de 8.5x representa ahorros significativos para empresas con requisitos moderados de IA.

La capacitación sigue siendo crucial para la adopción. Solo el 20% de los usuarios puede solicitar efectivamente a los sistemas de IA, lo que sugiere que los programas educativos deben acompañar el despliegue de herramientas.

Finalmente, el énfasis en IA visual (64% del presupuesto en imágenes) indica que el valor de la IA en el lugar de trabajo se extiende más allá del procesamiento de texto. Las empresas deben evaluar sus necesidades específicas antes de comprometerse con cualquier solución de IA única.