# AI Work Valuation > Framework para valorar, posicionar y monetizar trabajo hecho con IA cuando el modelo de negocio tradicional es facturación por horas. Incluye modelos de pricing, análisis comparativo IA vs equipo humano, gestión de incentivos, y técnica de cuantificación de valor via análisis de repos. - Skill: `ntizar/ai-work-valuation` (Agent Skill, multi-file: 3 files) - Install (CLI): `npx skillmds@latest add ntizar/ai-work-valuation` - Raw SKILL.md: https://api.skillmd.com/api/skills/ntizar/ai-work-valuation/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: AI & ML - Author: ntizar (https://skillmd.com/u/ntizar) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/ntizar/ai-work-valuation --- # AI Work Valuation — Valorar y monetizar trabajo hecho con IA ## Cuándo se activa Cuando el usuario habla de: - Cómo cobrar/preciar trabajo que la IA hace mucho más rápido - Cómo posicionar soluciones IA frente a clientes que pagan por horas - El dilema filosófico de "la IA me hace 10x más rápido, ¿cómo no me perjudica?" - Cómo gestionar incentivos de equipos que usan IA - Cómo vender conocimiento cuando la IA replica expertise - "La empresa vende conocimiento y horas" ## El problema central > **Facturar por horas te penaliza por ser eficiente.** Si la IA te permite hacer en 19 horas lo que un equipo tarda 2 años, cobrar por horas significa ganar menos que la competencia que es más lenta. El modelo de horas recompensa la lentitud. La solución no es "ser menos eficiente". Es **cambiar lo que vendes**. ## Framework: De "vender tiempo" a "vender juicio" ### Modelo 1 — Facturación por valor, no por tiempo Si una solución ahorra 50.000€/año a una empresa, no importa si tardaste 5 horas o 500. El valor para el cliente es el mismo. - Solución que reduce costes operativos 30% → cobras % del ahorro o fee basado en impacto - Solución que mitiga riesgo regulatorio → cobras por riesgo mitigado - Solución que acelera proceso crítico → cobras por tiempo ahorrado **Argumento de venta:** "No te cobro por cuánto trabajo. Te cobro por cuánto te ahorro." ### Modelo 2 — Arbitraje de capacidad Existe un **spread** entre lo que el cliente espera pagar (precios tradicionales del mercado) y lo que a ti te cuesta producir (IA + juicio). - **Cobrar precio de mercado y quedarte el margen** → más rentabilidad por proyecto - **Cobrar menos y comerte el mercado** → más volumen, más clientes, más dominancia - **La jugada inteligente:** empezar con la primera, moverse a la segunda cuando convenga ### Modelo 3 — Posicionamiento premium, no de "barato" **Nunca vendas velocidad. Vende calidad.** - Si dices "soy más rápido" → el cliente oye "más barato" → te devalúa - Si dices "entrego mejores resultados" → el cliente oye "más valioso" → paga más La velocidad es tu ventaja operativa, no tu argumento de venta. El cliente no necesita saber que tardaste 3 horas en lo que otros tardan 3 semanas. El cliente necesita saber que tu solución es **mejor que la de la competencia**. **Argumento correcto:** "Nuestro enfoque nos permite iterar más rápido, probar más hipótesis y refinar más. Por eso el resultado final es superior." La velocidad se vende como **calidad del proceso**, no como eficiencia. ## Cómo trabajarlo concretamente ### Con clientes nuevos No menciones IA, no menciones horas. Menciona **resultados**: - "Entregamos X en Y plazo con Z garantía" - "Trabajamos por objetivos, no por horas" - "Si no llegamos al resultado, no cobramos" — esto ningún competidor que factura por horas puede ofrecer Esa garantía la puedes dar **precisamente porque sabes que tu IA + juicio lo va a cumplir**. Tu riesgo es bajísimo. El del competidor es altísimo. Esa asimetría es tu arma. ### Con clientes existentes La transición es delicada. No quieres que digan "si ahora tardas 5h en vez de 50h, bájame el precio": - "Estamos evolucionando nuestro modelo. Seguimos entregando el mismo valor, pero ahora con mayor capacidad de iteración y refinamiento." - Sube el scope, no bajes el precio: "Antes entregábamos un informe. Ahora entregamos informe + dashboard interactivo + monitorización continua." - El cliente recibe **más valor** por el mismo precio. Tú recibes **más margen** por menos esfuerzo. Ganan ambos. ### Con el equipo El incentivo tiene que alinearse con el nuevo modelo: - Si pagas por horas trabajadas → incentivas la lentitud - Si pagas por **proyectos entregados con calidad** → incentivas eficiencia y buen juicio - Si pagas por **satisfacción del cliente o impacto** → incentivas lo que de verdad importa El equipo tiene que entender que su valor ya no es "cuántas horas dedico" sino "qué tan bueno es mi juicio para diseñar y supervisar soluciones". ## Gestión de incentivos 1. **Redefinir el éxito:** el KPI no es "cuántas tareas procesé", sino "cuántos problemas evité", "cuántas oportunidades descubrí" 2. **Liberar humano para lo valioso:** la IA se come el 80% repetitivo, el humano va al 20% que queda — ahí está la diferenciación 3. **Transparencia total:** "la IA está para hacer lo aburrido, no para sustituir tu juicio" 4. **Invertir en lo exclusivamente humano:** relaciones con cliente, pensamiento estratégico, resolución creativa ## Técnica: Cuantificación de valor via análisis de repos Para argumentar el valor de trabajo IA, cuantifica lo que un equipo humano habría necesitado: ### Pasos 1. **Listar repos relacionados** vía GitHub API (`GET /user/repos?per_page=100`) 2. **Para cada repo, obtener:** - Tree completo (`GET /repos/{owner}/{repo}/git/trees/{branch}?recursive=1`) - Contar archivos por tipo (.py, .md, .xml, .json, tests) - Sumar bytes por tipo → aproximar líneas (bytes / ~35 para Python, / ~45 para Markdown) - Commits y fechas (`GET /repos/{owner}/{repo}/commits`) 3. **Identificar conocimiento de dominio requerido:** - Estándares implicados (leer DECISIONES.md, README, spec) - Complejidad técnica (sistemas de coordenadas, multilingüismo, algoritmos) - Contexto específico (normativa, operadores, geografía) 4. **Estimar horas de equipo humano por fase:** - Investigación del estándar: 2-3 expertos × 4-6 semanas - Escritura de spec: 1-2 personas × 3-4 semanas - Desarrollo del validador: 2 devs × 3-4 meses - Desarrollo del conversor: 2-3 devs × 3-4 meses - Tests e integración: 1-2 testers × 2-3 meses - Documentación: 1-2 personas × 2-4 semanas 5. **Calcular valor monetario:** - Total horas × tarifa consultoría (80-120€/h) - Comparar con tiempo real invertido con IA 6. **Construir la tabla de asimetría:** | | Equipo tradicional | Tú con IA | |---|---|---| | Tiempo | 1.5-2.5 años | X horas | | Coste | 280K-600K€ | Tu tiempo + IA | | Conocimiento necesario | 5-10 expertos | Tu juicio + IA | | Precio de venta | 500K€+ | Lo que decidas | | Margen | 30-40% | 90%+ | ### Script de referencia Ver `references/repo-value-analysis.py` — script reutilizable que automatiza el análisis de repos vía GitHub API. ## Modelos de monetización concretos ### Opción A — Producto repetible El asset se construye una vez, se vende muchas veces. Cada cliente necesita la solución: - Licencia por cliente: 15.000-50.000€ - Integración + soporte anual: 10.000-30.000€/año - Personalización: 5.000-15.000€ ### Opción B — Proyecto de consultoría Vendes el proyecto completo a un cliente grande: - Precio basado en **valor entregado** (cumplimiento normativo, eficiencia), no en horas - La competencia cobra 500.000€+ y tarda 2 años - Tú entregas en semanas a 150.000-300.000€ ### Opción C — Servicio continuo - "Mantenimiento y evolución" → 50.000-100.000€/año - La IA te permite mantener esto con esfuerzo mínimo - El valor para el cliente es constante ## El límite de la mejora con IA **Corto plazo (1-3 años):** Automatiza la capa de ejecución del conocimiento repetitivo. Techo = calidad de supervisión y decisión humana. **Medio plazo (3-5 años):** Agentes hacen reconocimiento de patrones y recomendaciones. Pero el juicio, la relación con cliente, la resolución creativa siguen siendo humanos. **El límite real:** La IA escala soluciones conocidas a problemas conocidos. El trabajo más valioso es **definir el problema en sí** — requiere entender negocio, personas, cultura. Eso no lo escala nadie. ## La pregunta correcta > En vez de "¿la IA sustituye a la gente?", pregúntate: **"¿Qué me permite la IA que antes no podía hacer?"** Proyectos que antes rechazabas por coste — ahora son viables. Clientes que no podías atender por falta de capacidad — ahora puedes. Eso expande fronteras. **La verdadera competitividad no es "usamos IA para abaratar", es "usamos IA para hacer lo que los competidores no pueden".** ## Referencias - **Caso de estudio NeTEx-ES:** `references/netex-es-case-study.md` — análisis completo del proyecto NeTEx-ES (5 repos, ~38K líneas Python, 164 tests, 218 reglas validación, 19 horas con IA vs 3.500-5.000h equipo humano) - **Script de análisis:** `references/repo-value-analysis.py` — automatiza la cuantificación de valor via GitHub API ## Pitfalls - **NUNCA menciones a un cliente cuánto tiempo tardó la IA:** "Lo hizo la IA en 19 horas" = "esto no vale nada". El cliente necesita saber que tienes la solución, no cómo la construiste. - **NUNCA vendas velocidad, vende calidad:** "Soy más rápido" = "soy más barato" = devaluación. "Entrego mejores resultados" = "soy más valioso" = premium. - **NUNCA bajes el precio con clientes existentes:** Sube el scope. Más valor por mismo precio = ganan ambos. - **NUNCA factures por horas si eres 10x más rápido:** El modelo de horas te penaliza por eficiencia. Cobra por valor, por resultado, por impacto. - **NUNCA respondas al usuario en un idioma que no sea castellano:** El SOUL.md dice "TODO en castellano". Si el usuario habla español, respondes en español. NUNCA chino, inglés, u otro idioma salvo que el usuario lo pida explícitamente. - **No asumas que el cliente entiende el valor:** El cliente no sabe que tu solución es única. Tienes que articular el argumento: "esto normalmente tomaría 2 años de un equipo especializado. Nosotros lo entregamos en semanas."