Inteligencia artificial para empresas aplicada a los casos que hoy sí dan resultado

La inteligencia artificial para empresas no es un producto que se compra, es una capacidad que se coloca dentro del software con el que ya trabaja tu equipo. La diferencia entre un proyecto que da resultado y otro que se abandona casi nunca está en el modelo elegido, está en el sitio donde se coloca. Si el comercial tiene que salir de su programa, abrir otra pestaña, pegar un texto y volver, la IA ha añadido pasos en lugar de quitarlos.

Cuando la IA vive dentro del sistema pasa lo contrario. La factura del proveedor entra por correo, se leen sus datos, se crea el asiento pendiente de validar y la persona solo revisa y confirma. El correo del cliente llega, se clasifica, se asigna al responsable y se propone un borrador de respuesta con la información que ya está en el CRM. Nadie ha cambiado de herramienta y el trabajo administrativo se ha reducido de verdad.

El segundo factor es el alcance. Un proyecto de IA que intenta resolver diez casos a la vez no llega a producción. Uno que resuelve un caso concreto, medible y repetido cien veces al mes se paga solo y abre la puerta al siguiente. Por eso empezamos siempre por el proceso con más volumen y menos criterio subjetivo: ahí es donde el modelo acierta más y donde el tiempo recuperado se nota en la primera semana.

El tercero es la revisión humana. En una empresa, una respuesta equivocada tiene coste real, así que las acciones que afectan a dinero, a plazos o a clientes se diseñan con una validación antes de ejecutarse. La IA propone y la persona confirma, hasta que el histórico demuestre que un caso concreto puede ir solo. Eso no resta valor, es lo que hace que el equipo se fíe y lo use.

• Dentro de tu ERP o CRM, no en otra pestaña
• Un caso concreto y medible antes de ampliar
• Revisión humana en lo que afecta a dinero
• Datos mínimos necesarios enviados al modelo
• Registro de qué se envió y qué se respondió
• Coste por uso visible desde el primer mes

Hay usos de IA que suenan muy bien en una presentación y que hoy, en una empresa mediana española, no salen a cuenta. Lo decimos antes de empezar porque preferimos no cobrar por algo que sabemos que se va a abandonar en tres meses.

El primero es la predicción sin datos. Estimar demanda, riesgo de impago o probabilidad de cierre exige un histórico largo, limpio y con la información que de verdad explica el resultado. Si tus datos llevan dos años repartidos entre hojas de cálculo y programas distintos, cualquier predicción será una opinión con decimales. El trabajo previo ahí es de integración y de calidad del dato, no de modelo.

El segundo es la atención al cliente compleja resuelta por un bot sin salida a persona. Funciona para consultar el estado de un pedido o resolver dudas repetidas, y deja de funcionar en cuanto el caso tiene matices, dinero de por medio o un cliente enfadado. Un bot que no sabe reconocer cuándo tiene que pasar la conversación a alguien hace más daño que el que evita.

El tercero es dejar que la IA decida sola en procesos críticos. Aprobar un gasto, aplicar un descuento o enviar una comunicación legal necesitan una persona que confirme. Y el cuarto es entrenar un modelo propio desde cero: para casi cualquier caso de una pyme, usar un buen modelo existente con tus datos como contexto es más barato, más rápido y da mejor resultado.

• Predicción con histórico corto o sucio
• Bots sin escalado claro a una persona
• Decisiones económicas sin validación
• Entrenar un modelo propio desde cero
• Casos con criterio muy subjetivo
• Procesos que ocurren cuatro veces al año