La mayoría de proyectos de Inteligencia Artificial no fracasan por la tecnología. Fracasan porque se empieza por el sitio equivocado: se elige la herramienta antes que el problema, se abre un frente enorme en lugar de uno pequeño, y nadie midió cómo iban las cosas antes de tocarlas. Esta guía va del revés — el orden que sí funciona.
1. Empieza por un dolor concreto, no por la tecnología
La pregunta correcta no es «¿qué puedo hacer con IA?». Es «¿qué me está costando tiempo y dinero cada semana?». Suena obvio, pero es exactamente al revés de como se plantea casi siempre: alguien ve una demo impresionante, se entusiasma y luego busca dónde encajarla en la empresa. Ese camino termina casi siempre en una herramienta cara que nadie usa a los tres meses.
Un buen primer candidato cumple cuatro condiciones:
- Es repetitivo. Alguien lo hace igual una y otra vez, muchas veces por semana.
- Es medible. Puedes ponerle un número: horas, correos, pedidos, días de retraso.
- Duele. Si desapareciera, alguien lo notaría y lo agradecería mañana mismo.
- Está acotado. Empieza y termina en un sitio claro, sin depender de media empresa.
Ejemplos típicos: clasificar y responder los correos que entran por el buzón general, pasar datos de facturas o albaranes a un sistema, responder las mismas veinte preguntas de clientes, o preparar a mano el mismo informe todos los lunes.
2. Mide el punto de partida antes de tocar nada
Este es el paso que casi todo el mundo se salta, y es el que después impide demostrar que el proyecto ha servido para algo. Si no sabes cuánto tardaba antes, no vas a poder decir que ahora tarda menos: solo vas a poder decir que «parece que va mejor», que no convence a nadie que firme presupuestos.
Toma nota, durante una o dos semanas normales, de cosas como estas:
- Cuántas veces al día o a la semana ocurre la tarea.
- Cuánto tiempo se lleva cada vez, de principio a fin.
- Cuántos errores o reprocesos genera.
- Cuánto tarda el cliente en tener respuesta, si le afecta.
Consejo: no hace falta un sistema de medición sofisticado. Una hoja de cálculo rellenada a mano durante dos semanas es suficiente y vale más que cualquier estimación hecha de memoria — que, sistemáticamente, se equivoca por mucho en ambas direcciones.
3. Comprueba qué datos tienes de verdad
Existe el mito de que para usar Inteligencia Artificial hacen falta millones de datos perfectamente ordenados. Para entrenar un modelo desde cero, sí. Pero la mayoría de proyectos de empresa hoy no entrenan nada desde cero: se apoyan en modelos de lenguaje ya existentes y los conectan al conocimiento del negocio.
Y ese conocimiento casi siempre ya está en algún sitio: manuales, catálogos, correos antiguos, el histórico de tickets de soporte, procedimientos internos, el ERP. No es un almacén de datos elegante, pero suele bastar para arrancar. Lo importante no es el volumen, sino que sea correcto y esté accesible: un asistente que responde con el catálogo del año pasado hace más daño que no tener asistente.
Antes de seguir, responde a tres preguntas:
- ¿Dónde vive la información que necesita el sistema?
- ¿Está actualizada, y quién se encarga de mantenerla así?
- ¿Hay datos personales o confidenciales de por medio? Si los hay, eso condiciona dónde puede procesarse la información y hay que decidirlo antes, no después.
4. Haz una prueba pequeña y de verdad
Una prueba piloto útil es pequeña en alcance pero real en condiciones. No es una demo con tres ejemplos escogidos: es el sistema resolviendo casos auténticos, con los datos auténticos y con las personas que después lo van a usar.
Un piloto bien planteado tiene:
- Un alcance mínimo. Un proceso, un departamento, un tipo de consulta.
- Un plazo corto. Semanas, no trimestres. Si necesita seis meses para dar señales, está mal dimensionado.
- Un criterio de éxito escrito antes de empezar. «Resolver sin intervención humana el 60 % de las consultas de tipo X manteniendo la satisfacción» es un criterio. «Ver qué tal va» no lo es.
- Una salida digna. Si no funciona, se apaga y se ha aprendido barato. Eso también es un resultado.
5. Pon a una persona a supervisar antes de soltar el sistema
Al principio, todo lo que produzca el sistema debería pasar por un ojo humano. No por desconfianza, sino porque es la única forma rápida de encontrar los casos raros: la pregunta que nadie previó, el documento con un formato distinto, el cliente que escribe de una manera que rompe el flujo.
Esa supervisión se va relajando a medida que los datos lo justifican: primero se revisa todo, luego una muestra, luego solo lo que el propio sistema marca como dudoso. Es un proceso gradual y guiado por resultados, no una decisión de un día para otro. Y conviene dejar siempre una vía de escape clara hacia una persona — sobre todo si hay clientes al otro lado.
6. Escala solo lo que ya has demostrado
Cuando el piloto cumple su criterio de éxito, tienes algo mucho más valioso que un sistema funcionando: tienes una prueba interna, con números de tu propia empresa, de que esto sirve. Esa prueba es lo que convence al resto de la organización y lo que justifica el siguiente paso.
A partir de ahí se escala en dos direcciones, y conviene no mezclarlas:
- En profundidad: el mismo proceso, con más casos, más volumen o más autonomía.
- En amplitud: el mismo enfoque aplicado a otro proceso parecido, aprovechando lo ya construido.
Los tres errores que más veces hemos visto
Empezar por lo más difícil. Elegir como primer proyecto el proceso más crítico y complejo de la empresa es la forma más rápida de quemar el presupuesto y la paciencia de todo el mundo. El primero debe ser útil, sí, pero sobre todo tiene que ser alcanzable.
Dejar fuera a quien hace el trabajo. La persona que lleva cinco años haciendo esa tarea a mano sabe exactamente dónde están las excepciones y los casos raros. Si no participa desde el principio, esos casos aparecerán igualmente, pero en producción y por sorpresa.
Confundir la herramienta con la solución. Contratar una plataforma de IA no es implantar IA, igual que comprar un ERP no es ordenar la empresa. Lo que resuelve el problema es el trabajo de conectar esa tecnología a tu operación concreta.
Y si sale que no
A veces la conclusión honesta de este proceso es que la Inteligencia Artificial no es la respuesta: el proceso está mal definido, los datos no existen, o el problema se arregla mucho más barato con una integración simple entre dos sistemas. Llegar ahí en tres semanas y con poco gasto no es un fracaso — es exactamente para lo que sirve empezar pequeño y medir.