IA en la empresa mediana: primero el proceso, después el modelo

Cada semana aparece una herramienta de inteligencia artificial que promete cambiarlo todo, y es fácil entender el entusiasmo: algunas son de verdad impresionantes. Pero si una empresa mediana me pregunta por dónde empezar con la IA, mi respuesta no empieza por la herramienta. Empieza por el proceso.

Los datos de la industria respaldan esa intuición. En julio de 2024, Gartner pronosticó que al menos el 30 % de los proyectos de IA generativa se abandonaría después de la prueba de concepto antes de terminar 2025, por datos de mala calidad, controles de riesgo insuficientes, costos crecientes o un valor de negocio poco claro (Gartner, 2024). Un año después estimó que más del 40 % de los proyectos de IA agéntica se cancelará antes de terminar 2027, por razones parecidas (Gartner, 2025). Casi ninguna de esas causas tiene que ver con el modelo que se eligió. Tienen que ver con gestión.

La IA amplifica lo que encuentra

Un proceso con estados claros, responsables definidos y datos que nacen en la operación es buen terreno para la IA. Hay ejemplos de lo que está bien hecho, hay forma de medir si algo mejoró y hay a quién acudir cuando algo falla.

Un proceso que vive en chats, en hojas de cálculo paralelas y en la memoria de dos personas produce lo contrario. La herramienta trabaja con datos incompletos, nadie sabe si algo mejoró y los errores se descubren tarde.

Por eso creo que la primera inversión en IA de una empresa mediana suele ser poco vistosa: entender y documentar cómo fluye el trabajo, qué decisiones se toman, con qué información y quién responde por ellas.

Tres preguntas antes de comprar

Antes de firmar cualquier contrato, yo haría tres preguntas. La primera: ¿qué tarea o decisión concreta va a mejorar? «Usar IA en servicio al cliente» no es un caso de uso; «clasificar las solicitudes que llegan y asignarlas al área correcta» sí lo es.

La segunda: ¿cómo sabremos que mejoró? Si hoy no medimos el tiempo de ciclo, los errores o los reprocesos, después no habrá forma de demostrar nada.

Y la tercera: ¿quién responde cuando la herramienta se equivoca? Toda automatización comete errores. Lo que importa es que alguien los vea a tiempo, pueda corregirlos y quede registro.

El argumento contrario merece respeto

Hay quien dice que esperar a tener procesos perfectos es una excusa para no empezar, y tiene parte de razón. La IA se aprende usándola, y quien no experimenta pierde tiempo. El mismo Gartner recomienda concentrarse en usos de valor claro y repensar los flujos de trabajo, en lugar de añadir agentes a sistemas viejos.

Mi conclusión no es esperar. Es experimentar en un proceso acotado, medir desde el primer día y mantener la revisión humana donde un error cuesta caro. Un experimento pequeño cuesta poco; escalar sin control cuesta mucho.

Por dónde empezaría este trimestre

Escogería un proceso con volumen, reglas conocidas y un problema que se pueda medir. Ordenaría sus estados, responsables y datos antes de automatizar nada. Definiría qué decide la herramienta, qué propone y qué valida una persona, y guardaría la trazabilidad de cada paso: qué entrada recibió, qué sugirió y quién aprobó. A las cuatro u ocho semanas revisaría los resultados y decidiría, con datos, si vale la pena ampliar.

La IA puede ahorrar mucho trabajo en una empresa mediana, pero no reemplaza la claridad operativa: la necesita. Quien ordene primero su proceso le sacará más provecho a cualquier modelo que llegue después.

Fuentes

• Gartner: pronóstico sobre proyectos de IA generativa abandonados tras la prueba de concepto, 29 de julio de 2024.
• Gartner: pronóstico sobre proyectos de IA agéntica cancelados antes de 2027, 25 de junio de 2025.