Consultoría de inteligencia artificial para empresas: ¿dónde realmente vale la pena usar IA?
Una empresa decide que necesita usar inteligencia artificial.
Una empresa decide que necesita usar inteligencia artificial.
Surge la pregunta:
“¿Qué IA deberíamos contratar?”
¿ChatGPT?
¿Gemini?
¿Copilot?
¿Un agente?
¿Una automatización?
¿Un sistema propio?
Esta pregunta parece práctica.
Pero normalmente está un paso demasiado adelantada.
Antes de elegir la tecnología, hay otra pregunta:
¿qué trabajo de la empresa merece ser mejorado?
Tal vez el problema esté en las propuestas que demoran.
Conocimiento que nadie encuentra.
Atención al cliente repetitiva.
Documentos que necesitan ser analizados.
Vendedores que pierden tiempo preparando información.
Gerentes que reciben datos y no logran interpretarlos rápidamente.
Rutinas administrativas que consumen horas.
Procesos llenos de texto, imagen, audio o información no estructurada.
Ahí es donde debería empezar una consultoría de inteligencia artificial para empresas.
No por la herramienta.
Por el trabajo.
No comience eligiendo la IA. Comience eligiendo el trabajo que merece ser mejorado.
“Necesitamos usar IA” todavía no es un proyecto
Es una intención.
Puede ser estratégica.
Puede ser urgente.
Pero todavía no define qué se hará.
Un proyecto empieza a tomar forma cuando podemos responder:
¿qué actividad queremos mejorar?
¿quién la ejecuta hoy?
¿cuánto tiempo consume?
¿qué dificultad existe?
¿qué información utiliza?
¿qué resultado necesita producir?
¿qué error sería aceptable?
¿qué error sería grave?
¿cómo sabremos si mejoró?
Sin esto, la empresa corre el riesgo de comprar acceso a herramientas y llamar a eso transformación.
Una herramienta disponible no significa un caso de uso valioso
Hoy existe IA para texto.
Imagen.
Video.
Audio.
Búsqueda.
Programación.
Análisis.
Atención al cliente.
Automatización.
Documentos.
Reuniones.
Datos.
Agentes.
Esto crea una ilusión:
si la tecnología puede hacerlo, tal vez la empresa deba usarla.
No necesariamente.
La capacidad tecnológica y el valor empresarial son cosas diferentes.
Una demostración puede ser impresionante e irrelevante.
Un caso de uso aparentemente simple puede ahorrar cientos de pequeñas interrupciones por mes.
El mejor caso de uso no es el más futurista. Es aquel que mejora un trabajo relevante con un riesgo controlable.
Comience por el inventario del trabajo
Antes de buscar “dónde poner IA”, observe cómo trabaja la empresa.
¿Qué actividades se repiten?
¿Dónde las personas copian información?
¿Dónde leen grandes volúmenes de texto?
¿Dónde buscan respuestas?
¿Dónde producen documentos similares?
¿Dónde clasifican solicitudes?
¿Dónde resumen?
¿Dónde comparan?
¿Dónde analizan?
¿Dónde transforman una información en otra?
¿Dónde toman decisiones con una gran cantidad de contexto?
¿Dónde hay filas?
¿Dónde hay reprocesos?
¿Dónde se solicita todo el tiempo el conocimiento de unas pocas personas?
Ese inventario produce una materia prima mucho mejor que una lista de herramientas.
Ocho filtros para elegir un caso de uso
Una forma práctica de priorizar es:
TRABAJO → FRICCIÓN → DATOS → RIESGO → SOLUCIÓN → PRUEBA → MEDICIÓN → ESCALA
1. Trabajo
Defina la actividad.
No “marketing”.
No “finanzas”.
No “atención al cliente”.
Algo concreto.
“Preparar la primera versión de una propuesta a partir del diagnóstico comercial.”
“Responder dudas internas utilizando los procedimientos publicados.”
“Clasificar las solicitudes recibidas por correo electrónico.”
“Resumir la reunión y registrar las decisiones.”
“Comparar contratos con criterios definidos.”
Cuanto más concreto sea el trabajo, más fácil será evaluar la tecnología.
2. Fricción
¿Por qué queremos mejorar?
¿Tiempo?
¿Costo?
¿Error?
¿Fila?
¿Reproceso?
¿Dependencia de un especialista?
¿Experiencia del cliente?
¿Capacidad limitada?
¿Falta de consistencia?
Sin una fricción relevante, tal vez no haya una prioridad.
3. Datos
¿Qué información necesitará la IA?
¿Existe?
¿Es accesible?
¿Es confiable?
¿Está actualizada?
¿Es confidencial?
¿Está estructurada?
¿Quién es el dueño de esa información?
Una IA sofisticada alimentada por un mal contexto sigue siendo un sistema mal informado.
4. Riesgo
¿Qué pasa cuando la IA se equivoca?
Un mal subtítulo es diferente de una decisión financiera equivocada.
Un borrador interno es diferente de una instrucción enviada automáticamente al cliente.
Una clasificación reversible es diferente de una acción irreversible.
El nivel de autonomía debe acompañar el riesgo.
5. Solución
Recién ahora elegimos la tecnología.
Tal vez sea suficiente un modelo de IA ya disponible.
Tal vez se necesite integración.
Automatización.
RAG/base de conocimiento.
Agente.
Sistema específico.
O tal vez la IA ni siquiera sea necesaria.
Un problema bien definido también permite concluir que la mejor solución no es la IA.
6. Prueba
Antes de escalar, pruebe con un volumen pequeño.
Casos reales.
Casos fáciles.
Casos difíciles.
Excepciones.
Compare el resultado humano con el resultado asistido.
Observe los errores.
Ajuste los criterios.
7. Medición
¿Qué cambió?
¿Tiempo?
¿Costo?
¿Volumen?
¿Calidad?
¿Error?
¿Conversión?
¿Satisfacción?
¿Capacidad?
¿Tiempo de respuesta?
La métrica depende del caso.
Sin una comparación, el “parece que quedó mejor” se convierte en la única evidencia.
8. Escala
Después de que funcione, pensamos en ampliar.
Más usuarios.
Más volumen.
Más integraciones.
Más autonomía.
Más unidades.
Más casos.
Escalar antes de aprender aumenta el costo del error.
Hay casos en los que la IA solo debe ayudar
No toda implementación tiene que ser automática.
Existe una diferencia entre:
La IA sugiere;
La IA prepara;
La IA recomienda;
La IA ejecuta con aprobación;
La IA ejecuta de forma autónoma.
Esa escala es importante.
En un proceso de bajo riesgo, la autonomía puede ser mayor.
En decisiones sensibles, la revisión humana puede seguir siendo necesaria.
La pregunta no es solo:
“¿La IA puede hacerlo?”
Es:
“¿Qué nivel de autonomía es adecuado para este trabajo?”
La primera oportunidad puede estar en el conocimiento de la empresa
Las empresas acumulan información.
Procedimientos.
Propuestas.
Contratos.
Manuales.
Capacitaciones.
Actas.
Políticas.
Historial.
Experiencia.
Pero encontrar la respuesta correcta sigue dependiendo de preguntarle a alguien.
Ese es un territorio sólido para la IA.
No significa tirar todos los archivos en un chatbot.
Es necesario pensar:
¿qué fuente es oficial?
¿quién valida?
¿qué está publicado?
¿qué versión es la válida?
¿qué información es confidencial?
¿cuándo debe decir la IA “no sé”?
¿cuándo debe escalar a una persona?
La inteligencia artificial puede facilitar el acceso.
Pero la empresa sigue siendo responsable de la gobernanza del conocimiento.
Otro territorio sólido: el trabajo textual repetitivo
Muchas funciones empresariales tienen actividades que transforman texto en texto.
Un briefing se convierte en una propuesta.
Una reunión se convierte en un acta.
Una solicitud se convierte en una respuesta.
Un informe se convierte en un resumen ejecutivo.
Una entrevista se convierte en documentación.
Datos y observaciones se convierten en la primera versión de un análisis.
Aquí la IA puede reducir el tiempo de producción.
Pero hay una diferencia importante:
un borrador no es una decisión.
Cuando la IA produce una primera versión y una persona calificada la valida, el riesgo puede ser muy diferente a enviar automáticamente el resultado a un cliente, proveedor u organismo público.
La atención al cliente también exige elegir una frontera
“Vamos a poner IA en la atención al cliente.”
¿En qué parte?
¿Responder preguntas frecuentes?
¿Consultar un pedido?
¿Clasificar la demanda?
¿Preparar una respuesta para el agente?
¿Resolver un problema?
¿Negociar?
¿Cancelar?
¿Conceder crédito?
Cada una tiene un riesgo, una integración y un contexto diferentes.
Los malos proyectos tratan la “atención al cliente” como una sola actividad.
Los mejores proyectos desglosan el trabajo y definen dónde la IA puede:
informar;
recomendar;
preparar;
ejecutar;
escalar.
IA en el área comercial no significa un robot vendiendo solo
El área comercial tiene muchos puntos posibles.
Investigación de cuentas.
Preparación de reuniones.
Organización de la información.
Análisis de conversaciones.
Registro en el CRM.
Propuesta.
Seguimiento.
Conocimiento del producto.
Análisis del pipeline.
Identificación de patrones.
Algunos pueden ser casos excelentes.
Otros pueden destruir la personalización si se automatizan sin criterio.
La pregunta sigue siendo:
¿qué trabajo consume capacidad sin exigir necesariamente toda la inteligencia humana que hoy se utiliza en él?
La IA también puede revelar un problema de proceso
Durante un proyecto de IA, frecuentemente aparece un descubrimiento incómodo.
La empresa quería automatizar una actividad.
Pero nadie se pone de acuerdo sobre cómo debería ejecutarse.
Cada persona usa un criterio diferente.
Existen excepciones no documentadas.
Las entradas varían.
La responsabilidad es confusa.
En ese momento, el proyecto de IA se convirtió también en un diagnóstico de proceso.
Eso no es un fracaso.
Es información.
La automatización exige una claridad que la improvisación puede ocultar.
Comprar una licencia para todos puede ser un desperdicio
Otro enfoque común:
“Vamos a darle IA a todo el equipo.”
Puede funcionar.
Pero la distribución de licencias no garantiza una adopción útil.
Algunas personas encontrarán casos excelentes.
Otras la usarán poco.
Otras crearán riesgos.
Otras realizarán actividades que podrían haberse resuelto con una integración o un sistema centralizado.
Antes de ampliar el acceso, vale la pena entender los perfiles de uso.
¿Quién la necesita?
¿Para qué trabajo?
¿Con qué datos?
¿Con qué capacitación?
¿Con qué reglas?
¿Con qué soporte?
¿Con qué medición?
Acceso es diferente de capacidad.
¿Cuándo tiene sentido construir una interfaz propia?
No siempre.
Las herramientas listas para usar resuelven mucho.
Pero una solución propia o integrada empieza a tener sentido cuando la empresa necesita combinar elementos como:
proceso específico;
datos internos;
permisos;
integraciones;
experiencia simplificada;
estandarización;
auditoría;
volumen;
reglas propias;
uso por muchas personas;
automatización de múltiples etapas.
Aun así, construir debe competir con comprar y configurar.
El objetivo no es tener un software propio.
Es resolver el problema con la mejor relación entre valor, riesgo, costo y mantenimiento.
Cómo evaluar una consultoría de IA para empresas
Antes de contratar, pregunte:
¿Empiezan por la herramienta o por el problema?
¿Cómo identifican los casos de uso?
¿Cómo priorizan?
¿Cómo evalúan los datos?
¿Cómo tratan la seguridad y la confidencialidad?
¿Cómo definen la revisión humana?
¿Cómo prueban antes de escalar?
¿Cómo miden el resultado?
¿Cuándo recomiendan una herramienta lista para usar?
¿Cuándo recomiendan una integración?
¿Cuándo recomiendan un sistema propio?
¿Cuándo dicen que la IA no es necesaria?
¿Cómo transfieren el conocimiento al equipo?
El proveedor que solo tiene una herramienta tiende a encontrar problemas que encajan con ella.
Una buena implementación necesita mantener la libertad de elegir la solución después de entender el trabajo.
Una consultoría de IA no debería terminar en un workshop
Un workshop puede ser útil.
Ayuda a crear conciencia.
Enseña posibilidades.
Reduce el miedo.
Produce ideas.
Pero hay una etapa siguiente.
Elegir.
Priorizar.
Prototipar.
Probar.
Medir.
Integrar.
Implementar.
Capacitar.
Gobernar.
Si el objetivo es la transformación empresarial, la inspiración es el comienzo.
No la entrega final.
No todo caso de uso necesita empezar a lo grande
Un error es imaginar que la IA empresarial requiere un proyecto gigantesco.
Otro error es creer que basta con jugar con los prompts.
Existe un espacio intermedio.
Elija un problema relevante y delimitado.
Haga un piloto.
Use casos reales.
Defina el éxito.
Pruebe.
Aprenda.
Si funciona, amplíe.
Este enfoque crea evidencia dentro de la propia empresa.
Y reduce el riesgo de comprar una transformación completa antes de probar el primer caso.
La IA debe devolverle capacidad al negocio
Hay una métrica conceptual importante.
Después de la implementación, ¿la empresa tiene más capacidad?
¿Las personas consiguen atender más?
¿Decidir mejor?
¿Responder más rápido?
¿Encontrar conocimiento?
¿Producir con mayor consistencia?
¿Reducir reprocesos?
¿Dedicar más tiempo a lo que exige el juicio humano?
Si el único cambio es tener una herramienta más, tal vez todavía no exista una transformación.
La tecnología adquiere valor cuando altera la capacidad.
¿Quiere descubrir dónde la IA realmente tiene sentido en su empresa?
Si su empresa sabe que necesita avanzar en inteligencia artificial, pero todavía no sabe dónde empezar, podemos comenzar por el trabajo real.
Mapear:
actividades;
fricciones;
procesos;
datos;
riesgos;
conocimiento;
oportunidades;
y casos de uso.
Luego, priorizamos lo que merece:
herramienta lista para usar;
capacitación;
automatización;
integración;
agente;
sistema propio;
o ninguna IA.
La pregunta no es “¿qué IA debemos comprar?”. La pregunta es “¿qué capacidad del negocio merece ser ampliada y qué tecnología lo hace mejor?”
Jeferson de Lima
Fundador de IGNIS Desenvolvimento Empresarial
Desarrollo empresarial, liderazgo, equipos, ventas, procesos, sistemas e inteligencia artificial aplicada a los negocios.