«Ya probamos la IA y no nos cambió nada.» Lo escucho cada vez más en pequeñas y medianas empresas. Contrataron una suscripción para el equipo, añadieron un chatbot a la web o montaron una automatización aislada. Pasaron unos meses y nadie podía explicar qué había mejorado.
Cuando un proyecto de inteligencia artificial no mueve ninguna cifra, la herramienta rara vez es el primer sitio donde buscar el problema. Conviene revisar qué proceso se eligió, qué resultado se esperaba y si alguien midió la situación antes de cambiarla.
Un buen primer proyecto no tiene que impresionar en una presentación. Tiene que resolver una tarea repetitiva, con reglas entendibles y un resultado que podamos comprobar. Y, antes de ponerlo en marcha, hay que probarlo también cuando los datos llegan mal o el usuario pide algo inesperado.
Por qué se atascan los primeros proyectos de IA
En muchas empresas se repiten tres problemas. Se pueden corregir desde el diseño del proyecto, antes de añadir más herramientas.
1. Se añaden herramientas, pero el proceso sigue igual
Un chatbot queda en una pestaña; una automatización envía un aviso por otro canal; el equipo sigue copiando los datos al ERP, al CRM o a una hoja de cálculo. La IA se convierte en un paso extra que alguien debe recordar, en vez de quitar trabajo de una tarea concreta.
Antes de elegir tecnología, dibuja el recorrido actual: qué información entra, quién la revisa, dónde se guarda y qué decisión o acción viene después. Así verás dónde encaja la automatización y qué sistemas necesita conectar.
2. No se midió el punto de partida
Si no sabemos cuánto tarda el proceso, cuántos casos se corrigen y cuántas veces ocurre, luego no podremos demostrar que mejoró. La percepción del equipo cuenta, pero no sustituye una referencia básica. Sin ella, es fácil que la conversación termine en un «no ha cambiado nada».
3. La prueba solo cubrió el caso perfecto
En una demo, la factura se lee bien y el cliente hace una pregunta sencilla. En el trabajo real puede llegar una imagen torcida, un correo con varias peticiones o un dato que falta. Esos casos no son excepciones molestas que conviene esconder. Son parte del proceso y hay que decidir cómo responder a ellos.
Elige un proceso que puedas controlar
Para empezar, busca una tarea repetitiva, con reglas claras y consecuencias manejables si algo sale mal. Estos cuatro filtros ayudan a comparar candidatos:
| Filtro | Pregunta | Buena señal |
|---|---|---|
| Volumen | ¿Cuántas veces ocurre por semana? | Decenas o cientos de veces. |
| Reglas | ¿Se lo explicarías en cinco pasos a alguien nuevo? | Sí, y casi siempre se hace igual. |
| Riesgo | ¿Qué pasa si el sistema se equivoca? | El error se puede corregir antes de afectar a un cliente, un pago o una obligación. |
| Medición | ¿Puedes contar cuánto tarda o cuántas veces falla? | Sí, con datos que ya tienes o puedes registrar. |
En una PYME, pueden ser buenos candidatos clasificar correos de entrada, extraer datos de facturas de proveedor o preparar respuestas a preguntas frecuentes. En cambio, dejaría para más adelante los procesos que dependen de decisiones estratégicas o de una relación personal con un cliente clave.
Si dos opciones parecen igual de buenas, empezaría por la de menor riesgo. El primer proyecto también sirve para que el equipo aprenda cómo se comporta la herramienta y qué supervisión necesita. No hace falta apostar una operación importante para obtener ese aprendizaje.
Mide antes de automatizar
Antes de tocar el proceso, registra una línea base. Como mínimo, apunta:
- Volumen: cuántas veces se realiza por semana.
- Tiempo: cuánto tarda cada caso, incluida la revisión y las correcciones.
- Errores: cuántos casos requieren rehacer trabajo o corregir datos.
Si la actividad queda registrada en una base de datos o un ERP, quizá puedas extraer esos datos. Por ejemplo, esta consulta de PostgreSQL resume ocho semanas de facturas, tiempo de procesamiento y correcciones. Adapta los nombres de campos y tablas a tu instalación:
select
date_trunc('week', fecha_entrada)::date as semana,
count(*) as facturas,
round(avg(extract(epoch from (fecha_procesada - fecha_entrada)) / 3600)::numeric, 1)
as horas_medias_hasta_procesar,
round(100.0 * count(*) filter (where tuvo_correccion) / count(*), 1)
as pct_con_error
from facturas
where fecha_entrada >= current_date - interval '8 weeks'
group by 1
order by 1;Si esos datos no existen, cronometra una muestra durante una semana y anota las correcciones. Una hoja sencilla vale. Lo importante es usar el mismo método antes y después.
También puedes convertir el tiempo en un coste aproximado. Supongamos que procesas 120 facturas a la semana, que cada una lleva seis minutos y que la hora de trabajo cuesta 25 euros:
facturas_semana = 120
minutos_por_factura = 6
coste_hora = 25
horas = facturas_semana * minutos_por_factura / 60
coste_semanal = horas * coste_hora
print(f"{horas:.0f} h/semana → {coste_semanal:.0f} €/semana")
# 12 h/semana → 300 €/semanaEs una estimación, no un caso de negocio completo: puede dejar fuera el tiempo de supervisión, la configuración, el mantenimiento y las licencias. Aun así, ayuda a decidir si conviene investigar el proceso. Después podrás comparar el ahorro real con ese punto de partida.
Prueba también lo que rompe la demo
Antes de dar una automatización por buena, prepara ejemplos que se parezcan al trabajo real y algunos casos incómodos. Por ejemplo:
- Una factura escaneada torcida o con poca calidad.
- Un correo con varias peticiones en el mismo mensaje.
- Un proveedor que escribe en otro idioma.
- Un campo vacío o un formato distinto al habitual.
- Una petición que el sistema no debe responder ni ejecutar.
Decide qué hará el flujo cuando no pueda completar una tarea con suficiente confianza. En muchos casos, lo sensato es detenerse, dejar constancia del motivo y avisar a una persona. No le pidas que improvise una respuesta o que escriba datos dudosos en el sistema.
Durante las primeras semanas, ejecuta el proceso automatizado en paralelo con el manual. Compara una muestra de resultados: ¿clasificó bien los mensajes?, ¿extrajo los campos correctos?, ¿cuánto tiempo requirió revisar lo que preparó? En una herramienta como n8n, puedes poner una aprobación humana antes de enviar un mensaje a un cliente, actualizar datos sensibles o iniciar una acción con consecuencias económicas.
Reduce las revisiones solo cuando los resultados se mantengan dentro de lo que habéis definido como aceptable. Si los fallos se repiten, vuelve a revisar los ejemplos, las reglas y los datos de entrada. El objetivo no es que el flujo parezca autónomo, sino que el proceso funcione con menos trabajo y con un nivel de riesgo conocido.
La IA prepara; una persona responde de lo importante
Para un primer proyecto, suele funcionar bien que la IA clasifique, extraiga o prepare una propuesta, y que una persona revise los casos inciertos o importantes. Con el tiempo, y a partir de resultados comprobados, puedes ampliar lo que el sistema hace por su cuenta.
Ese reparto también facilita explicar el cambio al equipo. La automatización se encarga de una parte concreta y las personas conservan el criterio en los casos donde un error puede afectar a un cliente, al dinero o a la calidad del servicio.
Un ejercicio de media hora para empezar
- Anota tres tareas repetitivas que hace tu equipo.
- Pásalas por los filtros de volumen, reglas, riesgo y medición.
- Elige una y registra su volumen semanal, tiempo por caso y número de correcciones.
Con esas cifras tendrás una primera referencia para decidir si merece la pena automatizar esa tarea. También podrás comprobar, después, si el cambio ayudó de verdad.
¿Qué proceso le quita más tiempo a tu equipo cada semana? En Premium Data podemos ayudarte a revisar si es un buen candidato y cómo medirlo antes de automatizarlo. Cuéntanos qué ocurre hoy en tu proceso.
Preguntas frecuentes
¿Cuál es un buen primer proyecto de IA para una PYME?
Una tarea frecuente, con pasos repetibles y reglas que el equipo pueda explicar. Clasificar correos o extraer campos de facturas pueden ser opciones, siempre que puedas revisar los resultados y corregir errores.
¿Qué debería medir antes de automatizar?
Empieza por el volumen semanal, el tiempo por caso y la tasa de correcciones o errores. Registra también el tiempo de revisión una vez que pruebes la automatización.
¿Cuándo puedo dejar que la automatización actúe sola?
No hay un plazo universal. Mantén la supervisión hasta que las pruebas con casos normales y difíciles den resultados estables, y define qué tipos de decisión deben seguir pasando por una persona.
Recursos para preparar tu primer proyecto de IA
- Para revisar los errores de planteamiento, consulta por qué se abandonan los proyectos de IA en pymes.
- Para decidir qué herramientas necesitas, lee la guía del stack mínimo viable de IA para una pyme.
- Para priorizar procesos antes de invertir, conoce el diagnóstico y estrategia digital de Premium Data.