En los últimos tres años, la inteligencia artificial pasó de ser un tema de especialistas a estar en cualquier reunión comercial. Proveedores ofrecen “asistentes de IA personalizados”, “agentes para atención al cliente”, “análisis predictivo con IA”, todo a precios que parecen razonables hasta que uno mira la letra chica.
El entusiasmo es comprensible. La tecnología funciona mejor que hace dos años, y hay casos de uso genuinamente útiles en cualquier PyME. El problema es que el camino típico hacia un proyecto de IA fallido empieza por lo mismo que un proyecto de ERP fallido: querer hacer todo junto, sin medir, con una inversión grande desde el primer mes.
El patrón que funciona
Empresas que hoy tienen IA incorporada en la operación, en la gran mayoría de los casos, llegaron ahí por un camino parecido: un caso de uso único, bien definido, fácil de medir, con inversión contenida. Una vez que ese caso demostró valor (o falta de valor), decidieron ampliar. Y ahí recién pasaron a buscar plataformas, integraciones y presupuestos más grandes.
El camino contrario, que es el que venden muchos proveedores, va así: comprar una plataforma grande, pagar consultoría de implementación, esperar seis meses a ver resultados y descubrir que la mitad de las funcionalidades no se usan. El desperdicio es importante y suele dejar mala experiencia que cuesta revertir.
Cómo elegir el primer caso
Cuatro preguntas ayudan a encontrar un buen candidato:
¿Es un proceso repetitivo con alto volumen? Si se hace dos veces por año, no vale la pena automatizar con IA. Si se hace todos los días, o varias veces por semana, el retorno aparece rápido.
¿Los datos de entrada están en formato previsible? La IA funciona mejor con entradas estructuradas o semiestructuradas: emails con formato similar, documentos con campos identificables, consultas recurrentes. Entradas caóticas requieren más trabajo de adaptación y pueden no llegar al umbral de calidad necesario.
¿El costo de un error es bajo o se puede detectar? Si la IA se equivoca y nadie lo ve, es un problema. Si el error se puede detectar y corregir antes de que impacte, es manejable. Buenos primeros casos son aquellos donde la salida de IA pasa por revisión humana antes de usarse.
¿Se puede medir el ahorro en horas o en dinero? Sin métrica, no se puede saber si el proyecto funcionó. Un caso candidato debería permitir decir al final del mes: “antes tardaba X horas, ahora tarda Y”.
Los tres o cuatro casos que aparecen primero en PyMEs
En las empresas que conocemos, los casos que mejor funcionan como primer proyecto son estos:
Clasificación de correos entrantes. Un asistente que lee los mails que llegan al correo general (ventas@, info@) y los etiqueta por tipo: consulta de producto, queja, pedido de cotización, soporte técnico, spam. Con eso se arman carpetas automáticas y quien atiende llega a la bandeja ya ordenada.
Respuestas a preguntas frecuentes. Un chat interno que responde a los empleados preguntas sobre documentación, procedimientos, políticas de RRHH. Se conecta a las carpetas internas de la empresa y devuelve respuestas basadas en esos documentos, citando la fuente.
Procesamiento de facturas y remitos recibidos. Un flujo que toma los PDFs que llegan por email, extrae los datos (CUIT, razón social, fecha, importe) y los vuelca a una planilla o al ERP. Ahorro inmediato en horas de carga manual.
Resumen de reuniones. Transcripción automática de grabaciones de Zoom o Google Meet más un resumen con puntos clave y acciones. Útil en empresas con muchas reuniones internas.
Los cuatro comparten características: alto volumen, entradas predecibles, salida verificable, ahorro medible. Y ninguno requiere empezar con una plataforma gigante.
Qué medir, cómo medir
Antes de implementar, conviene pasar una semana midiendo el proceso actual sin cambios:
– Cuántas unidades se procesan (mails, facturas, consultas, etc.).
– Cuánto tiempo total se dedica (sumando personas y horas).
– Cuántos errores o retrabajos aparecen por semana.
– Qué costo directo tiene el proceso hoy.
Esa línea base permite comparar después. Sin la medición previa, cualquier afirmación sobre ahorro es una sensación.
Lo que conviene evitar en el primer proyecto
Tres cosas que, en el primer proyecto, suelen desencadenar frustración:
Casos con mucha excepción. “La mayoría de los mails siguen un formato parecido, pero hay clientes grandes que escriben distinto”: esos clientes grandes van a ser justamente los que el sistema maneje mal, y son los que más importan. Mejor empezar por un flujo donde el 95% siga una estructura predecible.
Integraciones profundas con sistemas legacy. Conectar la IA con el ERP viejo que no tiene API, o con un sistema que requiere scraping de pantallas, es un proyecto en sí mismo. Para el primer paso, conviene trabajar con entradas y salidas en email, carpetas compartidas o planillas.
Expectativas de “autonomía total”. En el primer año, la IA asiste al humano. Toma la parte mecánica y deja la decisión. Las propuestas que prometen reemplazar personas de entrada suelen entregar menos de lo que ofrecen.
Qué herramientas tienen sentido para arrancar
La industria de IA tiene muchas opciones. Para un primer proyecto en PyME:
– Modelos en la nube: OpenAI (ChatGPT API), Anthropic (Claude API), Google (Gemini API). Se pagan por uso, sin costo fijo mensual. Un caso de uso típico termina costando entre 20 y 100 dólares al mes en API.
– Modelos locales: Ollama con Llama 3, Mistral, Qwen o Phi. Si la empresa quiere que los datos no salgan de la red, se puede correr sobre un servidor propio. El costo es el hardware (una placa de video de gama media alcanza para la mayoría de los modelos chicos).
– Plataformas de orquestación: n8n, Make, Zapier. Permiten armar flujos visuales que conectan la IA con el correo, planillas, bases de datos. Mucha menos fricción que programar desde cero.
El combo n8n + un modelo en la nube cubre el 80% de los primeros casos, con inversión mensual de dos o tres dígitos en dólares.
¿Hay algún proceso en la empresa que se hace muchas veces por semana, con entradas parecidas, que ocupa horas de trabajo administrativo? Si lo hay, probablemente es el primer candidato. Medirlo una semana antes de pensar en IA es el paso que separa un proyecto útil de un gasto que no se sabe si valió la pena.
