Casos de uso de IA por sector: qué funciona de verdad en logística, retail, hotel e industria

Cuando alguien busca casos de uso de IA suele encontrar dos cosas: listas de cien ideas sin contexto o presentaciones de sector con cifras que nadie puede verificar. Ninguna de las dos sirve para decidir. Lo que hace falta es más aburrido y más útil: qué se está aplicando hoy en tu tipo de negocio, con qué datos, qué cambia en la operación del día a día y qué hace falta tener antes de empezar.

Este artículo recorre cinco sectores —logística, retail, hostelería, industria y servicios profesionales— con casos que hemos visto funcionar en empresas medianas españolas. No hay porcentajes de mejora prometidos: el retorno depende de tu volumen, tu margen y lo ordenados que estén tus datos, y cualquiera que te dé una cifra genérica antes de mirar tu operación te está vendiendo una diapositiva.

¿Qué es un caso de uso de IA y qué no lo es?

Un caso de uso es una decisión o una tarea concreta, con dueño, frecuencia y coste actual conocido, que la IA hace mejor, más rápido o más barato. Tiene cuatro elementos obligatorios:

• Una decisión que cambia. Cuánto pedir, a quién llamar, qué revisar primero, qué responder.
• Un dato de entrada que ya existe. No «lo tendríamos que empezar a registrar», sino algo que hoy está en el ERP, el CRM, un sensor o una bandeja de correo.
• Una persona responsable. Quien usa el resultado y responde de él cuando falla.
• Una alternativa actual medible. Lo que cuesta hacerlo hoy a mano, en horas o en errores.

Si falta cualquiera de los cuatro, no es un caso de uso: es una idea. Las ideas son gratis y no llegan a producción. Es exactamente la razón por la que tantos proyectos se quedan en demo, algo que desarrollamos en por qué fracasan los pilotos de IA.

El mejor primer caso no es el más impresionante. Es el que deja instalada la cañería —accesos, limpieza, integración— que abarata los cinco siguientes.

¿Qué casos de uso de IA funcionan en logística y transporte?

La logística tiene una ventaja rara: casi todo está ya digitalizado y con marca de tiempo. Los albaranes, las rutas, los tiempos de carga y las incidencias dejan un rastro que se puede aprovechar sin montar nada nuevo.

Previsión de demanda por referencia y almacén. El caso de siempre y el que más peso mueve. No sustituye al responsable de compras: le da un punto de partida para 4.000 referencias en vez de para las 40 que le da tiempo a mirar. El listón a batir es la previsión actual, no el azar; lo explicamos en análisis predictivo aplicado.

Lectura automática de documentos de transporte. Albaranes firmados, CMR, facturas de transportista. Extracción de campos, cotejo contra el pedido y aviso solo cuando hay discrepancia. Es de los casos con menos riesgo: si la extracción falla, el documento cae en la cola manual de siempre.

Priorización de incidencias. Clasificar automáticamente reclamaciones y retrasos por probabilidad de coste real, para que el equipo empiece por lo que duele. Es scoring puro y se monta sobre el histórico de incidencias que ya tienes.

Optimización de rutas asistida. Ojo aquí: gran parte de esto es investigación operativa clásica, no IA, y funciona muy bien. Que un proveedor lo etiquete como inteligencia artificial no lo mejora ni lo empeora; solo encarece la factura si te lo cobra como tal.

¿Y en retail y distribución?

En retail el problema no suele ser la falta de datos, sino que están repartidos entre TPV, e-commerce, almacén y un par de hojas de cálculo que solo entiende una persona.

Reposición y surtido por tienda. Qué mandar a cada punto de venta según su patrón, no según la media de la cadena. Requiere ventas a nivel de ticket y un maestro de producto que no tenga tres nombres para la misma referencia.

Detección de mermas y anomalías en caja. Patrones raros de devoluciones, anulaciones o descuentos. Aquí la IA no acusa a nadie: señala qué revisar, y la revisión la hace una persona con criterio.

Atención al cliente con respuesta asistida. Estado de pedido, devoluciones, disponibilidad. Funciona cuando está conectado al sistema real; si no, es un FAQ caro. La frontera entre lo que conviene automatizar y lo que no la tratamos en chatbots para empresas.

Enriquecimiento de fichas de producto. Generación de descripciones, atributos y etiquetas a partir de fichas técnicas. Caso poco glamuroso, retorno rápido cuando tienes miles de referencias y un equipo de marketing de tres personas.

Control visual en el lineal o el almacén. Roturas de stock, colocación, conteo. Depende mucho de la calidad de la instalación de cámaras; lo desgranamos en visión artificial en la empresa.

¿Qué hace la IA en hostelería y hoteles?

El sector hotelero tiene estacionalidad marcada, mucho canal y mucho texto libre. Esa combinación abre casos concretos.

Previsión de ocupación y apoyo a la tarifa. Modelos alimentados con histórico propio, calendario de eventos y ritmo de reservas. La decisión sigue siendo humana: el modelo aporta la curva, revenue pone el criterio comercial.

Planificación de turnos según demanda prevista. Cocina, limpieza y recepción dimensionadas por ocupación esperada en vez de por costumbre. Es de los casos que antes se nota en la cuenta de explotación porque el personal es la partida grande.

Lectura sistemática de reseñas y encuestas. Miles de comentarios en varios idiomas convertidos en temas recurrentes por establecimiento y periodo. Deja de ser una lectura anecdótica del director y pasa a ser un indicador comparable.

Respuesta a peticiones frecuentes antes de la llegada. Horarios, parking, traslados, mascotas. Descarga a recepción de la parte repetitiva y libera tiempo para lo que sí requiere una persona.

¿Qué casos de uso de IA hay en industria y fabricación?

La industria es donde el dato es más rico y más difícil a la vez: sensores que generan mucho volumen pero rara vez ligados al resultado de calidad o a la parada real.

Inspección visual de calidad. Detección de defectos en línea con cámara. Cuando el defecto es visible y repetible, es uno de los casos con retorno más claro. Cuando el defecto lo detecta un operario veterano por el sonido, la conversación es otra.

Mantenimiento predictivo. Anticipar el fallo a partir de señales de la máquina. Exige algo que muchas plantas no tienen: histórico de averías bien registrado y fechado. Sin eso no hay etiqueta que aprender y el proyecto se queda en monitorización, que ya es útil pero no es predicción.

Ajuste de parámetros de proceso. Recomendación de consignas a partir de lotes anteriores y su resultado de calidad. Terreno delicado: siempre con límites duros de seguridad y con el operario decidiendo.

Planificación de producción. Secuenciar órdenes considerando cambios de formato, disponibilidad y compromisos de entrega. Mezcla de optimización y previsión.

Comparativa rápida de por dónde suele empezar cada sector:

| Sector | Primer caso habitual | Dato imprescindible | Riesgo típico | |---|---|---|---| | Logística | Previsión de demanda | Histórico de ventas por referencia y fecha | Maestro de producto inconsistente | | Retail | Reposición por tienda | Ventas a nivel de ticket | Datos partidos entre TPV y e-commerce | | Hostelería | Previsión de ocupación | Reservas históricas por canal y fecha | Estacionalidad con poco histórico | | Industria | Inspección visual | Imágenes etiquetadas de defectos | Iluminación y posición de cámara | | Servicios profesionales | Extracción documental | Documentos digitalizados y ordenados | Confidencialidad y base legal |

¿Y en despachos y servicios profesionales?

Asesorías, despachos jurídicos, ingenierías y consultoras comparten un patrón: el producto es tiempo de personas cualificadas y una parte de ese tiempo se va en tareas mecánicas.

Extracción y clasificación documental. Facturas, nóminas, escrituras, contratos. Sacar campos, ordenar expedientes y detectar lo que falta. El caso con más recorrido inmediato, detallado en IA para asesorías.

Revisión asistida de contratos. Localizar cláusulas relevantes, comparar contra una plantilla, señalar ausencias. Nunca sustituye el criterio profesional: acorta la lectura y evita el olvido tonto.

Búsqueda sobre el conocimiento propio del despacho. Preguntar en lenguaje natural sobre expedientes, informes y precedentes internos. Requiere control de permisos serio, porque no todo el mundo debe ver todo.

Preparación de borradores. Escritos repetitivos, informes de seguimiento, resúmenes de reunión. Con revisión humana obligatoria y trazabilidad de qué se generó y quién lo validó.

En este sector la conversación sobre datos personales no es un trámite: si se tratan datos de clientes finales hay que resolver base legal, finalidad y conservación antes de tocar nada, y decidir si el flujo puede trabajar con datos tratados en lugar de originales.

¿Cómo elegir el primer caso de uso entre todos estos?

Ordenar la lista es más importante que alargarla. El criterio que usamos tiene cuatro ejes y se puede aplicar en una tarde con un folio:

1. Frecuencia. Cuántas veces al mes ocurre. Un caso que pasa cinco veces al año no paga la integración por muy caro que sea cada caso. 2. Coste actual. Horas de personas cualificadas, errores que se pagan, retrasos que cuestan clientes. 3. Disponibilidad del dato. Está en un sistema, con histórico y con resultado conocido, o hay que empezar a registrarlo. 4. Tolerancia al error. Qué pasa si se equivoca una de cada veinte veces. Si la respuesta es «nada grave, hay revisión», adelante. Si es «multa» o «parada de línea», ese no es el primero.

Con esos cuatro ejes casi siempre gana un caso poco vistoso —documentos, previsión, priorización— y pierde el que más ilusión hacía en el comité. Es buena señal. El caso vistoso llega después, cuando ya existe el camino de datos y la organización ha aprendido a trabajar con resultados probabilísticos.

Un aviso sobre el orden de la casa: si al mirar el eje 3 descubres que ningún caso tiene el dato disponible, el proyecto no es de IA todavía, es de estrategia de datos. Salta ese paso y acabarás pagando dos veces.

Preguntas frecuentes

¿Cuántos casos de uso de IA conviene abordar a la vez?

Uno. Como mucho dos si son independientes y hay equipos distintos implicados. Abrir cinco frentes con la misma gente garantiza que ninguno llegue a producción y que el año acabe con cinco pilotos parados y cero procesos cambiados.

¿Sirven los casos de uso de otro sector como referencia?

Como inspiración sí, como plan no. Lo que se traslada bien entre sectores es la familia del problema —previsión, clasificación, extracción, anomalías—, no la implementación concreta. La previsión de ocupación de un hotel y la de demanda de un distribuidor comparten técnica y no comparten casi nada más.

¿Hace falta cambiar el ERP o el CRM antes de aplicar IA?

Casi nunca. Lo habitual es integrarse con lo que hay mediante lecturas controladas y devolver el resultado al mismo sistema que el equipo ya usa. Cambiar el ERP es un proyecto de dos años que suele posponer indefinidamente cualquier mejora; el orden sensato es al revés. Más sobre esto en automatización de procesos con IA.

¿Cuándo tiene sentido un agente y no una automatización normal?

Cuando la tarea requiere decidir el siguiente paso según el resultado del anterior y consultar varios sistemas por el camino. Si el flujo es fijo y conocido, una automatización clásica es más barata, más estable y más fácil de auditar. La diferencia, con ejemplos, en agentes de IA en la empresa.

Si has llegado hasta aquí con dos o tres casos rondando la cabeza y ninguna certeza sobre cuál va primero, eso es justo lo que ordena la auditoría: los casos de tu operación puestos en una lista por esfuerzo y retorno, con el estado real de tus datos al lado y un veredicto sobre qué es viable este año y qué no. Y si prefieres contrastarlo en media hora antes de mover nada, hablemos.