IA generativa en la empresa: qué funciona, qué no y por dónde empezar

«Estamos probando IA generativa» es hoy la respuesta por defecto cuando preguntas a un comité de dirección qué están haciendo con inteligencia artificial. Al rascar un poco, en muchas empresas eso significa que hay licencias de un asistente conversacional repartidas por marketing y ventas, que alguien redacta correos más rápido y que nadie ha medido nada. La IA generativa en empresas funciona de verdad, pero no así: funciona cuando se aplica a un proceso concreto, con datos propios y con alguien que responde del resultado.

Esta guía es el resumen honesto de esa distinción: qué es realmente la IA generativa, qué casos están dando resultado hoy en empresas medianas, cuáles siguen fallando por mucho que se demuestren bien, qué riesgos hay que cerrar antes de abrir la puerta a la plantilla, cuánto cuesta de verdad y cómo montar un primer caso en 90 días sin quemar el presupuesto ni la credibilidad interna.

¿Qué es la IA generativa y en qué se diferencia de la IA de siempre?

La IA que las empresas llevan usando dos décadas es predictiva o clasificatoria: recibe datos estructurados y devuelve un número o una etiqueta. Cuántas unidades venderé, este cliente tiene riesgo de baja, esta transacción parece fraude. Su salida es corta, comprobable y fácil de medir contra la realidad.

La IA generativa produce contenido nuevo: texto, código, imágenes, resúmenes, traducciones, respuestas. Se entrena con enormes cantidades de material y aprende a continuar patrones de forma verosímil. Esa palabra —verosímil— es la clave de todo lo que viene después: el sistema optimiza que la respuesta parezca correcta, no que lo sea. En un modelo de previsión de demanda, el error se ve en la desviación; en un texto generado, el error tiene la misma prosa segura que el acierto.

Tres consecuencias prácticas para dirección:

• Es horizontal. Un modelo predictivo sirve para un problema. Un modelo generativo sirve para cualquier tarea con lenguaje de por medio, lo que explica el entusiasmo y también el desorden.
• La barrera de entrada es baja y la de valor es alta. Cualquiera puede probarlo en una tarde; llevarlo a un proceso con garantías, trazabilidad y datos internos es un proyecto de ingeniería.
• No sustituye a lo anterior. Si necesitas prever tesorería o detectar anomalías, sigue siendo machine learning clásico lo que resuelve. Mezclar ambos mundos es habitual y sano; confundirlos es caro.

La IA generativa no sabe si tiene razón. Ese hecho, y no la potencia del modelo, es lo que determina en qué procesos puedes usarla y con qué controles.

¿Qué casos de IA generativa funcionan hoy en empresas?

El patrón de los casos que aguantan producción es siempre el mismo: tarea repetitiva, con material de referencia propio, resultado revisable y volumen suficiente para que ahorrar minutos sume. Cuanto más se aleja un caso de esos cuatro rasgos, más probable es que acabe en el cajón.

| Caso | Qué resuelve | Por qué funciona | |---|---|---| | Búsqueda sobre documentación interna | Encontrar la respuesta en manuales, contratos, procedimientos y normativa propia | La respuesta se apoya en documentos citados, así que es verificable | | Borradores de respuesta en atención al cliente | Redactar la contestación que después revisa un agente | Hay histórico de tickets y el humano valida antes de enviar | | Extracción de datos de documentos | Sacar campos de facturas, albaranes, pólizas o contratos a un sistema | La salida es estructurada y se puede validar contra reglas | | Resúmenes de reuniones y llamadas | Actas, siguientes pasos, registro en CRM | Error tolerable, ahorro inmediato, nadie decide solo con el acta | | Apoyo a desarrollo de software | Código, pruebas, documentación técnica | El compilador y los tests actúan de control de calidad automático | | Primera versión de contenido comercial | Fichas de producto, propuestas, material de marketing | Alto volumen, revisión editorial obligatoria antes de publicar |

Dos matices que se olvidan al leer una tabla así. El primero: casi todos estos casos exigen conectar el modelo a información de la empresa, no usarlo a pelo. La técnica habitual consiste en recuperar los documentos relevantes y pasárselos al modelo con la pregunta, de modo que responda con material propio y cite de dónde sale. Sin eso, el asistente contesta con conocimiento general y en dominios especializados eso es ruido.

El segundo: el ahorro real aparece cuando el resultado entra en un sistema, no cuando se copia y pega. Un resumen de llamada que hay que trasladar a mano al CRM ahorra la mitad de lo que parecía. Es el mismo principio que en cualquier proyecto de automatización de procesos: el valor está en el flujo completo, no en el paso bonito.

¿Qué no hace bien y conviene no prometer?

Hay una lista corta de usos que se demuestran maravillosamente en una reunión y se caen en cuanto pasan a producción:

• Decisiones sin revisión humana con consecuencias legales o económicas. Aprobar un crédito, denegar una garantía, calificar a un candidato. Además del riesgo, el reglamento europeo de IA trata varios de estos usos como alto riesgo, con obligaciones que multiplican el coste del proyecto.
• Cálculo. Un modelo de lenguaje no es una hoja de cálculo. Si el caso implica sumar, prorratear o consolidar cifras, esa parte la tiene que hacer un sistema determinista y el modelo solo explicarla.
• Respuestas sobre datos que cambian cada hora sin conexión en vivo a la fuente. Un asistente que responde con el stock de la semana pasada genera más incidencias de las que evita.
• Sustituir a un especialista sénior. Acelera el trabajo de quien ya sabe evaluar el resultado. En manos de alguien sin criterio para detectar el error, la velocidad juega en contra.
• Cualquier proceso sin un experto disponible para revisar. Si el equipo no tiene tiempo para validar salidas las primeras semanas, el caso no está listo, por bueno que sea el modelo.

La regla de bolsillo que usamos en las auditorías: si nadie de la empresa es capaz de detectar en menos de un minuto que una respuesta está mal, ese proceso todavía no es candidato a IA generativa.

¿Qué riesgos hay que cerrar antes de dar acceso a la plantilla?

No son riesgos exóticos y ninguno bloquea el proyecto; simplemente hay que resolverlos antes, porque después cuestan diez veces más.

• Fuga de información. El riesgo número uno no es el modelo: es que alguien pegue un contrato o un listado de clientes en una herramienta personal. Se resuelve con una vía oficial que funcione bien —si la alternativa aprobada es peor, la gente usa la suya— y con una política de una página que todo el mundo entienda.
• Datos personales. Si el caso toca datos de clientes o empleados, hay que decidir base legal, tratamiento y encargados antes de la primera prueba. En muchos casos se puede trabajar con datos anonimizados o seudonimizados y el problema se reduce mucho.
• Alucinaciones. Se mitigan, no se eliminan: respuestas ancladas en documentos propios, citas al origen, y un diseño de interfaz que deja claro que aquello es un borrador. Y una medida aburrida que funciona: registrar las respuestas para poder auditar qué se contestó.
• Trazabilidad. Guardar qué se preguntó, con qué documentos se respondió y quién validó. Es lo que convierte un experimento en algo defendible ante un cliente, una inspección o un comité.
• Dependencia de proveedor. Diseña el caso de forma que el modelo sea una pieza sustituible. Los proveedores cambian precios y condiciones; si tu lógica de negocio vive dentro de una herramienta cerrada, el cambio te cuesta el proyecto entero.

Nada de esto es un departamento nuevo. Es el mínimo viable de gobierno del dato aplicado a un caso concreto: quién puede usar qué, con qué datos y quién responde.

¿Cuánto cuesta de verdad un caso en producción?

La sorpresa habitual es que el consumo del modelo suele ser la partida más pequeña. Lo caro es todo lo que hay alrededor.

| Partida | Peso típico | Comentario | |---|---|---| | Preparación de la información | Alto | Localizar, limpiar y estructurar la documentación es el grueso del esfuerzo | | Integración con vuestros sistemas | Alto | ERP, CRM, gestor documental: donde se decide si ahorra tiempo de verdad | | Consumo del modelo | Bajo | Se mide en céntimos por consulta; escala con el uso, no con la plantilla | | Evaluación y ajuste | Medio | Batería de casos de prueba y revisión de calidad las primeras semanas | | Cambio de forma de trabajar | Medio | Formación, política de uso y seguimiento de adopción real | | Mantenimiento anual | 15-25 % de lo inicial | Los documentos cambian, los modelos también |

Dos señales de presupuesto mal planteado. Si el coste está casi todo en licencias por usuario y casi nada en integración, estás comprando productividad individual difusa, no un proceso mejorado. Y si el proveedor no ha preguntado por el estado de vuestra documentación antes de dar un precio, el precio no significa nada: el mismo caso cuesta el triple con un repositorio desordenado y quince versiones del mismo procedimiento.

¿Cómo empezar en 90 días sin quemar presupuesto?

Un plan que hemos visto funcionar en empresas medianas, con equipos que no tienen perfiles de IA en plantilla:

| Semanas | Qué se hace | Resultado | |---|---|---| | 1-2 | Inventario de tareas candidatas y elección de UNA, con dueño y métrica | Caso escrito en una página | | 3-4 | Política de uso y decisión sobre datos: qué entra, qué no, dónde se guarda | Vía oficial abierta y comunicada | | 5-8 | Prototipo conectado a documentación real, con 30-50 preguntas de prueba | Medición de calidad, no demo | | 9-11 | Integración en la herramienta donde ya trabaja el equipo | Uso sin cambiar de pantalla | | 12-13 | Medición contra la línea base y decisión: escalar, ajustar o parar | Número, no impresión |

Tres condiciones que marcan la diferencia entre esto y un piloto más:

• Medir la línea base antes. Cuánto se tarda hoy, cuántos errores hay hoy. Sin ese dato, en la semana 13 la discusión será de opiniones y ganará el más elocuente.
• Un caso, no una plataforma. La tentación de montar «el asistente corporativo» primero es fuerte y es la vía rápida al abandono. Un caso resuelto genera más tracción interna que diez prometidos.
• Permitir parar. Un piloto que no puede fracasar no es un piloto, es un compromiso disfrazado. La mitad del aprendizaje está en los casos que se descartan con criterio.

Es la misma lección que analizamos en por qué fracasan los pilotos de IA: casi nunca falla el modelo, falla el diseño del proceso alrededor y la ausencia de una métrica acordada al principio.

Preguntas frecuentes

¿Necesito un modelo propio o entrenado con mis datos?

Casi nunca. Para la gran mayoría de casos empresariales basta con un modelo de mercado al que se le entrega la documentación relevante en cada consulta. Entrenar o afinar un modelo propio se justifica en dominios muy específicos o con requisitos de confidencialidad extremos, y multiplica coste y mantenimiento.

¿Es seguro usar IA generativa con datos de clientes?

Puede serlo, con condiciones: contrato de encargado de tratamiento, garantías de que tus datos no se usan para entrenar, control de quién accede y registro de lo que se consulta. Lo que no es seguro es que cada persona use su cuenta particular con documentos de la empresa, que es lo que ocurre por defecto cuando no hay alternativa oficial.

¿Cuánta gente hace falta para mantenerlo?

Un caso en producción no necesita un equipo dedicado, pero sí un responsable identificado que revise calidad, actualice la documentación de referencia y recoja incidencias. Si nadie tiene ese encargo en su agenda, la calidad se degrada en meses sin que nadie se dé cuenta.

¿Un asistente interno es lo mismo que un agente de IA?

No. Un asistente responde a lo que le preguntas; un agente de IA ejecuta pasos en tus sistemas para completar una tarea. El segundo aporta más y exige mucho más control: permisos, límites y trazabilidad de cada acción.

Si estás en el punto de «tenemos que hacer algo con IA generativa» pero no sabes qué caso escoger, ese es exactamente el trabajo de la auditoría: mirar procesos, datos y sistemas reales para salir con dos o tres candidatos priorizados por esfuerzo e impacto, y con los descartados por escrito. Y si prefieres contrastarlo antes en una conversación de media hora, hablemos.