1.Qué resultado tiene que aparecer en 90 días
Antes de elegir modelo, proveedor o plataforma, definí qué número va a cambiar. Un proyecto de IA para una empresa mediana arranca bien cuando el comité de dirección puede responder en una línea: «en 90 días, esto tiene que bajar el costo por pedido procesado de X a Y» o «tiene que reducir de 48 a 12 horas el tiempo de respuesta a una licitación». Si la respuesta es «que la empresa esté más preparada para la IA», no hay proyecto: hay un presupuesto que se va a consumir sin dejar rastro.
El dato que ordena la conversación es de McKinsey (State of AI 2025): el 88% de las organizaciones ya usa IA en al menos una función, pero apenas el 39% reporta algún impacto en su EBIT y la mayoría de esos casos habla de menos del 5%. Es decir: casi todos usan IA, muy pocos pueden mostrar el número. La diferencia entre los dos grupos no es el modelo que eligieron, es si definieron el resultado antes de empezar.
Un ejemplo del tipo de definición que sirve. Un distribuidor de insumos con 80 empleados recibe 300 pedidos por WhatsApp y mail al día; dos personas los transcriben al sistema. El resultado no es «implementar un agente de IA»: es que el 70% de esos pedidos entre al ERP sin transcripción manual y con un error de carga menor al 2%. Ese enunciado ya trae el alcance, la métrica y el criterio para decidir si el proyecto sigue o se corta.
2.El diagnóstico: dónde se pierde el margen hoy
El diagnóstico consiste en encontrar los procesos donde hay trabajo repetitivo, volumen suficiente y un resultado verificable. No es un relevamiento de herramientas: es un mapa de horas y errores. En una empresa mediana o grande suele haber entre 15 y 40 procesos candidatos; la mayoría no sirve para empezar, porque tienen poco volumen o porque el error no se puede detectar automáticamente.
Tres filtros dejan la lista corta:
- Volumen: el proceso se repite decenas de veces por semana. Con cuatro casos al mes no hay retorno posible.
- Regla de oro verificable: existe una forma objetiva de saber si el resultado está bien (un total que cierra, un campo que coincide, una respuesta que el cliente acepta).
- Dueño: hay una persona con nombre y apellido que hoy sufre ese proceso y va a defender la mejora.
Lo que queda afuera del diagnóstico también importa: los procesos donde el error es caro e indetectable —una liquidación impositiva, un diagnóstico médico, una aprobación de crédito— no son candidatos para la primera ola. Se pueden automatizar más adelante, con revisión humana obligatoria y trazabilidad. Empezar por ahí es la forma más rápida de que la dirección pierda la confianza en todo el programa.
| Proceso típico | Volumen | Error detectable | ¿Primera ola? |
|---|---|---|---|
| Carga de pedidos al ERP | Alto (cientos por día) | Sí: total y SKU contra el mensaje original | Sí |
| Respuestas de atención postventa | Alto | Sí: política y estado del pedido | Sí |
| Armado de propuestas y licitaciones | Medio | Parcial: revisión humana | Sí, con aprobación |
| Conciliación bancaria | Medio-alto | Sí: saldo y comprobante | Sí, en modo sugerencia |
| Liquidación de sueldos o impuestos | Bajo | Tardío y caro | No |
El diagnóstico se hace en dos semanas y con datos que la empresa ya tiene: cuántas veces por semana se ejecuta cada proceso, cuánto tarda, cuántas personas intervienen y cuántos errores se corrigen después. Si esa información no existe, el primer entregable del proyecto no es un agente: es un tablero que la produzca.
3.El método: cuatro etapas, un entregable por etapa
El método que funciona en empresas de este tamaño tiene cuatro etapas y cada una deja un artefacto concreto. La tentación habitual es saltear la etapa 2 —el diseño del flujo— y pasar directo de la idea a la herramienta; ahí se pierde el 80% del valor, porque el proceso nunca se rediseñó y el agente termina automatizando un desorden.
| Etapa | Qué se hace | Entregable | Quién decide |
|---|---|---|---|
| 1. Diagnóstico | Inventario de procesos, volumen, errores y horas | Lista priorizada con el resultado esperado por proceso | Dirección de operaciones |
| 2. Diseño del flujo | Rediseño del proceso con el paso humano donde corresponde | Diagrama de estados, entradas, salidas y puntos de control | Dueño del proceso + tecnología |
| 3. Piloto medido | Corrida en un canal o sucursal con métrica diaria | Tablero de aciertos, costo por caso y casos derivados a humano | Comité del proyecto |
| 4. Escala y control | Ampliación por volumen, monitoreo y reglas de corte | Runbook, alertas y umbral de calidad aceptado | Tecnología + riesgo |
La etapa 2 es donde se decide casi todo. Un caso concreto: en una operación de ecommerce, el proceso «responder consultas de envío» no se rediseña poniendo un chatbot al final del proceso actual; se rediseña logrando que el 60% de las consultas no llegue nunca a un humano porque la respuesta sale del estado real del pedido. Cambia el flujo, no la herramienta. Y cambia el costo: el mismo equipo atiende tres veces más volumen sin contratar.
¿Tenés el diagnóstico pero no el equipo? Escribime y revisamos qué automatizar primero y qué dejar como está.
Escribime un mail4.Quién lo hace: interno, proveedor o híbrido
La decisión de quién ejecuta pesa más que la tecnología. Un equipo interno sin criterio compra herramientas sueltas; un proveedor sin acceso al proceso automatiza la superficie. La combinación que funciona en empresas medianas y grandes es híbrida: alguien de adentro que conoce el proceso y responde por el resultado, y alguien de afuera que construye y opera los sistemas.
| Modalidad | Conviene cuando | Riesgo principal |
|---|---|---|
| Equipo interno | Ya hay perfiles técnicos y el volumen de proyectos es continuo | Se contratan herramientas sin método y nadie mide el resultado |
| Proveedor externo | Hace falta velocidad y no existe capacidad de construcción | Dependencia y sistemas que nadie de la empresa sabe operar |
| Híbrido | Hay dueño interno del proceso y un socio que construye y opera | Requiere definir por escrito quién responde por qué |
En la práctica, el 90% de los fracasos que se ven en empresas de este tamaño tienen la misma forma: se compró una licencia, se hizo una prueba de concepto con datos de laboratorio, anduvo, y nadie se hizo cargo de integrarla al proceso real. El informe del MIT sobre el estado de la IA en las empresas (2025) puso número a esa sensación: cerca del 95% de los pilotos de IA generativa no produce impacto medible en el resultado, y la causa que señala no es la calidad del modelo sino la distancia entre el piloto y el proceso que debía cambiar.
5.Los tres errores que hunden el primer proyecto
Los errores se repiten con una regularidad llamativa, y ninguno es técnico. El primero es empezar por la herramienta: se elige la plataforma antes de saber qué proceso cambia, y después se busca un problema que justifique la compra. El segundo es medir actividad en lugar de resultado —cantidad de usuarios, de consultas, de prompts— cuando lo que importaba era el costo por caso o el tiempo de ciclo.
El tercero es no definir el criterio de corte. Un proyecto sin umbral de abandono sigue vivo por inercia política meses después de haber mostrado que no funciona. Gartner proyectó en 2024 que al menos el 30% de los proyectos de IA generativa se abandonaría después de la prueba de concepto, por calidad de datos, controles de riesgo insuficientes, costos crecientes o valor de negocio poco claro; y un año después extendió el pronóstico a los proyectos de agentes: más del 40% cancelado hacia fines de 2027. Un umbral escrito de antemano —«si a las seis semanas el acierto no llega al 85%, se corta»— es lo que evita que el programa se coma el presupuesto del año siguiente.
Hay un cuarto error que no es de método sino de datos: darle al sistema información que la empresa no tiene ordenada. Un agente que responde sobre stock falla si el stock está en tres planillas distintas. En esos casos, la primera fase del proyecto es limpiar la fuente, no entrenar nada. Es la parte menos vistosa y la que decide el resultado.
6.La prueba: un pipeline editorial que corre hoy
El argumento «esto funciona» sin sistema detrás no vale nada. En Motor Digital Press corre un pipeline editorial con 14 agentes sobre un VPS propio que publica en cuatro sitios —Autotest, LaMoto, Transporte Mundial y Motor Digital Press— con 780 notas publicadas: un agente investiga, otro redacta con la voz editorial de cada medio, otro evalúa calidad con un puntaje y un umbral, otro publica en WordPress y otro avisa a Google para que indexe. Los agentes no reemplazaron al editor: el editor define el criterio, revisa lo que no pasa el umbral y decide qué se publica.
Qué hace replicable ese caso: el proceso estaba escrito antes de automatizarlo, cada paso tiene un dueño, la calidad se mide con un número y el humano tiene una puerta por la que entra cuando hace falta. Ese mismo esqueleto es el que sirve para cargar pedidos, armar propuestas o conciliar pagos. La industria cambia; el método no.
Del otro lado, la prueba negativa: cuando el proceso no está estandarizado, el sistema amplifica el desorden. Un agente que redacta sobre un catálogo con fichas incompletas produce respuestas seguras y equivocadas a mayor velocidad. Antes de escalar hay que poder decir qué es un resultado correcto, con ejemplos.
7.El plan de 90 días
Un plan realista para una empresa mediana o grande se ordena en tres bloques de cuatro semanas. La primera versión no necesita comité de innovación ni consultoría de diagnóstico de seis meses: necesita un dueño, un proceso y un tablero.
- Semanas 1-2 · Diagnóstico. Lista de procesos con volumen, horas y errores. Elegí uno: el de mayor volumen con error detectable.
- Semanas 3-4 · Resultado y línea de base. Escribí «de X a Y en Z días» y medí el punto de partida durante dos semanas, sin cambiar nada.
- Semanas 5-8 · Diseño y piloto. Rediseñá el flujo con el paso humano explícito y correlo en un canal acotado, con una métrica diaria.
- Semanas 9-12 · Decisión. Si la métrica se movió, escalá por volumen y escribí el runbook. Si no se movió, cortá y documentá por qué.
Dos condiciones que hacen la diferencia entre un piloto y un sistema. La primera: el responsable del proceso tiene que estar en la reunión semanal, no el área de sistemas sola. La segunda: el tablero mirado por la dirección muestra tres números —aciertos, costo por caso y casos derivados a humano—, no una lista de herramientas.
Y una advertencia sobre el orden de las compras: si el diagnóstico está bien hecho, la herramienta suele ser lo más barato del proyecto. Lo caro es el rediseño del flujo y la integración con los sistemas que ya existen. Las empresas que invierten esa proporción terminan con licencias pagas y procesos intactos.
Los ejemplos con cifras de este apartado son ilustrativos y están señalados como tales; el caso de Motor Digital Press corresponde a un sistema en operación.
Preguntas frecuentes
¿Por dónde empiezo si no tengo datos de mis procesos?
Por medir dos semanas. Anotá cuántas veces por semana se ejecuta cada proceso, cuánto tarda y cuántas correcciones se hacen después. Con eso ya hay una línea de base y un candidato claro.
¿Cuánto cuesta el primer proyecto?
Depende del alcance, pero el costo se reparte en tres partes: el modelo (por uso), la integración con los sistemas que ya tenés y el rediseño del flujo. Gartner ubica el despliegue de IA generativa a escala empresarial en un rango de US$5 a US$20 millones; un piloto acotado a un proceso está muy por debajo de eso.
¿Necesito contratar gente nueva?
No para el primer piloto. Necesitás un dueño interno del proceso con tiempo asignado y alguien que construya y opere el sistema. Contratar un equipo propio se justifica recién cuando hay varios procesos en producción.
¿Qué hago con los datos de clientes?
Definí antes de empezar qué datos salen de la empresa, con quién y bajo qué contrato. Si el proveedor no puede responder eso por escrito, el proyecto no está listo para arrancar.
¿Cómo sé si el proveedor me está vendiendo humo?
Pedile un caso con la métrica antes y después, y el nombre del sistema que quedó corriendo. Si la respuesta es una presentación y no un sistema, es una presentación.
Fuentes
- McKinsey — The State of AI 2025: Agents, innovation, and transformation (noviembre 2025; 1.993 encuestados: 88% usa IA en al menos una función, 39% reporta impacto en EBIT).
- Fortune — MIT report: 95% of generative AI pilots at companies are failing (agosto 2025, sobre el informe State of AI in Business 2025 del MIT NANDA).
- Gartner — 30% of Generative AI Projects Will Be Abandoned After Proof of Concept (julio 2024; costos de despliegue de US$5 a US$20 millones).
- Gartner — Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 (junio 2025).