Dónde encaja realmente la IA en una empresa

En el post anterior ordenamos qué quiere decir la gente cuando habla de IA. Ahora viene una pregunta más útil: no si la tecnología es real, sino dónde rinde en tu empresa.

La respuesta honesta es menos glamorosa que muchos titulares. Estas herramientas ayudan mucho en algunos lugares, un poco en otros y nada en varios donde la gente más quiere que ayuden. El trabajo es distinguirlos antes de gastar.

Dónde suele rendir

En empresas chicas y medianas aparece un patrón bastante claro. Las mejores oportunidades suelen estar en tareas repetidas, con mucho texto o datos, donde un borrador útil ya genera valor.

• Atención al cliente. Redactar respuestas, resumir tickets, sugerir próximos pasos. En un estudio con 5.179 agentes de soporte de una empresa de software, el acceso a un asistente aumentó los casos resueltos por hora un 14 por ciento en promedio (Brynjolfsson, Li, and Raymond, 2025).
• Conocimiento interno. Hacer preguntas sobre políticas, manuales, procedimientos o proyectos anteriores sin revolver carpetas.
• Procesamiento de documentos. Extraer datos de facturas, contratos o formularios, y pasar el resultado a una persona para validarlo.
• Redacción y resumen. Primeros borradores de mails, propuestas e informes. Síntesis de reuniones o hilos largos.
• Análisis de datos. Preguntarle en lenguaje común a una planilla, detectar patrones o armar un gráfico inicial.
• Pronósticos. Estimar demanda, dotación, flujo de caja o carga operativa a partir del historial que ya tenés.

Lo común no es la magia. Es trabajo de lenguaje o números, repetido muchas veces, donde ahorrar una parte del esfuerzo ya importa.

Cómo reconocer una buena tarea candidata

No necesitás un equipo de ciencia de datos para detectar una oportunidad razonable. Buscá tres rasgos.

Es repetitiva. Alguien la hace muchas veces por semana, con pasos parecidos. Ahí los pequeños ahorros se acumulan.

Trabaja con texto o datos. La materia prima son palabras, números o documentos que ya existen. No trabajo físico ni juicio presencial.

Tolera revisión humana. Una persona puede mirar la salida antes de que llegue a un cliente, un regulador o una decisión importante. Este es el requisito silencioso de casi todo uso seguro hoy. La herramienta puede ser rápida y útil, pero no conviene tratarla como infalible.

Hay un cuarto punto que vale la pena mirar. En el mismo estudio de soporte, las mayores ganancias aparecieron en trabajadores más nuevos o con menos experiencia, que mejoraron un 34 por ciento, mientras que los más experimentados casi no se movieron (Brynjolfsson, Li, and Raymond, 2025).

Estos sistemas suelen levantar el piso más que el techo. Distribuyen parte de lo que tus mejores personas ya saben hacia quienes todavía están aprendiendo. Si una tarea depende mucho de experiencia desigual dentro del equipo, puede ser un buen lugar para empezar.

Dónde decepciona

Esta parte muchos proveedores la esquivan. Conviene decirla igual.

Decisiones de alto riesgo sin margen de error. Si una salida equivocada puede causar daño real, la cuenta cambia. En derecho ya hay casos públicos de abogados que presentaron escritos con fallos inventados por herramientas generativas, con nombres y citas que sonaban reales (Scientific American, 2025). El problema no fue falta de inteligencia. Fue confiar en una respuesta segura sin verificarla. Cuando una tarea no tolera ese tipo de error, la herramienta puede asistir, pero no debería tener la última palabra.

Datos escasos o desordenados. Los modelos necesitan ejemplos o contexto. Si tus registros están incompletos, dispersos o metidos en sistemas que no se hablan, no hay una base sólida. Pronosticar con dos años de historial limpio puede tener sentido. Hacerlo con planillas sueltas a medio completar, no tanto.

Tareas que tienen que salir exactas siempre. Impuestos, seguridad, salud, liquidaciones sensibles, contratos críticos. La herramienta puede ayudar a una persona calificada, pero no cargar con la responsabilidad.

El patrón es simple: cuanto más caro es equivocarse y más difícil es detectar el error a tiempo, más cuidado necesitás.

Esfuerzo contra impacto

Cuando ya tenés algunas tareas candidatas, ordenalas con una matriz simple: esfuerzo contra impacto.

Impacto es lo que ganás si funciona: horas recuperadas, respuestas más rápidas, menos errores, menos acumulación de pendientes.

Esfuerzo es lo que cuesta llegar ahí: comprar una herramienta, configurarla, integrarla con sistemas, entrenar al equipo, revisar seguridad, cambiar un proceso.

Empezá por alto impacto y bajo esfuerzo. Un equipo de soporte saturado, con tickets repetitivos y una herramienta lista para usar, suele caer en ese cuadrante. Tené cuidado con el alto esfuerzo y el impacto incierto. Ahí viven muchas decepciones caras.

No necesitás un gráfico sofisticado. Una lista y una conversación honesta alcanzan. La disciplina está en no subestimar el esfuerzo, que es justo lo que suele pasar cuando una demo se ve demasiado fácil.

Comprar antes que construir

Una regla práctica para empresas chicas y medianas: casi seguro no necesitás entrenar tu propio modelo.

La adopción ya es amplia. Stanford reporta que el 78 por ciento de las organizaciones usa estas tecnologías en al menos una función, frente al 55 por ciento del año anterior (Stanford HAI AI Index, 2025). La enorme mayoría no construyó el modelo base. Compró una herramienta, la configuró y la incorporó a un proceso.

Construir desde cero cuesta mucho, requiere talento difícil de contratar y te deja con mantenimiento permanente. Para casi toda empresa chica o mediana, lo sensato es empezar con herramientas existentes, conectarlas con cuidado a los datos correctos y poner revisión humana donde hace falta.

Tratá “construir” como la excepción, no como el punto de partida.

Por dónde empezar

El panorama es más acotado de lo que sugiere la moda, y eso ayuda. No tenés que “hacer IA” en abstracto. Tenés que encontrar dos o tres tareas repetitivas, con mucho texto o datos, donde una mejora parcial ya tenga valor y pueda revisarse antes de generar riesgo.

La parte difícil no es elegir la tecnología. Es mirar tu operación con honestidad y separar oportunidades reales de pruebas sueltas. Primero diagnosticás, después implementás.