Cómo saber si tu empresa necesita IA, una automatización simple o solo datos más limpios

Nos llega seguido la misma frase: «queremos meter IA». Casi nunca viene acompañada del problema que la IA resolvería. Y ahí está la trampa. La pregunta no es «¿qué tecnología ponemos?», sino «¿qué nos está costando plata o tiempo hoy, y por qué?». Cuando se invierte el orden, el proyecto se elige por la moda y no por la necesidad, y termina caro.

Los números acompañan la advertencia. Gartner proyectó que al menos un 30% de los proyectos de IA generativa se abandonarían tras la prueba de concepto antes de fin de 2025, por mala calidad de datos, costos que se disparan y valor de negocio poco claro. Una encuesta de S&P Global mostró algo peor: la proporción de empresas que abandonaron la mayoría de sus iniciativas de IA antes de llegar a producción saltó de 17% a 42% en un año. No es que la IA no sirva. Es que se compra antes de entender el problema.

Casi todo lo que una pyme quiere arreglar cabe en una de tres capas. La primera son los datos: información dispersa, duplicada o en planillas que nadie cuadra. La segunda es la automatización: una tarea repetitiva y de reglas claras que una persona hace a mano todas las semanas. La tercera es la IA: decisiones o textos que requieren interpretar lenguaje, imágenes o patrones que no se pueden escribir como una regla fija.

El orden importa porque el costo y el riesgo suben en cada escalón. Limpiar datos es lo más barato y casi siempre lo más rentable. Automatizar un proceso de reglas es predecible y se paga rápido. La IA es la herramienta más potente, pero también la más cara de mantener y la que más depende de que las dos capas de abajo estén sanas. Saltarse las primeras dos para ir directo a la IA es como comprar un auto de carrera para una calle sin pavimentar.

Señal típica: dos áreas reportan el mismo número distinto. Ventas dice una cosa, finanzas dice otra, y nadie sabe cuál creer. O el mismo cliente aparece tres veces escrito diferente. O cierran el mes a punta de copiar y pegar entre cinco planillas. Eso no es un problema de IA. Es un problema de datos, y meterle IA encima solo amplifica el desorden más rápido.

Esto no es teoría. Gartner estimó que los datos de mala calidad le cuestan a las organizaciones unos US$12,9 millones al año en promedio; ese número viene de grandes empresas, pero el mecanismo es el mismo en una pyme a otra escala: decisiones tardías, reprocesos y oportunidades perdidas. La solución suele ser ordenada y sin tecnología nueva: una sola fuente de verdad, campos consistentes, y un par de validaciones al cargar la información. Aburrido, sí. Pero arregla la raíz.

Si la tarea se puede describir con un «cuando pasa X, haz Y», casi seguro es automatización, no IA. Copiar pedidos del correo a un sistema. Generar la misma factura cada mes. Avisar por WhatsApp cuando un stock baja del mínimo. Pasar datos de un formulario a una planilla. Son tareas con reglas fijas, sin ambigüedad, y se resuelven con herramientas que ya existen y cuestan poco.

Vale la pena porque el tiempo perdido es real: una encuesta de Smartsheet encontró que más del 40% de los trabajadores dedican al menos un cuarto de su semana laboral a tareas manuales y repetitivas. En una pyme de diez personas, eso es como tener un sueldo y medio yéndose en copiar y pegar. Automatizar lo repetitivo no es lujo; muchas veces es la inversión que más rápido se paga, y prepara el terreno por si más adelante la IA sí tiene sentido.

La IA gana cuando hay que interpretar algo que no cabe en una regla: leer cientos de correos de clientes y agruparlos por intención, resumir contratos largos, responder preguntas sobre tus propios documentos, clasificar fotos de productos. Ahí el lenguaje y los patrones son el problema, y ninguna automatización de reglas lo resuelve sola.

Pero hay una condición que casi nadie menciona en la venta: la IA genérica, sin tus datos y tu contexto, acierta poco. Según data.world, los modelos de lenguaje responden correctamente preguntas reales de negocio solo cerca del 16,7% de las veces cuando no se apoyan en una base de datos bien estructurada. Traducido: si tus datos están sucios, la IA hereda el desorden y lo presenta con tono seguro. Por eso, incluso cuando la respuesta es IA, el primer paso casi siempre es la capa de datos. La IA es el último piso del edificio, no los cimientos.

Antes de cotizar nada, hazte tres preguntas en este orden. Una: ¿confío en mis datos y vienen de una sola fuente? Si no, empieza por ahí. Dos: ¿la tarea se puede escribir como una regla de «si pasa esto, haz esto otro»? Si sí, es automatización, no IA. Tres: ¿lo que falta es interpretar lenguaje, imágenes o patrones que cambian? Recién ahí la IA entra a la conversación, y siempre apoyada en datos limpios.

A veces la respuesta honesta es «todavía no compres nada»: ordena, mide un par de meses y vuelve a mirar. Eso ahorra más que cualquier herramienta. Si después de estas preguntas no tienes claro en qué capa estás, esa es justo la conversación que tiene sentido tener: una charla corta de diagnóstico, sin compromiso, para ponerle nombre al problema real antes de gastar. Si te sirve, hablémoslo.