Hay un dato que debería preocupar a cualquier empresa que hoy está invirtiendo en inteligencia artificial: según McKinsey, el 88% de las organizaciones que están implementando IA reporta no haber obtenido impactos significativos en sus resultados. El 88%.
No es que la tecnología no funcione. El problema está en cómo se está encarando el proceso.
En este episodio hablé con Javier Ginéz, especialista en transformación digital con años de experiencia integrando sistemas en empresas, y miembro de la comunidad de Pioneros IA. Javier compartió el método que aplica para implementar inteligencia artificial de forma que realmente mueva los números, y no solo mejore la eficiencia individual de algunas personas mientras los resultados generales quedan iguales.
El error más común: automatizar lo que no debería existir
Cuando una empresa quiere implementar IA, el movimiento más natural es mirar las tareas que más tiempo consumen y buscar automatizarlas. Tiene sentido, ¿no?
El problema es que esa lógica parte de un supuesto equivocado: que lo que ya existe está bien diseñado y solo necesita ser más rápido.
Javier lo ilustra con un caso real. Miguel, coordinador de logística en una distribuidora de alimentos en México, pasaba entre el 40% y 60% de su tiempo cargando datos manualmente en una planilla de Excel: guías de transporte, estados de entrega, montos de facturación. Todos los días.
La solución obvia parecía ser automatizar esa planilla. Conectarla al sistema, crear un algoritmo que la cargue sola.
Pero cuando Javier mapeó el flujo completo de valor, encontró algo diferente: la información que Miguel cargaba a mano ya existía en dos sistemas distintos, el ERP de la empresa y la plataforma de transporte. El problema no era la planilla. El problema era que los sistemas no estaban integrados entre sí.
La solución correcta no era automatizar la planilla. Era eliminarla integrando los sistemas. Y eso es exactamente lo que hicieron.
Lo que se pierde cuando se automatiza sin pensar
El director de la empresa, Diego, fue claro: el problema no era solo el costo del sueldo de Miguel haciendo data entry. Era que estaban desperdiciando a alguien que podría estar mejorando la operación. La persona con capacidad de proponer mejoras estaba atrapada copiando números de un sistema a otro.
Eso pasa en muchas empresas. Personas valiosas enterradas en tareas manuales que existen porque nadie se detuvo a preguntar por qué existen.
El diagnóstico como punto de partida
El método de Javier no empieza con tecnología. Empieza con un diagnóstico estructural de la empresa que incluye:
- Entrevistas con referentes de los principales flujos de trabajo
- Encuesta anónima al equipo sobre su relación con la IA
- Mapeo del flujo de valor de punta a punta, desde el cliente hacia adentro
- Análisis del estado y calidad de los datos
- Identificación de KPIs que van a medir el éxito
En el caso de Diego, ese proceso llevó cuatro semanas, nueve entrevistas y arrojó 26 oportunidades de mejora identificadas a lo largo de todo el flujo.
Esas oportunidades no se ordenaron por área funcional — ventas, logística, administración. Se priorizaron por su posición en la cadena de valor, siguiendo un principio del lean manufacturing: arreglar primero lo de adentro antes de salir a buscar más clientes. Si la operación interna está rota, traer más pedidos solo genera más caos.
Si estás pensando en cómo llevar este tipo de enfoque a tu propia organización, en Pioneros IA trabajamos con profesionales y empresas para que puedan aplicar la IA de forma práctica y con resultados medibles.
El problema de fondo: los silos funcionales
Hay algo que Javier plantea y que pocas veces se dice con tanta claridad: cuando implementás IA sobre estructuras ineficientes, lo único que hacés es automatizar ineficiencias.
Las empresas tienen, en paralelo, tres estructuras:
- La formal: el organigrama, las áreas por especialidad, los procesos verticales con aprobaciones y controles.
- La informal: la red de vínculos, los canales de confianza, las conversaciones que no ocurren en reuniones.
- La de creación de valor: las relaciones entre personas y equipos que hacen que un producto o servicio llegue al cliente, de punta a punta.
La tercera estructura es la que más importa para implementar IA. Y es la que menos atención recibe.
Cuando cada área trabaja en sus propios objetivos y le pasa el resultado al área siguiente, nadie es dueño del flujo completo. La información viaja por lotes, los sistemas están fragmentados y las ineficiencias se acumulan. Algunos estudios plantean que hasta el 50% de la energía organizacional se gasta en mantener procesos burocráticos e ineficientes, en lugar de crear valor.
La IA no resuelve ese problema si se la agrega encima de esa estructura. Lo empeora.
Los agentes diseñados dentro del flujo, no como herramientas sueltas
Una vez resuelto el diagnóstico y priorizada la hoja de ruta, Javier y su equipo diseñaron tres agentes de IA integrados al ERP y a los canales que ya usaba la empresa:
- Agente de prospección: identifica potenciales clientes y los ingresa al sistema.
- Agente de calificación de leads: evalúa automáticamente la calidad de cada contacto y lo registra.
- Agente de atención y seguimiento: toma pedidos por WhatsApp, consulta disponibilidad de productos, genera órdenes y hace seguimiento proactivo con los clientes.
La diferencia con agregar un chatbot cualquiera es que estos agentes están integrados dentro del flujo de valor, no son herramientas sueltas que alguien usa por su cuenta. Cuando uno actúa, los datos fluyen al siguiente eslabón de la cadena automáticamente.
Los datos: la base que nadie cuida
Un punto que Javier destaca especialmente es el estado de los datos. Antes de activar cualquier agente, tuvieron que limpiar, consolidar y completar la información del sistema: datos de clientes incompletos, números de teléfono faltantes, información duplicada entre sistemas.
Sin ese trabajo previo, el agente de atención no podría funcionar. No tiene caso poner en marcha una herramienta inteligente si los datos que va a usar son un caos.
Lo que propone Javier es un documento de gobierno de datos: un acuerdo explícito dentro de la empresa sobre quién es responsable de registrar qué información, en qué formato, en qué sistema y cuándo. Los datos como materia prima de toda la operación, no como algo que se registra cuando hay tiempo.
Ciclos cortos, resultados medibles
El modelo de implementación que Javier aplica no es un proyecto de un año donde al final te enterás si funcionó. Son ciclos trimestrales con tres etapas:
- Descubrimiento: qué queremos mejorar, por qué, con qué indicadores lo vamos a medir.
- Opciones: qué vamos a hacer, cómo, quién lo ejecuta.
- Entrega y medición: se implementa la mejora, se miden los KPIs definidos al inicio.
Al cerrar cada ciclo, hay una decisión concreta: ¿seguimos iterando sobre esto o pasamos a la siguiente oportunidad? No hay proyectos grandes y ambiciosos que prometenresultados difusos. Hay mejoras acumulativas, medibles y rápidas.
Conclusiones
Lo que más me quedó de esta conversación con Javier es algo que parece simple pero en la práctica pocas empresas lo hacen: ver el problema completo antes de buscar la solución técnica.
La IA no es un parche que se pone arriba de lo que ya existe. Es una oportunidad para repensar cómo fluye el trabajo, quién es dueño de qué parte del proceso y qué información está fragmentada en mil sistemas que no hablan entre sí.
El 88% que no está viendo resultados probablemente saltó directo a la herramienta sin pasar por ese análisis. El 12% que sí los está viendo, probablemente hizo algo parecido a lo que describió Javier: empezar por entender el flujo, limpiar los datos, priorizar por impacto y medir desde el primer ciclo.
Si tu empresa está pensando en implementar IA, el mejor punto de partida no es elegir la plataforma. Es entender dónde está realmente el problema.
Escuchá el episodio completo con Javier Ginéz en Spotify y YouTube. Y si querés explorar cómo aplicar este enfoque en tu organización, pasate por Pioneros IA.