Tu empresa no necesita IA: necesita resolver un problema

La prisa por meter IA en la empresa está llevando a muchas compañías a comprar la tecnología antes de saber qué problema quieren resolver con ella. Hace veinte años pasó lo mismo con el CRM, y conviene recordar cómo acabó.

Comprar la respuesta antes de tener la pregunta

En las reuniones con clientes oigo cada vez más una frase: «tenemos que meter IA». Pocas veces viene acompañada de un para qué. La competencia ha anunciado su asistente inteligente y el comité de dirección pregunta qué estamos haciendo nosotros. Al poco, hay presupuesto para un proyecto de IA, pero nadie ha escrito todavía qué tiene que resolver.

La presión es real. Gartner encuestó a responsables de atención al cliente y el 60% reconocía que le estaban empujando a adoptar IA en su área. Querer no quedarse atrás es razonable. Lo que sale caro es que esa presión ocupe el lugar de la estrategia.

De momento, los resultados son pobres. En la última encuesta global de McKinsey, el 88% de las organizaciones usaba IA en al menos una función. Solo el 39% atribuía a la IA algún impacto en el EBIT, y en la mayoría de esos casos era inferior al 5%. Hoy cualquiera puede usar IA en la empresa, pero muy pocos consiguen que se note en la cuenta de resultados.

Gráfico sobre el impacto de la IA en la empresa: el 88% de las organizaciones usa IA, el 39% atribuye algún impacto en el EBIT y solo el 6% obtiene el 5% o más de su EBIT gracias a la IA (McKinsey, 2025)

En España la adopción va deprisa: según el INE, el 21,1% de las empresas de diez o más empleados usaba IA en el primer trimestre de 2025, 8,7 puntos más que un año antes.

Lo que ya pasó con el CRM

Como recordaréis los más veteranos, a principios de los 2000 la herramienta que había que tener era el CRM. Las empresas compraban licencias y contrataban implantaciones esperando que el software se ocupara de la relación con sus clientes. Muchas no se habían parado a pensar qué relación querían tener con ellos.

Darrell Rigby y Fred Reichheld, de Bain, recogían entonces una estimación de Gartner: el 55% de los programas de CRM no recuperaba la inversión. En una encuesta a directivos, el 87% atribuía el fracaso a problemas de liderazgo y de gestión del cambio, y solo un 4% al software. En su artículo de Harvard Business Review de 2002, el primer error de su lista era implantar el CRM sin tener antes una estrategia de cliente.

Ponían como ejemplo a The New York Times. El periódico pasó años estudiando a sus suscriptores y ajustando la distribución y el contenido local, y llegó a retener al 94% en un sector que rondaba el 60%. La tecnología de CRM llegó después, para acelerar procesos que ya funcionaban.

Los análisis posteriores van en la misma línea: los proyectos fallan más por procesos, personas y estrategia que por el software. Un estudio de Forrester sobre riesgos en proyectos CRM lo cuantificó, y la tecnología resultó ser el problema que menos proyectos citaban. Muchos CRM que se dieron por buenos acabaron sirviendo de agenda de contactos, y bastante cara.

Gráfico: en los proyectos CRM, los problemas de procesos (44%), personas (42%) y estrategia (40%) se citan más que los tecnológicos (35%), según Forrester

Con la IA en la empresa estamos cometiendo el mismo error: esperar que la herramienta decida por nosotros qué hacer.

Chatbots que no ayudan a nadie

Donde más se nota es en la atención al cliente. Quien haya intentado cambiar una reserva o reclamar un cargo por chat conoce la escena: el bot no entiende la pregunta, responde con generalidades y no hay forma de hablar con una persona.

En una encuesta de Gartner a más de 5.700 clientes, el 64% prefería que las empresas no usaran IA en atención al cliente, y el 53% se plantearía cambiar de proveedor por ese motivo. Lo que más les preocupaba era que la IA se convirtiera en un obstáculo más para llegar a alguien.

Gráfico sobre la IA en la empresa y la atención al cliente: el 64% de los clientes preferiría que no se usara IA en atención al cliente; su principal preocupación (60%) es que sea más difícil hablar con una persona (Gartner, 2024)

El fallo casi nunca está en el modelo de lenguaje, sino en el diseño. Nadie decidió qué consultas tenía que resolver el bot, con qué información contaba y en qué momento debía pasar el caso a una persona sin obligar al cliente a empezar de cero.

Klarna llegó a presumir de que su asistente hacía el trabajo de 700 agentes y atendía dos tercios de las consultas. Un año después, su consejero delegado reconoció que habían dado demasiado peso al ahorro y que la calidad del servicio había bajado, y la empresa volvió a contratar personal. En Canadá, un tribunal obligó a Air Canada a pagar un reembolso que su chatbot se había inventado. La aerolínea alegó que no respondía de lo que dijera el bot, y el tribunal no lo aceptó: el chatbot forma parte de su web.

La IA en la empresa no se decreta desde el departamento técnico

El CRM y la IA comparten otro error: que la decisión la tome solo el área técnica. La herramienta puede estar bien elegida, integrada y configurada, y aun así quedarse sin uso si no se ha construido con las personas que van a trabajar con ella cada día.

El estudio del MIT sobre IA generativa señalaba como factor de éxito que lideraran los responsables de cada área, y no solo un equipo central de IA. Con el CRM pasaba algo parecido: según los análisis sobre fracasos, la adopción caía cuando los usuarios veían el proyecto como una iniciativa de sistemas. Y cuando la herramienta oficial no encaja con el trabajo real, la gente se busca la vida. El mismo informe del MIT describe un uso extendido de herramientas de IA personales al margen de las corporativas.

Por eso, antes de escribir código conviene sentarse con quien atiende al cliente, revisa los partes o gestiona las incidencias, y ver cómo trabajan y dónde pierden el tiempo. Las pruebas y los ajustes también se hacen con ellos.

Cómo lo hacemos en Aloguest

En Aloguest, nuestro software de gestión de alquiler turístico y de media estancia, usamos IA en tres tareas. En las tres empezamos por el problema.

La primera es la revisión de las fotos de limpieza. Al terminar cada servicio, el equipo de limpieza sube fotos del apartamento y la IA comprueba una lista de requisitos: que estén las amenities del baño, que se hayan dejado las toallas, etc. Si falta algo, salta una alerta. Los días con muchas salidas, cuando hay que preparar muchos apartamentos a la vez, ese aviso llega en el momento y el fallo se corrige antes de que entre el siguiente huésped.

La segunda son los mensajes a huéspedes. Muchos son repetitivos y dicen casi lo mismo cada vez. Aloguest tiene una base de conocimiento muy amplia de cada alojamiento, y la IA la usa para preparar un primer borrador de la respuesta. El gestor lo revisa y lo envía, y tarda mucho menos que si lo escribiera desde cero.

La tercera es la conciliación bancaria. Hay muchísimos importes de reservas que cuadrar, y ahora se concilian solos cruzando las facturas de venta, las de compra y los movimientos del banco. Antes era un trabajo manual bastante tedioso.

En los tres casos sabíamos qué queríamos resolver antes de elegir la tecnología, y podemos medir lo que ganamos en tiempo y en errores evitados. Y donde importa el criterio de una persona, como en lo que se le dice a un huésped, sigue decidiendo una persona.

¿Y si esperar nos deja atrás?

Es una objeción razonable. Hay investigación económica, como la de Erik Brynjolfsson y otros sobre la llamada curva en J, que lo respalda en parte. Al adoptar una tecnología de propósito general, la productividad suele caer primero y despegar después, sobre todo en quienes empiezan antes.

Pero esa subida llega a las empresas que reorganizan sus procesos alrededor de la tecnología. Ese trabajo es justo el que se salta quien incorpora IA a la empresa por inercia. McKinsey lo ve en sus datos: las empresas que más rendimiento sacan de la IA tienen casi tres veces más probabilidades de haber rediseñado sus flujos de trabajo. Y Gartner prevé que más del 40% de los proyectos de agentes de IA se cancelarán antes de que acabe 2027. Las razones: costes que se disparan, valor de negocio poco claro o falta de control de riesgos. Probar está bien, siempre que se sepa qué se quiere comprobar y cómo se va a medir.

Seis preguntas antes de llevar la IA a tu empresa

Si te toca defender o frenar un proyecto de IA en tu empresa, estas preguntas ayudan:

  1. ¿Qué problema concreto resuelve? Si la respuesta es «mejorar la experiencia» o «ser más innovadores», todavía no hay proyecto.
  2. ¿Cómo sabremos que funciona? Hace falta una métrica de negocio medida antes y después: tiempo de resolución, incidencias detectadas, coste por operación.
  3. ¿Qué pasa cuando se equivoca? Quién lo revisa, cuándo entra una persona y quién responde ante el cliente.
  4. ¿Qué proceso cambia? Si el flujo de trabajo queda igual y solo se añade la IA encima, el impacto será pequeño.
  5. ¿Es la IA la mejor opción? A veces una regla, un formulario bien hecho o reordenar un proceso resuelve lo mismo con menos coste y menos riesgo.
  6. ¿Quién la va a usar cada día, y ha participado en el diseño? Si la respuesta es «eso lo tiene claro sistemas», lo más probable es que la herramienta acabe sin usarse.

Primero, el problema

La IA va a cambiar la forma de trabajar de muchas empresas, igual que el CRM la cambió en las que lo trataron como una estrategia y no solo como un programa. Saldrán ganando las que sepan para qué la quieren, aunque no sean las primeras en tenerla.

Llevo desde 2008 construyendo y manteniendo productos digitales con WIVA, y esta conversación la tengo a menudo con equipos de producto y tecnología. Si estás evaluando dónde tiene sentido aplicar IA en tu empresa, o cómo integrarla sin añadir deuda técnica ni riesgos innecesarios, estaré encantado de pensarlo contigo.

Join the discussion One Comment

Leave a Reply

Share