Cómo implantar IA en una empresa: guía paso a paso
Empieza por un solo proceso con dueño y métrica, no por «transformar la empresa». Prioriza con impacto/esfuerzo, monta un piloto medible con revisión humana, decide comprar/construir/integrar y escala solo si el go/no-go es positivo — con alfabetización y AI Act en paralelo.
¿Por dónde empezar?
Por el proceso que más duele y que alguien puede defender en una reunión de dirección. No por el modelo de moda. Si no hay dueño, no hay piloto: la IA se convierte en un chat divertido y en cero cambio operativo.
Haz tres preguntas: ¿qué tarea se repite cada semana?, ¿dónde se pierde tiempo o se cometen errores caros?, ¿qué sistema es la fuente de verdad (ERP, Excel, correo, WhatsApp)? Con esas respuestas ya puedes acotar un candidato. El marco de fases lo tienes en metodología; el servicio de entrada suele ser diagnóstico y hoja de ruta.
Evita el kickoff «vamos a poner IA en todo». Ese enunciado no se puede medir. Sustitúyelo por «en ocho semanas queremos que el X% de los pedidos entrantes queden creados en el ERP con menos de Y minutos de revisión» — o la métrica equivalente de tu proceso.
¿Cómo elegir el primer proceso? (matriz impacto/esfuerzo)
Lista 8–15 candidatos y puntúa impacto (tiempo, errores, cliente, margen) y esfuerzo (datos, integraciones, hábitos, riesgo normativo). El primer piloto debería vivir en alto impacto / bajo o medio esfuerzo.
| Proceso | Impacto | Esfuerzo | Cuadrante |
|---|---|---|---|
| Tipificar mediciones a banco de partidas | Alto | Medio | Piloto fuerte |
| Confirmar rutas por WhatsApp | Alto | Medio | Piloto fuerte |
| Chat genérico «pregúntame lo que sea» | Bajo | Bajo | Relleno |
| Decisión automática de contratación | Alto | Alto + riesgo | Aparcar / rediseñar |
Plantilla en blanco: matriz impacto/esfuerzo (Markdown + HTML; email opcional). Úsala en un taller de 60–90 minutos con operaciones, no solo con IT.
¿Qué datos mínimos necesitas?
Una muestra real (aunque sea pequeña), el esquema del sistema destino y ejemplos de excepciones. Sin muestra, el piloto mide fantasía. Sin excepciones, el umbral de confianza se inventa tarde y mal.
Anonimiza o minimiza datos personales. Si el proceso toca candidatos, pacientes o crédito, para y revisa base legal + AI Act antes de pegar nada en un modelo público. RGPD y Reglamento de IA conviven.
En lectura documental, el linaje importa: saber de qué página salió cada campo. En matching de partidas, importa la unidad y el banco curado. En pedidos, importa el identificador de cliente y las reglas de corte horario.
¿Comprar, construir o integrar?
Comprar un SaaS tiene sentido cuando el proceso es estándar y el proveedor ya escribe en tu ecosistema. Construir cuando el valor está en tu banco de partidas, tus reglas de ruta o tu esquema documental. Integrar casi siempre: aunque compres el modelo, alguien tiene que conectar correo, ERP y cola humana.
Ship Shift suele combinar: modelos vía API + lógica vuestra + UI mínima + runbook. Evitamos vender «un cerebro» sin tuberías. Si eres agencia partner, mira marca blanca.
¿Cómo se diseña el piloto y las métricas?
Define la métrica antes de escribir código. Ejemplos válidos: % de partidas tipificadas a la primera, minutos de revisión por pedido, % de campos extraídos con linaje verificado. Ejemplos inválidos: «mejorar la productividad» sin número.
Monta umbral de confianza y cola de revisión. La persona no es un «por si acaso»: es parte del sistema. Cuando la confianza es baja, se escala a humano o a un modelo más potente — y se registra.
Cierra con go/no-go escrito. Si no se alcanza la métrica, documenta causas (datos, alcance, cambio de proceso). A veces el no-go es el mejor resultado del trimestre.
¿Cuándo escalar?
Cuando la métrica es estable, el runbook existe y el dueño del proceso sigue al mando. Escalar significa más volumen, más tipologías o más canales — no «quitar al humano» el día dos.
Instrumenta: logs, tasas de excepción, tiempo de cola. Sin eso, el mes tres nadie sabe si el sistema se degradó. El mantenimiento (prompts, reglas, conectores) es coste recurrente: trátalo en precios como tal.
¿Qué riesgos y qué dice el Reglamento de IA?
En paralelo al piloto: inventario de usos, alfabetización (art. 4) y clasificación orientativa de riesgo. Calendario resumido: alfabetización desde 2/2/2025; marcado de contenido 2/12/2026; alto riesgo anexo III 2/12/2027; anexo I 2/8/2028 (Reglamento 2026/1744). Detalle y fuentes en Reglamento de IA para pymes y cumplimiento AI Act.
Si el piloto toca empleo o scoring, rediseña con decisión humana desde el día uno. No «ya lo endurecemos en 2027».
¿Cuánto cuesta implantar IA?
No publicamos tarifas fijas inventadas. El coste depende del número de sistemas, calidad de muestra, volumen, idiomas y seguridad. Trabajamos con presupuesto cerrado por fase tras ver el proceso. Factores y calculadora orientativa de tiempo liberado: /precios. Ayudas posibles: /ayudas-ia (sin prometer convocatorias cerradas).
¿Cuáles son los errores típicos?
- Empezar por el modelo predictivo sin base limpia.
- Comprar un chatbot genérico y «ya lo conectaremos».
- Prometer plazos de landing sin haber visto el ERP.
- Omitir la cola humana para parecer «autónomos».
- Ignorar shadow AI (cuentas personales con datos de clientes).
- Medir vanidad («número de prompts») en lugar de resultado de negocio.
Lo que hemos visto en proyectos reales
En presupuestos de instalaciones, el matching híbrido sobre un banco curado de 1.045 partidas tipificó 159 partidas sin código de un proyecto público con un 83 % de acierto a la primera y 91,8 % en el top-5. La lección: la métrica y el banco mandan; el modelo no inventa precios. Ficha: caso presupuestos.
En distribución (Carbón del Sur + LogIA), el valor apareció al cerrar pedido–confirmación–ruta en el número real de WhatsApp, no al enseñar un demo de flota genérico. Resultado cualitativo autorizado, sin porcentajes inventados. Ficha: caso Carbón del Sur.
En archivo técnico energético, sin linaje documento→campo el analista no sabe si culpar al OCR, a la fuente o al modelo. Primero esquema y traza; después predicción. Ficha: caso informes.
Siguiente paso
Si quieres bajar esto a tu proceso: cuéntanoslo. Si aún priorizas en solitario, descarga la matriz y vuelve con tres candidatos puntuados.
Detalle operativo que suele decidir el éxito
La mayoría de fracasos no vienen del modelo: vienen de no acordar quién valida excepciones, de no tener muestra representativa y de cambiar el alcance a mitad del piloto («ya que estamos, que también haga facturas»). Protege el perímetro del piloto por escrito. Si aparece un nuevo canal o un nuevo ERP, es otra fase.
Define el horario de corte y el tono de los mensajes si el canal es WhatsApp o email. En distribución, un «pásame mañana» mal interpretado duplica pedidos. En obra, una unidad mal inferida tumba un candidato semánticamente parecido. Esos bordes se diseñan en el discovery, no en la semana de go-live.
Prepara un runbook de una página: qué hace el sistema, qué hace la persona, cómo se marca un falso positivo, cómo se pide un cambio de prompt o de regla. Sin runbook, el conocimiento se va con la persona que montó el piloto.
Mide también el coste recurrente: tokens, alojamiento, mantenimiento y minutos humanos de revisión. Un piloto «gratis» que consume media jornada de revisión no es un win. Compáralo mentalmente con el ahorro de tiempo que estimas en la calculadora orientativa.
Si el proceso cruza varios idiomas (castellano, catalán, inglés de proveedores), dilo pronto: afecta a prompts, plantillas y evaluación. Ship Shift trabaja con equipos en Cataluña y resto de España; el catalán en canales de cliente es un requisito frecuente, no un extra decorativo.
Cuando el piloto toca documentos históricos, reserva tiempo para tipología cerrada y linaje. Saltar a «extraerlo todo» hincha la cola humana y mata la confianza. El patrón del caso energético aplica igual en industria con archivo denso.
Gobierna el shadow AI en paralelo: si el comercial sigue pegando ofertas en una cuenta personal mientras construís el piloto oficial, tenéis dos sistemas y un solo riesgo. Política breve + cuentas de empresa + alfabetización art. 4. Enlaza con alfabetización y AI Act.
Para partners y agencias que quieren reutilizar el patrón: valorad marca blanca. Para integraciones sin API limpia: integraciones (también con export/import y RPA acotado cuando toca).
Checklist mental antes de firmar la fase 1: dueño nombrado, métrica escrita, muestra en carpeta, umbral propuesto, lista de sistemas, riesgos AI Act/RGPD marcados, y fecha de go/no-go. Si falta uno, el diagnóstico lo señala — mejor ahí que a mitad de sprint.
Cómo leer este artículo si estás comparando proveedores
Mira si el texto admite límites (qué no automatizamos), si las fechas normativas llevan fuente y si los casos enlazados existen de verdad en /casos. Ship Shift publica pocos casos con permiso y omite lo que el equipo no ha autorizado. Esa honestidad negativa es deliberada.
Usa los enlaces internos a servicios, soluciones, metodología y precios para bajar a tierra. El CTA no es un embudo opaco: es una conversación sobre tu proceso con origen blog-como-implantar-ia-en-una-empresa.
Si tu búsqueda era informativa, quédate con el cuadro «En resumen» y la tabla. Si era comercial, salta al contacto o al servicio enlazado en el hero. Si era normativa, guarda la checklist y contrastala con tu asesoría.
En proyectos reales hemos aprendido que el contenido útil reduce reuniones de alineación: el equipo cliente llega con vocabulario compartido (agente ≠ chatbot, art. 4 ≠ certificado mágico, piloto ≠ transformar la empresa). Ese es el ROI editorial de este blog.
Plantillas relacionadas viven en /recursos/matriz-impacto-esfuerzo-ia y /recursos/checklist-ai-act-pymes. El calendario de 24 títulos está en el repo para no improvisar temas cada semana.
Versión en catalán disponible en paralelo: misma estructura, redacción natural. RSS en /blog/feed.xml para suscribirte a nuevas piezas cuando salgan del backlog.
Preguntas frecuentes
¿Cuánto tarda un primer piloto de IA?
Depende del proceso y de los datos. En metodología Ship Shift trabajamos por fases con go/no-go; no publicamos plazos fijos en la web. El diagnóstico previo reduce sorpresas.
¿Necesito un departamento de datos?
No para el primer piloto. Necesitas dueño del proceso, muestra real y alguien que decida excepciones. El departamento de datos ayuda al escalar.
¿Empezamos por ChatGPT Enterprise?
Puede ser parte de la gobernanza (cuentas, política), pero no sustituye automatizar un proceso con integración. Ver implantación de IA generativa.
¿Y si el piloto falla la métrica?
Se documenta el porqué y a menudo el no-go ahorra una implantación cara. Fallar barato es diseño, no vergüenza.