Cómo saber dónde invertir de verdad en inteligencia artificial

Cada semana nos encontramos con empresas que hacen la misma pregunta:

«Queremos introducir inteligencia artificial. ¿Por dónde empezamos?»

La pregunta suena razonable. ChatGPT está en la mesa del consejo. Un competidor ha lanzado un asistente. Un proveedor está pitchando un agente. Un ejecutivo vio una demo y pidió un plan.

Esa pregunta ya contiene un error.

No es un error de curiosidad. Es un error de secuencia. Los equipos parten de la herramienta y buscan un problema al que engancharla. El orden es el contrario: primero entender dónde la empresa pierde tiempo, dinero y productividad. Después decidir si la respuesta es una integración, un workflow, un modelo o un agente de IA.

La inteligencia artificial no es el punto de partida. Es el multiplicador final de una estrategia construida sobre procesos.

En Syncronika trabajamos como AI Transformation Partner: assessment, prioridades y entrega en un solo equipo, antes de cualquier chatbot o agente.

Este artículo es una guía operativa para CEOs, COOs, CIOs, CTOs, innovation managers y founders en empresas de 50 a 1.000 personas. No es un catálogo tecnológico. Es un método para saber dónde invertir, antes de gastar en un chatbot, un Copilot o un proyecto RAG.

La pregunta de la que partir no es «¿dónde podemos usar IA?». Es: «¿qué procesos consumen más horas de trabajo, generan más errores y bloquean más valor?»

Por qué tantas empresas empiezan en el sitio equivocado

El mercado vende productos. Los productos tienen nombres. Los nombres se convierten en proyectos.

En los últimos dos años la conversación interna ha cambiado. Antes se hablaba de transformación digital en sentido amplio. Hoy, en muchas reuniones, se habla de chatbots, agentes, Copilot, RAG, automatizaciones. Todos son objetos reales. Todos son útiles en algunos contextos. Casi ninguno, por sí solo, te dice dónde la empresa está perdiendo margen.

Así ocurre.

Atención al cliente recibe miles de emails. Alguien propone un chatbot en el sitio. Ventas pasa horas actualizando el CRM. Alguien propone un Copilot. Compras clasifica PDF. Alguien propone RAG sobre documentos. IT recibe tres peticiones distintas, tres pruebas de concepto, tres proveedores.

Nadie ha medido aún las horas.

En el State of AI 2025 McKinsey encontró que el 88 % de las organizaciones usan IA en al menos una función de negocio, frente al 78 % un año antes. Solo el 39 % atribuye algún impacto de EBIT a nivel empresarial a la IA. Entre quienes lo hacen, la mayoría dice que representa menos del 5 % del EBIT. Un grupo pequeño, alrededor del 6 %, destaca como high performers: no porque tengan más herramientas, sino porque rediseñan workflows alrededor de la IA en lugar de enganchar un modelo a procesos inalterados.

La brecha entre adopción y valor no es un misterio tecnológico. Es un problema de elección.

Gartner, en una previsión de julio de 2024, estimó que al menos el 30 % de los proyectos de IA generativa se abandonarían tras la prueba de concepto a finales de 2025. Motivos: calidad de datos, costes crecientes, controles de riesgo débiles, valor de negocio poco claro. Rita Sallam, analista de Gartner, lo dijo con claridad: tras el hype, los ejecutivos quieren un retorno. Muchas organizaciones luchan por demostrar uno.

El Work Trend Index de Microsoft describió otra fractura: los knowledge workers ya usan herramientas de IA, a menudo por iniciativa propia, mientras la organización va a remolque en procesos, permisos y medición. El AI Index de Stanford sigue documentando el crecimiento en capacidad e inversión. Todo ello aumenta la presión a «hacer algo». No dice qué hacer primero.

Cuatro trampas recurrentes

Partir del catálogo del proveedor. Si la oferta es un chatbot, el problema se convierte en «necesitamos un chatbot». Si la oferta es un agente, cada proceso se convierte en candidato a agente.

Confundir visibilidad con valor. Un asistente en la web es visible. Una integración que elimina el copy-paste entre ERP y CRM no lo es. En muchas empresas la segunda vale más.

Tomar una prueba de concepto por una estrategia. Un prototipo que clasifica diez emails no es una roadmap. Es un experimento. Sin volúmenes, excepciones, integraciones y ownership, se queda en un vídeo para el consejo.

Automatizar el proceso equivocado. Lo cubrimos cuando la mayoría de los problemas empresariales aún se resuelven sin IA y al elegir qué procesos merece la pena automatizar. La tecnología llega después del mapa.

El mercado no actúa de mala fe. Vende lo que sabe producir. El trabajo de quienes dirigen la empresa es distinto: no comprar una solución antes de haber nombrado el problema en horas, euros y riesgo.

La IA no es un proyecto tecnológico

Tratar la inteligencia artificial como un proyecto de IT es cómodo. Tiene presupuesto, proveedor, fecha de go-live. También es insuficiente.

Un proyecto de IA que toca el trabajo real implica procesos, personas, organización, datos y gobernanza. IT es necesario. No basta.

Procesos

Si el flujo está confuso, la IA acelera la confusión. Si tres equipos ejecutan la misma actividad de tres formas, un modelo aprenderá tres formas, o una, y las otras dos seguirán a mano. Antes de un modelo hace falta una descripción honesta: quién hace qué, en qué sistemas, con qué excepciones.

Personas

Las personas que hoy «sostienen los sistemas» con copy-paste, llamadas y memoria personal no son un obstáculo. Son la fuente primaria de conocimiento. Sin ellas, el mapeo es un organigrama, no un proceso. El Work Trend Index lo confirma de otra forma: las personas adoptan la IA antes que la empresa. Si no las involucras, usarán herramientas no gobernadas. Si las involucras solo en el go-live, resistirán.

Organización

¿Quién posee el proceso tras la automatización? ¿Quién decide cuándo el output es aceptable? ¿Quién paga el mantenimiento? Sin ownership, el proyecto vuelve a IT como tickets. AI Transformation no es un centro de excelencia aislado. Es una responsabilidad de línea, con apoyo de datos y tecnología.

Datos

Un agente que no puede ver el pedido en el ERP, la política vigente y el ticket abierto no es inteligente: está ciego. Antes de los agentes hace falta contexto: lo llamamos Company Brain. Datos sucios, registros duplicados, documentos sin versionar: Gartner acierta aquí dos veces. Sin datos listos, la prueba de concepto muere en producción.

Gobernanza

Permisos, auditoría, trazabilidad, privacidad, qué ocurre si el sistema se equivoca. No es burocracia por sí misma. Es lo que hace financiable la innovación. Un CFO no firmará una inversión que no pueda explicar si falla en un pedido, un contrato o un cliente.

La IA en la empresa es un proyecto de transformación. La tecnología es una palanca. No es la única, y casi nunca es la primera.

Quien busca solo una software house obtiene un entregable. Quien busca un partner de AI Transformation obtiene una orden de trabajo: qué cambiar, en qué secuencia, con qué retorno esperado, y qué tecnología es la menos compleja que resuelve el problema. Es la misma lógica de nuestra consultoría digital: stack real, restricciones reales, sin slides por sí mismas.

La pregunta correcta que formular

«¿Dónde podemos usar IA?» produce una lista de casos de uso. Las listas de casos de uso llenan workshops. Rara vez llenan la cuenta de resultados.

«¿Qué procesos consumen más horas de trabajo?» produce un ranking. Un ranking se puede debatir, medir y cortar.

La diferencia no es semántica. Cambia tres cosas.

Cambia el perímetro. No empiezas por atención al cliente porque «ahí se usa mucho el lenguaje». Empiezas por el proceso que absorbe más tiempo repetitivo, esté donde esté: finanzas, operaciones, ventas, back office, calidad.

Cambia el criterio de éxito. No «lanzamos un agente». Sino: horas sacadas de trabajo de bajo valor, menos errores, cycle time, coste por caso.

Cambia la tecnología. Si el proceso es una secuencia de reglas, pueden bastar un workflow y la integración de sistemas. Si hay que interpretar texto o documentos, entra la IA. Si hay que razonar y usar herramientas, se puede hablar de agentes. Trazamos esa línea en workflows clásicos frente a automatización agéntica.

Un ejemplo pequeño.

Un escritorio de pedidos recibe peticiones por email, PDF y portal. Hoy una persona lee, busca al cliente, comprueba disponibilidad, introduce el pedido, actualiza el CRM, escribe al cliente. Diez minutos. Doscientas veces a la semana. Son más de 1.700 horas al año, antes de contar errores, urgencias y doble entrada.

La pregunta «¿dónde usamos IA?» sugiere un asistente que responde al cliente. La pregunta «¿dónde perdemos horas?» sugiere medir cada paso. A menudo el cuello de botella no es la respuesta. Es la entrada en el ERP, la reconciliación de maestros, el hand-off de estado. La IA puede leer el PDF. La integración escribe el pedido. Una persona gestiona las excepciones.

Mismo problema. Dos inversiones distintas. Dos ROI distintos.

Cómo encontrar las mejores oportunidades

No hace falta un programa a dos años para obtener un primer mapa. Hace falta un método repetible, aplicado a un perímetro real: una función, una línea de producto, un flujo end-to-end (pedido, reclamación, ciclo pasivo).

1. Mapea el proceso como ocurre, no como está dibujado

Pide a las personas que lo ejecutan que describan la semana pasada, no el procedimiento oficial. Anota los sistemas que abren, las hojas de cálculo, las excepciones, el «le pregunto a María». La brecha entre el proceso dibujado y el vivido es a menudo el proyecto real.

2. Mide volúmenes

¿Cuántas ejecuciones al mes? ¿Estacionalidad? ¿Picos? Una actividad de ocho minutos hecha 20 veces al año no es candidata. La misma actividad hecha 800 veces al mes sí lo es. Sin volumen, cada estimación de ahorro es un deseo.

3. Mide el tiempo

Tiempo medio por ejecución. Tiempo de espera entre pasos. Rework tras un error. En muchas empresas el tiempo de espera vale más que el de trabajo: un caso atascado tres días entre dos oficinas no se arregla con un chatbot.

4. Estima el coste operativo

Horas × coste fully loaded (no solo salario). Incluye costes asociados, herramientas, coordinación. Un coste horario «de mercado» entre 28 € y 45 € es un orden de magnitud para roles de back office en Italia, no una cifra contable. Está ahí para comparar oportunidades, no para cerrar los libros.

5. Cuenta errores y su impacto

Datos incorrectos en el ERP, pedido duplicado, factura atrasada, cliente que vuelve a llamar, un expediente de compliance. El error tiene un coste directo y un coste de confianza. Los procesos con alto impacto de error suben en el ranking aunque el volumen sea medio.

6. Aísla el trabajo repetitivo y los cuellos de botella

Copy-paste, clasificación, data entry, reconciliación, caza de la versión correcta del documento, el informe semanal reconstruido a mano. Son las mismas señales que usamos en automatización de procesos.

Una tabla simple de discovery ayuda a mantener el hilo.

Puntúa volumen, tiempo, estandarización, impacto del error y fragmentación de 1 a 5. Súmalos. No es ciencia. Es un filtro contra la moda.

Box · Automation Opportunity Score. Cinco dimensiones, cada una de 1 a 5. Los procesos arriba a la derecha (alto impacto, complejidad manejable) son los primeros candidatos a proyecto. Los de arriba a la izquierda (alto impacto, alta complejidad) necesitan un assessment más profundo, no una prueba de concepto improvisada. El detalle del scoring está en la guía sobre qué procesos automatizar.

Cómo calcular el ROI sin contarte historias

Un business case de IA que no parte de horas es un ejercicio de optimismo.

La cadena es simple.

Horas hoy → parte que se puede automatizar → horas recuperadas → coste horario → ahorro anual → inversión (build, integración, licencias, change, mantenimiento) → payback → ROI.

Fórmulas, en lenguaje claro:

• Ahorro anual ≈ horas semanales recuperables × 46 semanas × coste horario
• Payback en meses ≈ inversión / (ahorro anual / 12)
• ROI a 12 meses ≈ (ahorro anual − coste de run anual) / inversión

Tres matices.

La parte automatizable no es el 100 %. En muchas operaciones reales se sitúa entre el 35 % y el 70 % del tiempo repetitivo, porque excepciones, controles y relaciones permanecen. Prometer el 100 % es la forma más rápida de quemar la confianza.

El ahorro no es cash inmediato. Es capacidad liberada. Se convierte en cash si reduces overtime, absorbes crecimiento sin contratar o reduces errores que cuestan dinero. Dilo con honestidad al CFO. La encuesta de McKinsey 2025 muestra que el impacto de EBIT empresarial llega más tarde, y para pocos. El valor a nivel de función (reducciones de coste del 10-20 % en algunos casos de ingeniería, IT y manufacturing; lifts de ingresos por encima del 10 % en algunos casos de marketing y producto) es más común que un efecto en la cuenta consolidada.

La inversión no es solo el modelo. Es integración, calidad de datos, formación, monitorización, fallback humano. Gartner ha insistido en que los costes de la IA generativa no son tan lineales como el software clásico. Una prueba de concepto barata puede convertirse en un ejercicio caro en producción.

Un ejemplo numérico (un escenario, no un cliente)

Imagina un equipo de back office en una empresa industrial mid-market. Reporta 40 horas a la semana de trabajo repetitivo en el flujo de pedidos: leer peticiones, entrada en ERP, actualizaciones de CRM, emails de confirmación.

Hipótesis conservadoras:

• banda real de trabajo repetitivo: 35-45 horas/semana
• parte automatizable en el año uno: 40 %
• coste horario fully loaded: 35 €
• semanas: 46

Horas recuperadas al año ≈ 40 × 0,40 × 46 = 736 horas.

Ahorro indicativo ≈ 736 × 35 ≈ 25.800 € al año.

Si la inversión para conectar email/PDF, ERP y CRM, con controles y un operador en excepciones, es de 40.000 € en el año uno (proyecto + lanzamiento) y 12.000 € de coste de run desde el año dos, el payback está en el orden de 18-24 meses. No es magia. Es un orden de magnitud.

Si la misma dirección hubiera gastado 40.000 € en un chatbot de primera línea en la web, con 200 conversaciones al mes de las cuales 40 se resuelven de verdad sin agente, el ahorro sería otra historia: más pequeño, más visible, más débil en la cuenta de resultados.

Mismo presupuesto. Dos preguntas de partida distintas.

Box · qué no meter en el ROI. No atribuyas ingresos extra «porque ahora somos innovadores». No trates el tiempo de reuniones de managers como coste de software. No uses la tarifa horaria más alta de la empresa si perfiles administrativos ejecutan el proceso. El business case tiene que sobrevivir a una reunión con controlling.

Por qué muchas empresas implementan el proyecto equivocado

Toma un caso hipotético. Sin nombres. La mecánica le resultará familiar a quien trabaja con producción, distribución, B2B.

Una empresa industrial, 180 personas, Italia. Atención al cliente gestiona unas 25.000 emails al año (algo más de 2.000 al mes), más el teléfono. La dirección ha visto demos de asistentes conversacionales. La petición a IT es: «hagamos un chatbot, también uno interno, para poder escalar».

El análisis del flujo cuenta otra historia.

El email es solo la superficie. Debajo: clasificar el tipo de petición; buscar al cliente en tres fuentes de maestros; abrir el ERP para disponibilidad y albaranes; copiar datos al CRM; crear un ticket; a veces archivar un PDF de reclamación o certificado; actualizar el estado del pedido; responder.

El tiempo no está en la «conversación». Está en el hand-off entre sistemas y en el papel.

Un chatbot en la web podría cerrar una fracción de FAQ («¿dónde está mi pedido?») si los datos de tracking ya están expuestos de forma fiable. A menudo no lo están. El bot se convierte en un canal nuevo que aún consulta a un operador.

El valor más alto, en el mismo perímetro, está en otra parte:

• clasificar y enrutar documentos (reclamaciones, certificados, confirmaciones);
• actualizar ERP y CRM sin doble entrada;
• cerrar el ciclo de pedido con estados coherentes entre almacén, ventas y soporte.

El chatbot, si hace falta, llega después: cuando los datos están expuestos, las FAQ son reales y el canal conversacional no es la única forma de tapar un agujero de integración. Es la misma lección que el ciclo pasivo: primero extraer y comprobar documentos, después orquestar.

El proyecto equivocado no es «el chatbot». Es el chatbot como primer paso, elegido porque es visible, no porque es la restricción.

PwC y Deloitte, en sus informes de transformación, llevan años repitiendo un punto adyacente: el valor llega cuando cambia la forma de trabajar, no cuando añades una interfaz. IBM, en índices de adopción, ha documentado más de una vez el salto que falta del experimento a la escala. No hace falta otra estadística para verlo en una empresa: pregunta cuántas pruebas de concepto de los últimos 18 meses siguen vivas el lunes por la mañana.

La idea de un AI Transformation Assessment

En este punto el argumento pide una herramienta.

No otra prueba de concepto. Un AI Transformation Assessment: trabajo guiado para entender dónde la inteligencia artificial, la automatización y la integración pueden crear valor económico, en qué orden, con qué riesgo.

No es una página comercial con otro nombre. Es el siguiente paso natural de lo que cualquier director de operaciones haría con dos semanas y los datos adecuados: mapear, medir, elegir, planificar.

El output no es una slide que diga «somos AI-ready». El output es un paquete sobre el que se puede decidir.

AI Opportunity Map. Procesos candidatos, con volumen, tiempo, sistemas, restricciones. Un mapa, no un catálogo de eslóganes.

Business case. Ahorro esperado, hipótesis, qué no está incluido, qué depende de los datos.

Matriz de prioridades. Impacto vs esfuerzo vs riesgo. Qué hacer ahora, qué hacer después, qué no hacer.

Roadmap. 30, 60, 90 días y más allá: discovery más profunda, integración, IA opcional, medición. No tres herramientas que comprar el lunes.

Análisis de ROI. Payback, costes de run, indicadores a seguir tras el go-live. Si una métrica no guía una decisión, no entra en el dashboard: lo escribimos en BI y decisiones.

Un assessment así sitúa el trabajo donde corresponde: antes de elegir un modelo, antes del RFI a proveedores, antes de que el presupuesto «IA 2026» se gaste diluyéndolo.

Quien lo ejecute no debería ser solo alguien que vende licencias. Debería poder leer un proceso, un ERP, un CRM y una cola de tickets. En Italia este oficio se sitúa entre la consultoría de transformación, la integración de sistemas y el Agentic Engineering. Rara vez se sitúa en solo una de esas cajas.

El framework Syncronika: seis fases

En Syncronika organizamos este recorrido en seis fases. Los nombres en inglés son etiquetas de método. El trabajo se hace sobre tus sistemas. En la página AI Transformation Partner encontrarás el mismo método descrito como servicio.

1. Discover

Observar el trabajo real. Entrevistas cortas, shadowing, lista de sistemas, flujos principales. Objetivo: una fotografía compartida, no una auditoría punitiva. Aquí aparecen los «procesos fantasma»: hojas de cálculo, bandejas personales, grupos de WhatsApp que mantienen viva la operación.

2. Measure

Volúmenes, tiempos, errores, colas. Pocos números, buenos. Si los datos no existen, muestrea una semana. Una muestra honesta gana a un KPI inventado. Sin medición no hay prioridad, solo opinión.

3. Identify

Separar lo repetitivo y determinista de lo que necesita interpretación o juicio. Aquí decides si la palanca es integración, workflow, IA sobre documentos o texto, o un agente con herramientas. Identify también incluye eliminar: procesos que ya no deberían existir.

4. Prioritize

Matriz impacto / esfuerzo / riesgo. Eliges una o dos intervenciones para el primer ciclo. No diez. Diez iniciativas en paralelo son la forma clásica de no terminar ninguna. Los high performers de McKinsey no ganan porque hagan más experimentos. Ganan porque vinculan la IA a un cambio de workflow y a objetivos de crecimiento, no solo a un asistente.

5. Transform

Construir lo más simple que demuestre valor en el proceso elegido. Integración, regla, extracción documental, modelo opcional, agente opcional. Con permisos, logs, fallback. La transformación es sobre el proceso, no sobre la nota de prensa.

6. Optimize

Medir después. Comparar las hipótesis del business case. Corregir excepciones, umbrales, routing. Solo entonces extender. Optimize es lo contrario de «lanzamos, pasemos al siguiente caso de uso».

Este ciclo es deliberadamente poco glamuroso. Poco glamuroso, en este oficio, es un cumplido. Significa que puedes repetirlo el año que viene en otro flujo sin volver a empezar desde la demo de un proveedor.

Una versión rápida, por tu cuenta, está en el Process & AI Diagnostic: unas pocas preguntas sobre contexto, procesos, sistemas y readiness. No sustituye un assessment de campo. Te ayuda a llegar a la conversación con una primera lectura de cuellos de botella y oportunidades.

Cierre

Las empresas que ganarán en los próximos años no serán las que tengan más agentes de IA.

Serán las que identificaron, antes que otras, los procesos con mayor potencial de transformación, y tuvieron la disciplina de no partir de la herramienta.

La inteligencia artificial seguirá siendo un multiplicador. Multiplica lo que encuentra. Si encuentra un flujo sucio, multiplica suciedad, coste y excepciones. Si encuentra un proceso medido, integrado, con ownership y datos, multiplica productividad.

El primer proyecto no debería ser un chatbot. Debería ser un mapa. Después un número. Después una elección. Después, solo entonces, una tecnología.

Si tu empresa está considerando cómo introducir inteligencia artificial, el punto de partida no es elegir una herramienta. Es entender dónde puede crear más valor.

Un AI Transformation Assessment identifica las oportunidades con mejor retorno económico y construye una roadmap concreta antes de invertir en cualquier tecnología.

Consulta cómo trabajamos como AI Transformation Partner, o cuéntanos un proceso real. En ambos casos partes de las horas, no del modelo.

FAQ

¿Qué es un AI Transformation Assessment?

Es un análisis estructurado de procesos, volúmenes, costes, datos y sistemas para decidir dónde la automatización, la integración y la inteligencia artificial crean valor, en qué orden y con qué riesgo. Produce un mapa de oportunidades, un business case, una matriz de prioridades, una roadmap y una estimación de ROI. No es la compra de un modelo.

¿Son lo mismo la consultoría de IA y un assessment?

No. La consultoría digital puede incluir estrategia, arquitectura, build y gobernanza. El assessment es el paso anterior: entender dónde vale la pena moverse. Sin assessment, la consultoría corre el riesgo de convertirse en la implementación de la herramienta más discutida del trimestre.

¿Cuánto tiempo lleva?

Una primera lectura (diagnostic) lleva unos minutos. Un assessment sobre un perímetro real, con entrevistas y números, se mide en semanas, no en trimestres. Si te ofrecen tres meses antes de que alguien nombre un proceso, estás comprando un programa, no una decisión.

¿Necesitamos necesariamente un agente de IA?

No. En muchas empresas el primer retorno está en la automatización de procesos y la integración. Un agente entra cuando el proceso necesita interpretación, uso de herramientas y un nivel de autonomía que un workflow no cubre. Demuestra valor en el flujo primero, después sube el grado de autonomía.

¿Cómo se mide el ROI de la IA?

Partes de horas (o errores, o cycle time), estimas la parte automatizable, conviertes a ahorro, comparas con inversión y costes de run. Declaras qué no está incluido. Compruebas tras el go-live. Si el ROI existe solo en una slide pre-proyecto, no es ROI.

¿En qué se diferencia de un proyecto de transformación digital?

La transformación digital es el contenedor: sistemas, datos, canales, organización. Un AI Transformation Assessment es una forma de no dejar que la IA se convierta en un capítulo separado, despegado de los procesos. Es transformación digital con un criterio económico explícito de dónde la inteligencia artificial multiplica, y dónde basta una regla.

¿Por dónde puede empezar un CEO o COO el lunes por la mañana?

Tres cosas. Pide a una función los tres procesos que roban más horas. Haz que escriban volumen, sistemas y errores de cada uno. No apruebes una prueba de concepto que no nombre esas tres variables. Si quieres una estructura ya preparada, usa el diagnostic y después profundiza con personas que conozcan tanto los procesos como el stack.