Llevamos más de un año integrando modelos de lenguaje en proyectos reales para empresas. Y la conclusión más importante que hemos sacado no es tecnológica: es que la mayoría de las empresas que se acercan a la IA generativa con escepticismo tienen razón en una cosa, y están equivocadas en otra.
Tienen razón en que el 80% de lo que se vende como “IA para empresas” es humo. Están equivocadas en pensar que eso significa que no hay casos de uso reales y rentables.
Los hay. Este artículo es sobre ellos.
Por qué los casos de uso genéricos no funcionan
“Usa ChatGPT para escribir tus emails”. “Genera contenido con IA”. “Automatiza tu atención al cliente con un chatbot”.
Estos consejos no son falsos. Pero tampoco son suficientemente específicos para generar valor real en una empresa. El problema es que tratan a la IA como un sustituto de tareas genéricas, cuando su verdadero potencial está en otra parte: en entender contexto propio y actuar sobre procesos propios.
Un modelo de lenguaje que no conoce tu catálogo, tu terminología, tus clientes o tus flujos de trabajo va a producir outputs genéricos. La diferencia entre una integración que genera valor y una que no lo genera está en cuánto contexto específico de negocio se le proporciona al modelo.
Caso 1: Clasificación y enrutamiento de incidencias
Una empresa de servicios gestionaba cientos de incidencias semanales que llegaban por email y formulario web. El proceso de clasificación y asignación al equipo correcto lo hacía manualmente una persona, con el coste en tiempo y los errores que eso implica.
Integramos un modelo de lenguaje entrenado con su taxonomía interna de incidencias y con ejemplos históricos. El resultado: clasificación automática con un 91% de precisión, enrutamiento directo al equipo responsable y reducción del tiempo de primera respuesta en un 60%.
El modelo no “sabe” de soporte técnico en general. Sabe de su soporte técnico.
Caso 2: Generación de informes técnicos a partir de datos estructurados
Una empresa de ingeniería generaba informes de inspección de forma manual a partir de datos recogidos en campo. El proceso era lento, repetitivo y propenso a errores de formato.
Construimos un pipeline que toma los datos estructurados (mediciones, parámetros, referencias normativas) y genera el informe en el formato requerido, con el lenguaje técnico correcto y las secciones obligatorias. El equipo técnico solo revisa y firma.
Lo que tardaba cuatro horas ahora tarda veinte minutos. Y la calidad es más consistente.
Caso 3: Consulta en lenguaje natural sobre datos internos
Uno de los proyectos más potentes que hemos desarrollado es una interfaz de consulta en lenguaje natural sobre las bases de datos de gestión de una asociación. Los gestores hacen preguntas como “¿cuántos socios se han dado de alta este trimestre en la categoría premium?” y el sistema devuelve la respuesta con los datos actualizados.
No es un chatbot de atención al cliente. Es una capa de inteligencia sobre datos propios que elimina la dependencia de informes estáticos y la necesidad de saber SQL para obtener información.
Caso 4: Revisión automatizada de documentos contractuales
Una gestoría procesaba contratos y documentos legales de clientes para identificar cláusulas relevantes, fechas clave y obligaciones. El proceso era lento y dependía de la experiencia de personas concretas.
Implementamos un sistema de análisis documental que identifica y extrae esos elementos automáticamente, los clasifica por tipo y urgencia, y genera un resumen ejecutivo. El equipo humano sigue tomando decisiones, pero sobre información ya procesada y estructurada.
Qué tienen en común estos casos
Todos comparten tres características:
- Hay un proceso repetitivo con inputs variables: el modelo no hace siempre lo mismo, sino que aplica una lógica consistente a inputs distintos.
- Existe contexto específico de negocio: terminología propia, formatos propios, reglas propias. Sin ese contexto, el modelo no funciona bien.
- El output alimenta una decisión o acción humana: la IA no reemplaza al equipo, lo desbloquea de tareas de bajo valor para que se concentre en las de alto valor.
Cómo evaluamos si un caso de uso tiene sentido
Antes de proponer una integración de IA, hacemos tres preguntas:
- ¿Cuánto tiempo dedica el equipo actualmente a esta tarea?
- ¿Es la variabilidad del input el principal problema, o es la complejidad de la decisión?
- ¿Puede un humano revisar el output del modelo antes de que tenga consecuencias?
Si la tarea consume tiempo significativo, si la variabilidad es manejable y si hay un humano en el loop para los casos difíciles, la IA generativa probablemente tiene un caso de uso claro.
Si la tarea requiere juicio experto en situaciones de alta ambigüedad, la IA puede ayudar, pero no puede ser el decisor.
Si tienes un proceso en mente que crees que podría beneficiarse de IA y quieres una evaluación honesta de si tiene sentido y cómo abordarlo, podemos hablar.