IA para pymes: 6 casos de uso que sí dan retorno (y 3 que no)

La conversación sobre IA en las pymes está atascada entre dos extremos igual de inútiles: el que dice que lo va a cambiar todo y el que dice que es humo. La realidad es más aburrida y más rentable: hay un puñado de casos de uso concretos que se amortizan en meses, y unos cuantos que suenan espectaculares y acaban en un piloto abandonado.

Los que funcionan

1. Atención al cliente de primer nivel

Un asistente conectado a tu documentación real —catálogo, condiciones de envío, preguntas frecuentes, histórico de tickets— resuelve entre el 40 % y el 70 % de las consultas entrantes sin intervención humana. El resto se deriva a una persona con el contexto ya recogido.

Qué necesitas: documentación escrita y ordenada. Si tu conocimiento está sólo en la cabeza de dos personas, el primer trabajo es documentarlo, y eso ya tiene valor por sí solo.

Retorno típico: se nota en semanas si recibes más de treinta consultas al día.

2. Clasificación y enrutado de entradas

Correos, formularios, facturas de proveedor, currículums. Clasificar automáticamente qué es cada cosa, extraer los datos clave y mandarlo a la persona o al sistema correcto es un problema resuelto y barato. No es glamuroso, pero elimina una tarea que alguien hace todos los días.

Retorno típico: alto y muy predecible. Es el caso de uso con el que recomendamos empezar cuando hay dudas.

3. Generación de contenido con revisión humana

Fichas de producto, descripciones de servicios, borradores de artículos, respuestas a reseñas. La IA no sustituye al criterio, pero pasar de la página en blanco a un borrador del 70 % multiplica el volumen que un equipo pequeño puede producir.

La condición innegociable: alguien revisa antes de publicar. El contenido generado y publicado sin supervisión se nota, y Google también lo nota.

4. Análisis de datos que ya tienes

La mayoría de las pymes acumula años de datos de ventas, pedidos y clientes que nadie analiza porque no hay tiempo ni perfil para hacerlo. Predecir demanda, detectar clientes en riesgo de fuga o identificar qué combinaciones de producto se venden juntas son problemas clásicos y bien resueltos.

Qué necesitas: un histórico razonable, normalmente de uno a dos años, y datos mínimamente limpios. Este es el punto donde muchos proyectos se caen: los datos existen pero están en cinco sitios distintos y con formatos incompatibles.

5. Búsqueda interna inteligente

Si tu equipo pierde tiempo buscando en carpetas, correos y documentos, una capa de búsqueda semántica sobre esos archivos se amortiza rápido. Preguntas en lenguaje natural y obtienes la respuesta con la referencia al documento de origen.

6. Transcripción y resumen de reuniones o llamadas

Barato, inmediato y sin apenas riesgo. Si tu equipo comercial hace llamadas, transcribirlas y extraer automáticamente los puntos de acción y las objeciones recurrentes es información competitiva que antes se perdía.

Los que suelen fracasar

1. El chatbot que quiere venderlo todo

Un asistente que responde dudas funciona. Uno que pretende llevar al usuario desde el saludo hasta el pago sin intervención humana, en productos de ticket alto o venta consultiva, no. La gente quiere hablar con alguien antes de gastarse tres mil euros.

2. La predicción sin datos suficientes

Si facturas veinte pedidos al mes, no hay modelo que prediga tu demanda mejor que tu propia intuición. Los modelos predictivos necesitan volumen. Prometerlos sin él es vender humo.

3. La automatización de decisiones sensibles

Cribado de currículums, concesión de crédito, valoración de siniestros. Además de ser terreno regulado por el Reglamento Europeo de IA, es donde un error tiene consecuencias reales sobre personas. Se puede usar IA como apoyo, nunca como decisor final.

Cómo elegir por dónde empezar

Puntúa cada proceso candidato en tres ejes:

• Frecuencia: ¿cuántas veces al día ocurre? Automatizar algo que pasa dos veces al mes no compensa.
• Coste del error: ¿qué pasa si la IA se equivoca? Si la respuesta es «una persona lo corrige en diez segundos», adelante. Si es «perdemos un cliente», no.
• Disponibilidad del dato: ¿existe la información necesaria y está accesible? Si hay que construirla desde cero, ese es el proyecto real.

El mejor primer proyecto es el aburrido: alta frecuencia, error barato, datos disponibles. Genera confianza en el equipo y financia el siguiente.

Cuánto cuesta y en cuánto se recupera

Una implantación acotada —un asistente de atención al cliente, un clasificador de entradas— se mueve entre 1.200 € y 5.000 € de puesta en marcha, más el coste de uso, que en una pyme rara vez pasa de unas decenas de euros al mes. Un proyecto con modelos predictivos e integraciones parte de cifras superiores y debería ir precedido siempre de una prueba de concepto acotada.

La regla que aplicamos: si no puedes explicar en una frase qué tarea concreta deja de hacer una persona, o qué decisión se toma mejor, todavía no es un proyecto. Es una idea.