Casi todos los proyectos de IA que fracasan en una pyme fracasan por lo mismo: se compró la herramienta antes de escribir la pregunta.
El chatbot es lo último que se monta, no lo primero. Antes hay que saber qué pregunta contesta, quién la hace hoy, cuánto tarda esa persona en contestarla y qué pasa si contesta mal. Si no tienes esas cuatro respuestas, no tienes un proyecto: tienes una demo.
Dónde paga la IA en una pyme de veinte personas
Buscar casos reales de IA para pymes y encontrar solo pilotos de banca o de industria pesada es lo normal. A la escala de una empresa de cinco a cincuenta personas, con un ERP o una aplicación propia de la que depende el día a día, los sitios donde la IA paga son tres. No son espectaculares y por eso funcionan.
Clasificar lo que entra. Correo, tickets, facturas de proveedor, currículums. Alguien dedica un rato cada mañana a mirar algo y decidir a qué carpeta va. Ese trabajo tiene un patrón, tiene ejemplos históricos y tiene un error tolerable: si se equivoca, alguien lo mueve de carpeta y ya está.
Buscar en la documentación propia. Contratos, manuales, actas, el histórico de soporte. La información existe, está en el servidor y nadie la encuentra porque está repartida en carpetas que solo entiende quien las creó.
Sacar datos de documentos que no son tablas. Albaranes en PDF, facturas escaneadas, formularios que el cliente rellena a mano. Aquí la alternativa es que una persona teclee, y teclear es caro y se equivoca igual.
Lo que tienen en común: hay un humano revisando la salida, el error no es catastrófico y el volumen es suficiente para que ahorrar minutos signifique algo. Automatizar tareas repetitivas en una empresa pequeña empieza por ahí, no por la parte que se enseña en una demo.
Qué es realmente eso de “entrenar la IA con nuestros datos”
Casi nunca se entrena nada. Lo que se hace es más simple y conviene entenderlo antes de firmar nada.
El modelo no aprende tu empresa. Lo que se monta es un buscador delante: cuando alguien pregunta, el sistema busca en tus documentos los fragmentos que hablan de eso, se los pega a la pregunta y se lo pasa al modelo. Es un becario muy rápido al que le pones la carpeta abierta por la página correcta antes de preguntarle. Sin la carpeta se lo inventa. Con la carpeta responde bien y te dice de qué documento lo sacó.
Se llama RAG y no es difícil de montar. Lo difícil es lo otro.
Los cuatro sitios donde se rompe
La ingesta. El sistema responderá con lo que haya en la carpeta, incluidas las tres versiones viejas del mismo procedimiento y el manual del proveedor que dejasteis en 2019. Un buscador sobre documentación sucia devuelve respuestas sucias, y con más aplomo que un humano. Antes de indexar hay que decidir qué es la versión buena y quién la mantiene.
Los permisos. Si el buscador indexa todo el disco, cualquiera con acceso al chat puede preguntar por las nóminas. Los permisos hay que llevarlos hasta el índice, no ponerlos solo en la pantalla de login. Esto se diseña al principio o se rehace entero después.
La evaluación. La pregunta “¿funciona?” no se responde probando cinco cosas y viendo que salen bien. Se responde con una lista de preguntas reales, escritas por quien hace ese trabajo, con la respuesta correcta al lado. Esa lista es el proyecto. Sin ella no puedes saber si el cambio que hiciste el martes mejoró o empeoró las respuestas, y acabarás decidiendo por sensación.
El coste por uso. Esto no es una licencia: cada pregunta cuesta dinero y el gasto sube si la gente lo usa. Bien. Pero hay que ponerle un tope y una alerta desde el primer día, y saber qué pasa cuando se alcanza. Un proceso automático en bucle puede gastar de noche lo que no gastarías en un mes. Las palancas concretas para controlarlo las desarrollamos aparte, en Controlling LLM API costs in production (en inglés).
Cuándo no
Si la regla se puede escribir con un if, escribe el if. Un modelo de lenguaje para decidir si una factura pasa de mil euros es caro, lento y menos fiable que una línea de código.
Tampoco lo pongas donde no puedas revisar la salida. Si nadie va a mirar lo que produce antes de que llegue al cliente o a Hacienda, no es un proyecto de IA, es un problema esperando fecha.
Y si tus datos están mal —duplicados, sin actualizar, en la cabeza de una persona— la IA no lo arregla. Lo amplifica y le pone una voz segura. Ese caso se resuelve antes y por otro lado: explotar tus datos sin tener un equipo de datos.
Por dónde empezar de verdad
Coge la tarea más aburrida y repetida de tu equipo. Una en la que alguien lea algo y decida algo. Reúne cincuenta ejemplos de esa decisión ya tomada, con el resultado correcto.
Con eso ya se puede empezar. Sin eso, cualquier proveedor que te venda algo te está vendiendo una demo.
Nordic Byte construye soluciones de IA y software a medida para empresas de 5 a 50 personas que dependen de una aplicación para operar. Si tienes una tarea así sobre la mesa, cuéntanosla: respondemos con una propuesta concreta en 48 horas.