IA para pymes: por dónde empezar cuando se parte de cero

Una pyme debería empezar con inteligencia artificial por un único proceso repetitivo, de volumen alto y con reglas que alguien del equipo sabría explicar, no por una herramienta. El camino con mejor ratio esfuerzo/retorno tiene cuatro pasos: localizar dónde pierde más horas el equipo, elegir uno de los cuatro casos de uso de arranque que mejor funcionan (atención de consultas repetitivas, búsqueda en documentación interna, documentos que se redactan desde cero una y otra vez, y papeleo administrativo entre sistemas), validar ese caso con un diagnóstico de entre 990 € y 2.500 € que fije el retorno esperado, y ponerlo en producción midiendo contra la situación de partida. Todo lo demás, incluida la compra de herramientas, viene después.

Esta guía desarrolla ese camino con los datos de los proyectos que entregamos en Lienzzo. No es una lista de tendencias: cada caso de uso citado tiene detrás un proyecto real con su métrica de antes y de después.

Empezar por el proceso, no por la herramienta

La pregunta equivocada es “¿qué herramienta de IA compro?”. La correcta es “¿en qué tarea pierde más horas mi equipo cada mes?”. Parece un matiz, pero separa los proyectos que llegan a producción de los que se abandonan: cuando el punto de partida es una herramienta, el problema se busca después, y esa inversión de orden es la primera causa de fracaso que documentamos en por qué fracasan los proyectos de IA.

Para una pyme la consecuencia práctica es sencilla: antes de hablar con ningún proveedor, lista las cinco tareas que más horas consumen al mes, tacha las que exigen juicio experto caso a caso y quédate con las que se repiten siguiendo criterios explicables. En esa lista corta está, casi siempre, el primer proyecto rentable.

Los cuatro casos de uso de arranque con mejor ratio esfuerzo/retorno

De los proyectos de inteligencia artificial para empresas que entregamos, estos cuatro tipos son los que mejor combinan tres cosas que importan en un primer proyecto: alcance acotado, datos que ya existen en la empresa y retorno medible en el primer trimestre.

1. Atención de consultas repetitivas de clientes

Si tu equipo responde cada día las mismas preguntas sobre disponibilidad, precios o plazos, hay un caso de arranque claro. En una cadena de retail nacional, el 73 % de las consultas eran repetitivas y los leads se enfriaban esperando respuesta: tras implantar un chatbot conectado a su catálogo, los leads capturados crecieron un 340 % respecto al trimestre anterior (partían de 82 al mes), la primera respuesta pasó de 4 horas a 8 segundos y la atención pasó a ser continua sin ampliar plantilla. El proyecto tardó 6 semanas.

Funciona como primer proyecto porque los datos ya existen (el catálogo, la web, las preguntas frecuentes) y el resultado se mide con métricas que la empresa ya tenía: leads y tiempo de respuesta.

2. Búsqueda de información en documentación interna

El caso típico: la información existe, pero encontrarla exige interrumpir al compañero veterano. Spai Innova acumulaba más de 30 años de documentación técnica dispersa en carpetas, correos y tickets; con un asistente interno con RAG sobre toda esa documentación, el tiempo de búsqueda cayó un 85 % y el conocimiento crítico dejó de depender de personas concretas (caso completo).

Es el arranque natural cuando el dolor es interno: no expone nada al cliente, el riesgo es bajo y el efecto se nota la primera semana.

3. Documentos que se redactan desde cero una y otra vez

Presupuestos, memorias, informes: si cada documento nuevo se parece mucho al anterior pero se escribe desde el principio, la IA tiene un caso directo. En Sequoia Pro, ingeniería medioambiental, el 80 % del contenido de cada memoria técnica era similar al de proyectos anteriores y aun así se redactaba desde cero: con un motor de generación asistida que reutiliza plantillas e histórico, el tiempo de generación de memorias completas bajó un 70 % (caso completo).

La ventaja de este caso es que el equipo no cambia de rol: sigue firmando el documento, pero revisa en lugar de teclear.

4. Papeleo administrativo que viaja entre sistemas

Partes en papel, datos que se copian a mano de un programa a otro, albaranes y facturas que se generan uno a uno. Ascel Transportes digitalizó su operativa logística completa, con registro desde los dispositivos de los conductores y generación automática de documentos: el tiempo de generación de albaranes y facturas se redujo un 80 % y cada servicio pasó a tener trazabilidad en tiempo real (caso completo). Fueron 8 semanas.

Aquí conviene ser honestos: en este tipo de proyecto la IA es a veces solo una parte, y el grueso del valor está en digitalizar y automatizar bien. Da igual la etiqueta: es de los arranques con retorno más predecible porque el volumen es alto y las reglas están escritas.

Los cuatro comparten patrón, y no es casualidad: tarea repetida decenas de veces al mes, criterios explicables y datos que ya están en la empresa. Los proyectos vistosos (predicción avanzada, scoring complejo) suelen rendir menos al principio y encajan mejor como segunda fase.

Qué no hacer al empezar

Tres errores concentran la mayoría del dinero perdido que vemos en pymes que llegan con un intento previo fallido:

1. Comprar herramientas sin diagnóstico. Licencias de tres productos que se solapan, ninguno conectado a los datos de la empresa, y un año después nadie los usa. Una herramienta genérica resuelve una función genérica; si nadie ha analizado antes tu proceso, la probabilidad de que esa función sea tu cuello de botella es baja.
2. Empezar por el proyecto más ambicioso. Rehacer el ERP entero con IA o predecir la demanda de todo el catálogo son proyectos legítimos, pero pésimos primeros proyectos: mucha integración, mucha incertidumbre y meses sin resultados visibles. El primer proyecto debe ser el más acotado con retorno claro, porque además de ahorrar, enseña a la organización a trabajar con esta tecnología.
3. Ignorar el estado de los datos. No hace falta un data warehouse ni un histórico limpio, pero sí saber dónde está la información y quién puede acceder a ella. Si el proceso vive en tres hojas de cálculo que solo entiende una persona, lo barato es ordenarlo primero; pedirle a un sistema de IA que responda con fiabilidad sobre datos caóticos es pagar dos veces.

Cuánto cuesta empezar, con una cifra real

El punto de entrada no es un proyecto de decenas de miles de euros: es un Diagnóstico IA de entre 990 € y 2.500 € según el tamaño y la complejidad de la empresa, que se descuenta íntegro si después implementas con nosotros. En 5-10 días laborables entrega un mapa de tus procesos, las oportunidades de automatización priorizadas por retorno y la proyección de ahorro de cada una: exactamente la información que evita los tres errores del apartado anterior.

A partir de ahí, cada implementación se presupuesta sobre su alcance real. Publicamos los rangos de mercado por tipo de proyecto, con los factores que mueven el precio y los costes recurrentes, en cuánto cuesta implementar IA en una empresa. Como referencia rápida: los cuatro casos de arranque de esta guía tardaron entre 6 y 8 semanas cada uno.

Si tu empresa está en Valencia o alrededores, las sesiones de descubrimiento y las presentaciones pueden ser presenciales: tienes el detalle en nuestra página de IA para empresas en Valencia.

Checklist: qué debe tener listo una pyme antes de arrancar

Nada de esta lista es técnico, y es deliberado: lo que la empresa aporta a un primer proyecto de IA es conocimiento del negocio, no tecnología.

• Un responsable de negocio con horas reales. Alguien que conozca el proceso porque lo ejecuta o lo sufre a diario, con capacidad de validar entregas cada dos o tres semanas. Sin este rol, el proyecto se queda huérfano en la primera decisión.
• Acceso a los sistemas. Unas horas de la persona que gestiona vuestras herramientas (interna o externa) para dar accesos y resolver integraciones. No hace falta que sea un departamento: basta con que exista y esté avisada.
• Disposición a medir. Aceptar que se registre cómo está el proceso hoy (horas dedicadas, tiempo de respuesta, tasa de error) para poder comparar después con datos y no con impresiones.
• Un proceso candidato descrito en una frase. “Perdemos horas respondiendo siempre lo mismo por WhatsApp” es suficiente; el diagnóstico se encarga de convertirlo en números.
• Expectativa realista de plazos. Semanas, no días ni trimestres: los casos citados en esta guía entraron en producción en 6-8 semanas.

Los tres primeros puntos no son una opinión de este artículo: son las condiciones que pedimos en todos los proyectos y que detallamos en la página de consultoría de IA para empresas.

El movimiento inteligente para una pyme que parte de cero

Resumido en una línea: elige un proceso, no una herramienta; empieza por el caso acotado, no por el ambicioso; valida con un diagnóstico antes de invertir en desarrollo; y mide desde el primer día. Es el camino aburrido, y por eso funciona: los cuatro casos de esta guía lo siguieron y todos tenían resultados medibles antes de cumplir el trimestre.