Por dónde empezar con IA en una empresa: qué área va primero

El comité que lleva tres reuniones discutiendo por dónde empezar y todavía no arranca nada

La escena se repite con variaciones mínimas en compañías de todos los tamaños. El gerente general convoca a los jefes de área para decidir “por dónde arrancamos con IA” y cada uno llega con su propio caso armado: capturas del CRM desbordado, un Excel con horas perdidas en conciliaciones, un reporte de rotación en el call center. Todos exponen dolor real, medido con sus propios números, y ninguno está mintiendo. El problema aparece después: la reunión termina sin decisión, porque ceder significa que tu área no fue la elegida, y en la política interna de cualquier empresa eso se lee como una derrota. La salida más común es la peor: “probemos un poco en cada área” o “lo evaluamos el próximo trimestre”. Pasan semanas armando comparativos y contratando consultorías para “diagnosticar”, y nadie llega a encender nada. El presupuesto sigue ahí, pero se evapora en análisis, no en resultados.

Cuando por fin se elige un área, suele ganar la que más ruido hizo en la sala, no la que mejor condiciones tenía para un primer intento. Y esa área ruidosa casi siempre es también la más compleja: procesos manuales enredados hace años, datos repartidos en sistemas que no se hablan entre sí, un equipo agotado que ve la IA como una amenaza más que como ayuda. El primer proyecto se alarga, tropieza, y cuando finalmente entrega algo, ya pasaron meses. El resto de la empresa saca una conclusión equivocada pero comprensible: “ya lo intentamos y no funcionó”. No fue la IA la que falló. Fue el orden de arranque.

El criterio real no es el dolor, es la velocidad para probar el resultado

La pregunta que casi toda empresa se hace es equivocada de raíz: “¿qué área sufre más con este problema?”. Bajo esa pregunta, la respuesta casi siempre apunta al área más dañada, la que lleva más tiempo enredada, la que tiene el proceso más roto. Y ahí arranca el problema, porque el área más dañada suele ser también la más difícil de arreglar rápido: menos datos limpios, más excepciones, más gente que depende del proceso actual para su trabajo diario. La pregunta que sí funciona es distinta: “¿qué área nos deja mostrar un resultado medible en el menor tiempo posible?”.

Ese primer resultado visible no es un capricho de comunicación interna. Es la moneda con la que se financia todo lo que sigue. Un primer intento que entrega un número concreto (menos horas, menos errores, más conversión) convierte a los escépticos del comité en aliados, y le da al proyecto el respaldo político que necesita para llegar después a las áreas más difíciles y más sensibles de la inteligencia artificial para empresas. Sin esa primera victoria, cada proyecto siguiente empieza de cero, defendiendo otra vez que la IA sirve, en lugar de construir sobre algo que ya funcionó.

Los cuatro criterios que deciden qué área va primero

Antes de mirar quejas o urgencia percibida, reviso siempre los mismos cuatro filtros, en este orden.

• Volumen y frecuencia: la tarea o decisión se repite muchas veces por semana, no es un caso aislado que ocurre una vez al mes. Sin volumen, no hay forma de medir una mejora real en poco tiempo.
• Datos disponibles y ya ordenados: existe un histórico digitalizado, un CRM, un ERP o al menos una planilla consistente donde apoyarse. Si hay que construir la fuente de datos desde cero, el proyecto ya no es de IA, es de orden interno primero.
• Resultado medible en semanas, no en trimestres: hay un número que cualquiera en el comité reconoce como mejora (tiempo de respuesta, tasa de conversión, horas liberadas) y se puede comparar antes y después sin discusión.
• Costo de error bajo: si el primer intento sale mal, no compromete dinero de terceros, cumplimiento legal ni una decisión irreversible. Un error ahí se corrige, no se lamenta.

Ninguno de los cuatro pesa lo mismo que el dolor percibido en la sala del comité, y esa es exactamente la corrección que hace falta. Un área puede doler muchísimo y fallar los cuatro filtros a la vez; otra puede doler menos y cumplirlos todos. La segunda gana siempre, porque el objetivo del primer proyecto no es resolver el peor problema de la empresa, es elegir el primer caso de uso de IA que sí va a funcionar y ganar el derecho a intentar el segundo.

Por qué ventas y atención al cliente suelen ganar la primera ronda

Cuando aplico los cuatro filtros a las áreas típicas de una empresa mediana, ventas y atención al cliente ganan la primera ronda casi siempre, y no por moda ni por ser las áreas de las que más se habla en conferencias. Ganan porque cumplen los cuatro criterios casi por diseño. El volumen está garantizado: una empresa con actividad comercial real genera decenas o cientos de interacciones por semana, leads que priorizar, tickets que resolver, respuestas que redactar. Los datos ya existen y ya están ordenados, porque el propio trabajo diario los produce: un CRM registra cada oportunidad, un helpdesk registra cada ticket con su tiempo de resolución. Nadie tiene que inventar un sistema de captura de datos nuevo, ya está corriendo desde antes de que alguien mencionara la palabra IA.

El KPI, además, ya existía antes del proyecto: tasa de conversión, tiempo de primera respuesta, tickets resueltos en el primer contacto. Son números que el comité ya revisa en su reporte mensual, así que no hay que inventar una métrica nueva para justificar el resultado. Y el costo de error es manejable: si un modelo prioriza mal un lead, un vendedor lo corrige en segundos; si sugiere una respuesta de soporte que no es perfecta, un agente la revisa antes de enviarla. Nada de eso compromete un contrato, un dato sensible ni una obligación legal. Por eso IA para ventas suele ser de los primeros territorios donde una empresa logra mostrar, en poco tiempo, un número que antes no tenía.

Cuándo administración y back office son en realidad la mejor primera apuesta

Ventas y atención ganan la mayoría de las veces, pero no siempre, y confundir lo típico con lo obligatorio es otro error de arranque. Hay señales concretas que hacen que administración (facturación, conciliación bancaria, clasificación de gastos, carga de datos entre sistemas) sea, en ese caso puntual, la mejor primera apuesta.

• Los datos de ventas o atención están sucios o repartidos: si el CRM lleva años sin actualizarse bien o hay varios sistemas de tickets que no se cruzan entre sí, el filtro de datos ya ordenados falla justo en el área que en teoría debería ganar.
• Hay resistencia política alta en las áreas de cara al cliente: equipos comerciales que temen ser reemplazados, o áreas de atención con dinámicas sindicales sensibles, generan fricción que retrasa cualquier piloto aunque los datos estén perfectos.
• El proceso administrativo es repetitivo y basado en reglas claras: conciliar una factura contra una orden de compra o clasificar un gasto en la categoría contable correcta son tareas de alto volumen, bajo costo de error y datos ya estructurados.
• El presupuesto disponible es más ajustado de lo habitual: automatizar un proceso administrativo bien delimitado suele pedir menos integración que tocar un CRM completo, algo que encaja con cómo implementar IA con poco presupuesto.

Administración rara vez es la primera opción que alguien propone en la reunión de comité, precisamente porque no es el área que grita. Esa falta de urgencia visible es, paradójicamente, lo que la vuelve una apuesta segura cuando ventas y atención todavía no están listas para ser el primer intento.

Las áreas que conviene dejar para el final, aunque parezcan urgentes

No todas las áreas dolorosas deben esperar, pero algunas sí, y conviene decirlo antes de que alguien las proponga como primer proyecto por pura urgencia. Estas son las que dejo para después, incluso cuando el reclamo interno es fuerte.

• Legal y cumplimiento normativo: cada caso tiene matices que un histórico de casos pasados no siempre captura bien, y un error ahí no se mide en horas perdidas, se mide en exposición legal.
• Decisiones estratégicas de dirección: fusiones, apertura de nuevas sedes, decisiones de una sola vez, sin el volumen repetido del que un modelo pueda aprender un patrón real.
• Recursos humanos en sus decisiones más sensibles: contratación final, despidos, evaluaciones de desempeño que afectan la carrera de una persona, donde el costo de un sesgo no corregido es alto y difícil de revertir.
• Tesorería y decisiones financieras irreversibles: aprobación de crédito a gran escala o inversión de excedentes, donde un error de un modelo mal supervisado compromete capital real, no solo tiempo de alguien.

Ninguna de estas áreas queda fuera del roadmap de inteligencia artificial para empresas: cómo armarlo a 12 meses para siempre. Quedan fuera del primer trimestre, que es distinto. Cuando la empresa ya ganó una victoria visible en otro lado, ya tiene un equipo que sabe supervisar un modelo y ya construyó el hábito de medir antes y después, recién ahí el costo de intentarlo en un área sensible baja lo suficiente como para justificar el riesgo.

Cómo se decide cuando dos áreas empatan en los cuatro criterios

Pasa más seguido de lo que parece: dos áreas cumplen los cuatro filtros casi por igual, y alguien tiene que decidir sin caer otra vez en la política de la sala. Cuando eso ocurre, uso cuatro desempates adicionales, en este orden.

Los desempates que uso, en orden

• Quién tiene un líder de área realmente comprometido: un jefe que va a dedicarle horas reales al piloto vale más que un área técnicamente perfecta con un líder indiferente.
• Dónde ya existe algo de infraestructura digital: si un área ya usa una herramienta con datos exportables o una API razonable, arranca semanas antes que otra que necesita integrarse desde cero.
• Dónde el equipo está dispuesto a dar feedback honesto: un piloto necesita gente que señale cuándo el modelo se equivoca, no gente que lo ignore por miedo o por orgullo.
• Dónde ya se puede medir un “antes” confiable: si nadie puede decir con precisión cómo se hacía la tarea antes de la IA, después nadie va a poder probar que mejoró algo.

Cuando dos áreas empatan en los cuatro filtros originales, no hace falta buscar un quinto criterio perfecto ni convocar otra reunión de comité. Se decide con estos cuatro desempates y se avanza, porque el tiempo que se pierde buscando la elección perfecta es el mismo tiempo que le resta ventaja a la primera victoria. Esa misma lógica (avanzar con una decisión razonable en vez de esperar la ideal) es la que sostiene las fases de implementación de IA en una empresa: cada fase se cierra con lo suficiente, no con lo perfecto.

El error de empezar por el área que más grita

El área que más grita en el comité no es necesariamente la que tiene el problema más grave. Es la que tiene el jefe con más peso, la que perdió al cliente más visible el mes pasado, o la que lleva más tiempo acumulando quejas sin que nadie la escuche. Ese ruido es real y merece atención, pero confundir volumen de queja con preparación para un primer proyecto de IA es el error más caro y más común que veo repetirse.

La razón por la que un área ruidosa casi nunca es la ideal para arrancar es casi mecánica: si un área lleva años quejándose sin resolverse, generalmente es porque el problema de fondo no es solo de herramientas, es de proceso, de datos sin ordenar o de gente sin tiempo para sostener un cambio. La IA no arregla una mala estrategia ni un proceso roto, lo expone más rápido y con más detalle. Empezar ahí significa que el primer proyecto de la empresa hereda todos los problemas de fondo del área, además de los propios de implementar algo nuevo.

La primera victoria no es la más grande, es la que se puede probar más rápido

Elegir el área de arranque no es un ejercicio de diagnóstico exhaustivo ni una votación de comité. Es aplicar los cuatro filtros, aceptar que el área ganadora casi nunca es la que grita más fuerte, y avanzar aunque eso incomode a quien esperaba que su dolor fuera el primero en resolverse.

El criterio que sostengo es simple: la primera área no se elige para aliviar el dolor más grande de la empresa, se elige para ganar el derecho a intentar la segunda. Toda empresa que arrancó bien con IA tiene en común haber resistido la tentación de empezar por lo más urgente y haber empezado, en cambio, por lo más demostrable. Lo urgente sigue en la lista. Solo que ya no es lo primero.