Guía
Agentes de IA en una empresa: por dónde empezar sin romper nada
El primer caso de uso de IA en una empresa tiene que cumplir tres condiciones: los datos que necesita ya existen y son accesibles, el resultado se puede verificar sin experto, y un error no produce daño irreversible. Bajo ese filtro, los buenos candidatos no son los espectaculares —atención al cliente autónoma, decisiones de crédito— sino los internos y repetitivos: clasificar y derivar correos, extraer datos de comprobantes, redactar borradores que después revisa una persona.
Todas las empresas están evaluando qué hacer con IA y casi todas arrancan por el caso más vistoso: atención al cliente autónoma, decisiones de crédito, el asistente que sabe todo.
El problema: el primer caso decide si hay un segundo
Un proyecto que tarda un año y no se puede evaluar hasta el final no deja aprendizaje: deja una factura y una organización escéptica. Y para cuando termina, cambió la tecnología.
El filtro que lo evita son tres preguntas, y las tres tienen que dar que sí:
- ¿Los datos ya existen y son accesibles? Si el caso empieza con "primero habría que digitalizar…", no es el primero: es el tercero.
- ¿El resultado se puede verificar sin ser experto? Si para saber si acertó hace falta la misma persona senior que hacía la tarea, no se ahorró nada.
- ¿Un error cuesta poco? Un borrador equivocado se corrige. Un crédito mal otorgado, no.
Cómo se resuelve: los casos que pasan el filtro
No son los espectaculares, son los internos y repetitivos:
| Caso | Por qué pasa |
|---|---|
| Clasificar y derivar correo | Se verifica solo: si va al área equivocada, lo devuelven |
| Extraer datos de comprobantes | El total se compara con la suma |
| Redactar borradores | La persona pasa de escribir a editar |
La decisión técnica que más plata ahorra
La intuición dice "entrenemos un modelo con nuestros datos". Casi siempre la respuesta correcta es la contraria: recuperar los documentos relevantes y pasárselos al modelo en cada consulta. Es más barato, se actualiza solo cuando cambia un documento, y permite citar la fuente — que es lo que hace verificable la respuesta.
Lo otro que conviene definir antes de construir es cómo se mide el acierto: cincuenta casos reales con la respuesta correcta escrita por una persona. Sin eso, la discusión sobre si funciona se resuelve por impresión.
Cómo te ayudamos
Un primer proyecto sano dura de cuatro a seis semanas: un proceso, un equipo, una métrica. Al final hay un número que dice cuánto mejoró y una decisión clara de seguir, ajustar o descartar.
Eso es lo que armamos: elegimos con vos el caso que pasa el filtro, lo construimos y lo medimos. Si el número no da, te lo decimos.
Preguntas frecuentes
¿Conviene entrenar un modelo propio con los datos de la empresa?
Casi nunca como primer paso. Para que un sistema responda sobre documentación interna, recuperar los documentos relevantes y pasárselos al modelo en cada consulta (RAG) es más barato, se actualiza solo cuando cambia un documento y permite citar la fuente. El ajuste fino se justifica cuando hace falta cambiar el estilo o el formato de salida, no para incorporar conocimiento.
¿Los datos de la empresa se usan para entrenar el modelo del proveedor?
Depende del contrato. Los planes empresariales de los principales proveedores establecen que los datos enviados por API no se usan para entrenamiento, pero es una cláusula que hay que verificar por escrito y no asumir, y que puede diferir entre el plan de consumo y el gratuito.
¿Cuánto tarda un primer proyecto de IA en una empresa?
Un primer caso bien acotado —un proceso, un equipo, una métrica— se resuelve en cuatro a seis semanas. Si el plan inicial dura más de un trimestre, en general el alcance es demasiado amplio para poder evaluarlo antes de haberlo gastado.
Fuentes