Después de varios años acompañando a pymes españolas en su primer proyecto de IA, hay patrones que se repiten con la suficiente frecuencia como para contarlos, aunque no tengamos una cifra exacta que ponerles delante ni pretendamos que nuestra cartera sea representativa de toda la economía española. Esto es, sencillamente, lo que hemos visto repetirse, sector tras sector, con la honestidad de decir también dónde nos hemos equivocado.
El proyecto que mejor sale casi nunca es el más ambicioso
Cuando empezamos a trabajar con un cliente nuevo, es habitual que la primera idea sobre la mesa sea el proyecto más grande y más visible: automatizar toda la atención al cliente, digitalizar todo un departamento de golpe. Con el tiempo hemos aprendido, muchas veces a base de proyectos que costaron más de lo debido, que el primer proyecto que mejor funciona casi siempre es uno más acotado: un proceso concreto, con un volumen manejable y un resultado medible en pocas semanas. No porque sea menos ambicioso en el fondo, sino porque un primer éxito claro y visible genera la confianza interna necesaria para abordar después el proyecto más grande, mientras que un proyecto grande que tropieza en sus primeros meses puede frenar cualquier iniciativa de IA en esa empresa durante años.
La resistencia interna casi nunca viene de donde se espera
Antes de empezar un proyecto, la preocupación habitual del cliente suele centrarse en si la tecnología va a funcionar bien técnicamente. En la práctica, hemos visto con más frecuencia que el obstáculo real no es técnico: es la persona que hoy hace esa tarea manualmente y que, sin que nadie se lo diga abiertamente, siente que el proyecto cuestiona su forma de trabajar de años. Los proyectos que mejor han salido son casi siempre aquellos donde esa persona participa desde el diseño del agente, no solo al final como usuaria pasiva del resultado. Los que peor han salido, incluso con una tecnología que funcionaba bien, son los que trataron esta parte humana como un detalle menor que se resolvería solo con el tiempo.
Los datos de la empresa cuentan una historia distinta a la que cuenta la dirección
Una de las lecciones más incómodas, y más repetida, es que la calidad real de los datos de una empresa casi nunca coincide con la percepción que tiene la dirección sobre ellos. Es habitual empezar un diagnóstico con la frase "nuestros datos están bastante bien organizados" y descubrir, ya en la fase de trabajo, información duplicada, campos sin actualizar desde hace años o criterios distintos según quién introdujo el dato. Esto no es un reproche: es simplemente lo que ocurre cuando la información se ha ido acumulando durante años sin que nadie tuviera la tarea explícita de mantenerla limpia. Hemos aprendido a dar por hecho, casi siempre, que la fase de limpieza de datos va a llevar más tiempo del que se estimó al principio, y a comunicarlo así desde el diagnóstico inicial en lugar de descubrirlo a mitad de proyecto.
El sector importa menos de lo que parece; el proceso importa más
Al empezar a trabajar en un sector nuevo, es tentador pensar que hace falta reinventar el enfoque desde cero. Con la experiencia acumulada en sectores muy distintos —desde talleres mecánicos hasta despachos profesionales—, lo que hemos visto es que el tipo de proceso que se automatiza (una conversación de atención al cliente, una clasificación de documentos, una respuesta a consultas repetitivas) importa mucho más que el sector en sí a la hora de anticipar cómo va a ir el proyecto. Dos negocios de sectores completamente distintos, pero con un proceso de atención al cliente parecido en estructura, tienden a enfrentarse a retos muy similares durante la implantación.
Lo que cambiaríamos si empezáramos de nuevo
Con la perspectiva actual, hay algo que haríamos distinto desde el primer proyecto: dedicar más tiempo, no menos, a definir con el cliente qué significa exactamente "que funcione bien" antes de empezar a construir nada. En los primeros proyectos, esa conversación se quedaba a veces en un terreno demasiado general ("que el agente resuelva las consultas de los clientes"), y eso generó, más de una vez, una discrepancia de expectativas al final que un umbral más concreto definido desde el principio habría evitado por completo. Es una lección que ya aplicamos de forma sistemática, y que compartimos con detalle en cómo se miden los resultados de un agente de IA.
Lo que más nos ha sorprendido, para bien
No todo son lecciones aprendidas a base de tropiezos. Lo que más nos ha sorprendido, de forma positiva y reiterada, es la rapidez con la que un equipo que empezó escéptico frente a un agente de IA cambia de postura en cuanto ve, con sus propios ojos, que el sistema le libera de una tarea tediosa sin quitarle el control sobre las decisiones importantes. Ese cambio de actitud, cuando ocurre, suele extenderse rápido al resto del equipo y facilita mucho la conversación sobre el siguiente proyecto de automatización, algo que no anticipábamos con esa intensidad en los primeros proyectos y que ahora tratamos de propiciar activamente, mostrando resultados concretos al equipo desde las primeras semanas en lugar de esperar a una presentación final.
Conclusión
Después de decenas de proyectos, lo que más se repite no son grandes sorpresas tecnológicas, sino lecciones de gestión: empezar acotado, involucrar a quien hace el trabajo hoy, no confiar ciegamente en la calidad de los datos propios, prestar más atención al tipo de proceso que al sector, y definir con mucha más precisión qué significa el éxito antes de empezar a construir. Ninguna de estas lecciones sustituye la tecnología, pero sin ellas la mejor tecnología del mundo tropieza igual.
Si quieres que apliquemos esta experiencia acumulada a tu propio proyecto, en MG Solutions ofrecemos una primera reunión sin compromiso. Escríbenos aquí.