Automatización con IA: qué merece la pena, qué distrae y qué puede salir caro

El problema no es que falte IA. El problema es que muchas empresas están automatizando antes de entender dónde pierden tiempo, margen o foco.

La IA no arregla procesos rotos. Los acelera. Y cuando aceleras algo mal diseñado, el problema no desaparece: llega antes.

No voy a hacer la lista de herramientas. Voy a contarte qué pasó en tres proyectos reales donde la IA estaba en la agenda.

Proyecto 1: atención al cliente en ecommerce · funcionó

Un ecommerce B2C mediano recibía unas 3.200 consultas/mes. El 64% eran las mismas cinco preguntas: estado del pedido, cambio de talla, política de devolución, disponibilidad de producto, plazo de entrega. El equipo de atención al cliente gastaba 80 horas/semana respondiendo lo mismo, agotado.

Conectamos un agente conversacional entrenado con el catálogo, el ERP y la política de tienda. No sustituimos a nadie. El objetivo era absorber el tráfico repetitivo para que el equipo humano solo recibiera las consultas complejas.

Resultado a los 4 meses

• 72% de consultas resueltas sin intervención humana.
• Tiempo medio de respuesta para consultas complejas: de 6 horas a 42 minutos.
• NPS del servicio: +18 puntos.

La clave no fue la IA. Fue que identificamos un problema con volumen alto, baja variabilidad y ROI claro. Eso es lo que hay que buscar antes de tocar ninguna herramienta.

Esto sí era un caso de IA. No porque sonara moderno, sino porque cumplía tres condiciones: mucho volumen, poca variabilidad y bajo riesgo si algo salía mal.

Automatizar aquí no era sustituir criterio. Era quitarle ruido al equipo para que pudiera atender mejor lo que sí requería criterio.

Proyecto 2: generación de contenido SEO · salió regular

Una marca de venta directa quería generar 400 fichas de producto y 80 artículos con IA en un trimestre. El encargo era "no hay presupuesto para redactores, necesitamos volumen". Intentamos hacerlo con un pipeline de IA + revisión humana ligera.

A los 60 días, tráfico orgánico +18%. Parecía que funcionaba.

A los 120 días, tras el primer update de Google, tráfico orgánico -34%. Lo que habíamos generado era técnicamente correcto, pero genérico. Y Google se había vuelto especialmente severo con el contenido sin una perspectiva humana clara.

"La IA es excelente reemplazando trabajo mecánico. Es tremenda reemplazando pensamiento. La línea entre los dos no siempre es evidente hasta que es demasiado tarde."

Qué aprendimos

• La IA para contenido funciona como amplificador de un experto humano, no como sustituto.
• Los artículos con una tesis clara y ejemplos reales superan a todo lo genérico, por mucho que el genérico esté bien escrito.
• Los costes de producir "mucho mediocre" acaban siendo mayores que los de producir "poco bueno", una vez cuentas re-crawl, re-escritura y pérdida de autoridad.

Contenido correcto hay toneladas. Contenido con criterio, bastante menos.

Proyecto 3: pricing dinámico con IA · casi explota

Un marketplace B2B quería automatizar ajustes de precio por hora en función de demanda, inventario y precios de competencia. Se contrató una plataforma especializada. Se desplegó en producción.

Durante dos semanas funcionó bien. El día 17, un cambio en el feed de la competencia introdujo valores erróneos que la IA interpretó como "precio normalizado" en una categoría concreta. El sistema bajó precios en una familia de productos hasta el 40% durante 9 horas antes de que alguien lo detectara. La pérdida en margen de esas 9 horas: unos 62.000 euros.

La IA no falló. Hizo exactamente lo que le habían dicho que hiciera. El error fue humano: nadie había definido guardrails con límites absolutos de variación. No había circuit breakers. No había alertas en tiempo real al equipo financiero.

No había un problema de IA. Había un problema de gobierno. Nadie había decidido qué no podía pasar bajo ningún concepto.

Mi filtro antes de automatizar

Antes de meter IA en un proceso, hago cuatro preguntas:

1. ¿Hay volumen suficiente? Si ocurre dos veces al mes, probablemente no merece automatización. Merece criterio.
2. ¿La variabilidad es baja? Cuanto más repetitivo es el proceso, mejor candidato.
3. ¿El error es reversible? No es lo mismo equivocarse clasificando un ticket que tocar precios, presupuesto o cobros.
4. ¿Hay un KPI económico claro? Horas ahorradas, margen protegido, tiempo de respuesta, ventas recuperadas o coste evitado.

Si no puedes responder estas cuatro preguntas, no tienes un proyecto de IA. Tienes una prueba de concepto buscando excusa.

Qué automatizar primero (y qué no)

Si te estás planteando meter IA en tu operación, este es el orden que yo defendería en tu comité:

1. Primero: tareas de volumen alto, variabilidad baja y riesgo reversible. Atención al cliente L1, clasificación de tickets, resumen de reuniones, reconciliación básica de datos.
2. Segundo: amplificación de expertos humanos. Drafts que un humano edita. Búsqueda semántica interna. Generación de primeras versiones.
3. Tercero, con mucha cautela: decisiones operativas con impacto financiero. Solo con límites duros, alertas y un humano responsable.
4. Nunca, de momento: decisiones estratégicas, contenido puramente SEO-driven sin criterio humano, cualquier cosa que toque compliance sin revisión.

La pregunta correcta

La pregunta no es "¿cómo meto IA en mi negocio?". Es: "¿dónde tengo costes operativos recurrentes con patrones repetitivos que están distrayendo a mi equipo del trabajo que de verdad mueve el negocio?". Si encuentras ese sitio, ahí hay caso de negocio. Si no, la IA es un juguete caro.

Si quieres revisar tu operación con esa lente, cuéntame qué procesos os están absorbiendo más tiempo y dónde crees que hay margen. En una hora sabemos si hay caso real o si estáis comprando una solución sin problema.