Implementar inteligencia artificial en las empresas españolas ha pasado a tener mucha más importancia que el año pasado. Según la encuesta realizada por el Instituto Nacional de Estadística, la adopción de IA ha subido casi nueve puntos en un año, del 12,4% al 21,1% entre las compañías de diez o más empleados. En Galicia la cifra se queda en el 15,7%.
Detrás del crecimiento de estos porcentajes podemos entender el motivo.
Las empresas buscan delegar en un sistema una tarea que hasta ahora realizaba una persona, para de esta forma ahorrar tiempo, mejorar procesos operativos, ser más productivos o incluso dejar de realizar trabajos pesados y poder tomar decisiones con más claridad.
¿Qué es implementar IA en una empresa?
No existe una definición universal debido a que cada caso tiene una aplicación específica.
Sin embargo, como regla general, podríamos decir que implementar IA en una empresa consiste en apoyarse en un sistema o tecnología para realizar o delegar tareas, dentro de un proceso operativo, alimentada con datos y sujeta a reglas escritas sobre cómo y qué información se puede utilizar.
Existen diversas formas de hacerlo. Vamos a abarcar cinco trabajos distintos, de los cuales cada uno se contrata y se evalúa de maneras diferentes:
- Automatización: una tarea deja de realizarla una persona.
- Optimización: la tarea continúa y su coste baja.
- Agentes: un «pequeño trabajador» diseñado y entrenado para realizar tareas concretas. Puede intervenir en la automatización u optimización.
- Integraciones: conexión de la inteligencia artificial con los programas de gestión que la empresa ya utiliza.
- Cuadros de mando: representación legible de los datos que ya existen, en forma de dashboards.
Automatizar y optimizar: diferencias
- Automatizar consiste en que una tarea deje de realizarla una persona, ya sea porque es repetitiva, porque siempre siguen los mismos pasos o porque simplemente se quiere liberar capacidad operativa.
- Optimizar consiste en que la tarea continúe realizándola una persona pero que a través de la IA pueda obtener mejores resultados, ahorrar tiempo o reducir costes.
La distinción entre ambas es importante porque determina cómo se abordan las soluciones y qué indicadores se miden: una automatización se evalúa por el volumen de trabajo que ya no realizan las personas, y una optimización comparando los resultados y el coste anterior con el actual.
¿Por qué implementar IA ahora?
En un año, las empresas españolas de diez o más empleados que utilizan inteligencia artificial han pasado del 12,4% al 21,1%. Una de cada cinco. Doce meses antes era una de cada ocho.
Los datos proceden del Instituto Nacional de Estadística, que publicó las cifras definitivas del primer trimestre de 2025 el 22 de octubre de ese año. Entre las empresas de menos de diez empleados el uso alcanza el 13,4%, con una subida de 5,9 puntos. Por sectores, servicios encabeza con el 25,7%, seguido de industria con el 17,5% y construcción con el 11,4%.
Además, ya se están obteniendo grandes resultados. Por ejemplo, las grandes cadenas como Iberostar o Eurostars están aplicando IA en hoteles, reportando hasta 2500 horas ahorradas en sus programas.
La adopción en Galicia, 5,4 puntos por debajo de la media
El mismo estudio sitúa a las empresas gallegas de diez o más empleados en el 15,7%. La Xunta de Galicia subrayó ese mismo día que la cifra supone un crecimiento del 51,1% en un año.
En Galicia, más de ocho de cada diez empresas de diez o más empleados todavía no han empezado.
Este porcentaje nos permite sacar una conclusión clara.
Las empresas que ya están aplicando IA tienen ventajas claras con respecto a la competencia:
- Reducción del coste operativo sin modificar la plantilla.
- Capacidad de asumir más volumen de trabajo.
- Mayor margen frente a competidores que continúan resolviendo lo mismo de forma manual.
- Mayor y mejor manejo de grandes cantidades de datos.
- Posibilidad de tomar decisiones de manera más informada y objetiva.
- Especialmente infravalorada: utilizar el talento y la inteligencia humana en tareas y decisiones con impacto.
¿Qué se puede automatizar con IA y qué no?
Se automatiza el trabajo que se repite siguiendo reglas que admiten formulación escrita. El resto continúa siendo trabajo de personas, con la posibilidad de apoyarse en la tecnología.
Tipos de tareas automatizables:
- Análisis de datos: lectura de un volumen de datos que a mano exigiría bastantes más horas, clasificación y entrega de un informe con la tendencia. Muy importante porque gracias a ella se pueden detectar patrones que de otro modo tardarían mucho más en aparecer.
- Clasificación de documentos: ordenación de la documentación entrante y extracción de los datos que pasan a un programa de gestión.
- Hojas de cálculo: relleno de filas, cruce de dos listados de origen distinto, homogeneización de formatos y detección de duplicados. De esta forma evitamos que alguien tenga que copiar 150 filas de una hoja a otra.
Las tareas que dependen del criterio de una persona no se automatizan
Tener criterio se ha vuelto especialmente importante en esta era de la inteligencia artificial.
Es por eso que no se debe automatizar ninguna tarea en la que prime el criterio de una persona. Ni la dirección, ni la estrategia, ni las decisiones que se toman con información incompleta o se delegan en ella.
La función de la inteligencia artificial más bien es la contraria: manejar volúmenes de contexto y de datos para que quien decide disponga de más información. La decisión sigue siendo suya.
¿De qué depende que la IA funcione en tu negocio?
De tres factores, y su relación es multiplicativa. Cualquiera de los tres que tienda a cero deja el resultado en cero, con independencia del valor de los otros dos.
Esta idea la escuchamos por primera vez en el podcast de Deloitte España «En clave de inteligencia artificial». Almudena Capell, directora de Recursos Humanos de Specialists & Partners de AWS, la resumía así:
La IA no va solo de comprar herramientas, sino de construir una base sólida de datos, gobernanza y cultura para que realmente genere valor.
En su formulación el tercer pilar es la cultura. Nosotros trabajamos con el modelo en esa posición, porque es el factor que una empresa elige y contrata, y la usamos como un producto:
BUEN USO DE IA = DATOS × GOBERNANZA × IA
Los tres factores se multiplican ya que todos tienen una gran importancia. De esta forma, si uno de ellos es 0, nuestro resultado será 0.
La desglosamos sacando nuestras conclusiones.
1. Los datos: calidad y estructura
La arquitectura de datos responde a dos exigencias contrapuestas.
La primera es que el modelo conozca los detalles internos de la empresa, sin los cuales responde igual que respondería para cualquier otra.
La segunda es que no alucine por exceso de contexto. La estructura tiene que permitir que el sistema comprenda lo que necesita comprender en cada momento, y nada más. Hay múltiples formas de hacerlo, una muy simple y que tiene impacto directo es la utilización de YAMLs en tu arquitectura.
El orden de trabajo ahorra meses. Ordenar y estructurar los datos empieza por decidir para qué van a utilizarse y construir la estructura alrededor de ese uso. Se trata de un proceso largo y tedioso pero que sin embargo acaba pagando sus dividendos si se hace de forma correcta en el largo plazo.
2. La gobernanza: qué puede hacer el sistema
El conjunto de reglas y procedimientos con los que la empresa autoriza el trabajo de la inteligencia artificial: qué datos puede consultar el modelo y cuáles no, qué documentos admite, cómo se aplica en cada área y qué instrucciones ejecuta.
Se concreta en cuatro decisiones:
- Qué datos puede consultar el modelo, y cuáles no.
- Qué documentos pueden subir los trabajadores.
- Los procedimientos internos de aplicación en cada área.
- La arquitectura de instrucciones que el sistema ejecuta.
Sobre esas cuatro conviven tres reglas: qué datos no salen de la empresa, es decir la información que no se entrega nunca a un modelo; qué revisa una persona y con qué frecuencia, aunque el sistema lleve meses sin fallar, también con la posibilidad de optimizar; y quién lo detiene, esto es quién recibe el aviso del fallo y cuál es el procedimiento para ponerlo de nuevo en funcionamiento.
3. La inteligencia artificial: el modelo y el proveedor
El tercer factor son los modelos de lenguaje que la empresa utiliza, el tipo de inteligencia artificial que encaja con la tarea y el proveedor que la suministra.
Dentro de este factor hay una distinción que en la práctica pesa más que la elección de proveedor. Una tarea mecánica, como clasificar un documento de un paso a otro, y una tarea que exige razonar sobre datos para devolver un informe no requieren ni el mismo modelo ni el mismo trabajo de preparación. La segunda se construye con preguntas diseñadas para extraer los datos de forma objetiva, y eso es trabajo de criterio antes que de tecnología.
¿Cómo puedo implementar la IA en mi empresa?
En seis pasos. Esta es la forma en la que lo hacemos nosotros.
Los tres primeros corresponden al diagnóstico y los tres siguientes al montaje, y el orden importa porque ninguno de los últimos se sostiene sin los primeros.
Paso 1: realizar una auditoría
La auditoría se realiza dentro de la empresa y responde a cuatro preguntas: qué proceso admite mejora, cuáles son las tareas más repetitivas, cuáles consumen más tiempo y cuáles resultan más molestas para el equipo. Con esas cuatro respuestas ya se sabe qué se le puede aplicar a esa empresa en concreto.
Esa auditoría es el punto de partida de nuestra consultoría de IA, y a su salida hay un plan con la primera tarea elegida y la métrica con la que se va a juzgar.
Paso 2: revisar el estado de los datos
En la mayoría de los casos la información estructurada ya reside en el CRM y en el ERP que la empresa paga cada mes, de modo que la vía más directa es conectarse a ellos contra sus APIs en lugar de reconstruir lo que ya está construido.
Paso 3: establecer la gobernanza
Las cuatro decisiones del apartado anterior y las tres reglas que las concretan: qué datos consulta el modelo, qué documentos admite, cómo se aplica en cada área, qué instrucciones ejecuta, y quién revisa y quién detiene.
Paso 4: implementar el modelo
Aquí es cuando se implementan los modelos de lenguaje que la empresa empleará o que ya utiliza, o se determina el tipo de inteligencia artificial que encaja con la tarea.
Paso 5: medir la tarea
Debe acordarse una métrica o KPI antes de ponerlo en marcha. De ahí sale una cifra propia, de esa empresa, con la que decidir si está teniendo el impacto deseado.
Paso 6: formar al equipo
Una herramienta que nadie sabe conectar con el trabajo que ya se hace deja de utilizarse, y la tarea vuelve a realizarse a mano.
La formación del equipo resulta especialmente rentable para una empresa por otra vía.
Cuando las personas que trabajan con la herramienta a diario conocen su alcance, empiezan a señalar tareas que nadie había identificado como automatizables. Ese criterio técnico dentro del equipo es lo que convierte una implantación en varias.
¿Cuánto cuesta implementar IA en una empresa?
No existe una métrica universal, todo depende del tamaño del proyecto y de la empresa. Eso sí, el coste se reparte en tres partidas:
- La consultora. el coste de la auditoría del paso 1 y la detección de qué partes admiten mejora y cuáles no.
- La inteligencia artificial. Se paga por consumo, contra la API y en tokens procesados, o mediante suscripción mensual del modelo. A partir de cierto tamaño de empresa los proveedores ofrecen planes y condiciones ajustadas al volumen, de modo que la tarifa publicada no es la referencia definitiva.
- La formación del equipo. La capacitación del paso 6, de la que salen las tareas siguientes.
Tres factores que modifican el precio de un proyecto
Aparte de los tres mencionados anteriormente, hay tres horquillas que debido al tamaño de la empresa abarcan varios órdenes de magnitud:
- El estado de los datos: campos en un programa de gestión y documentos escaneados no cuestan lo mismo, y la diferencia está en el trabajo de preparación y estructuración previo, ajeno a la herramienta.
- El número de sistemas conectados: una tarea que vive dentro de una sola herramienta y otra que cruza el correo, el ERP y la facturación son dos proyectos muy distintos.
- La revisión humana: un error tolerable y un error caro requieren controles distintos e inversión en horas de trabajo muy dispares.
¿Qué falla cuando la IA ya está funcionando?
Existen factores de riesgo y fallos comunes que hacen que la inteligencia artificial no funcione en tu empresa como debería.
El modelo se inventa un dato
Tiene una explicación que ayuda a convivir con el problema. Un modelo de lenguaje no está construido para responder «no lo sé». Funciona como predictor de palabras: ante una consulta busca la mejor coincidencia disponible, exista o no el dato solicitado. Rellena el hueco con algo verosímil, y los pasos siguientes lo tratan como válido.
Por eso es muy importante tener una revisión de todo lo que saca el modelo.
El modelo es complaciente con quien le pregunta
Del mismo mecanismo se deriva un efecto menos visible y más caro. Solicitar a un modelo los argumentos a favor de una decisión devuelve una relación de factores favorables. Solicitar los motivos por los que esa misma decisión va a fracasar devuelve una relación de motivos en contra, igual de convincente.
Quien vaya a utilizar la herramienta para preparar una decisión tiene que contar con ello, porque un informe complaciente con uno mismo puede confundirse con uno objetivo.
La solución para esto está en cómo se piden las cosas al modelo:
La formulación de la pregunta condiciona el resultado tanto como el dato que se entrega.
La petición se degrada con el uso
Una automatización deja de funcionar sin que nadie haya modificado el montaje. Lo que ha cambiado es la petición: se le han ido añadiendo encargos alrededor, el procedimiento solicitado ya no coincide con el que se definió, y el propio modelo ha derivado con el contexto acumulado.
Debemos verlo como un juego de probabilidades. Si un paso acierta nueve de cada diez veces, entendiendo por acertar obtener el resultado deseaado, encadenar seis pasos seguidos baja la probabilidad del resultado a un 53%, la mitad.
Cada paso que se añade supone un riesgo a contemplar si queremos que el resultado sea el deseado.
La herramienta realiza un trabajo que no le corresponde
Derivado de no establecer una gobernanza. La herramienta funciona sin unos límites establecidos, por lo que puede asumir trabajo que no le corresponde.
Exceso de contexto
Entregar toda la información disponible no aumenta la precisión.
El rendimiento es más alto cuando el dato relevante está al principio o al final del contexto, y desciende de forma marcada cuando el modelo tiene que localizarlo en el medio; baja también a medida que el contexto se alarga, incluso en los modelos diseñados para contextos largos (Liu et al., 2023). Se le entrega lo que necesita para esa tarea y nada más.
¿Cómo se mide si ha funcionado?
Con la métrica y los objetivos fijados previos a la implementación de la herramienta. Si se fija después, corremos el riesgo de fijarla conociendo ya los resultados.
Las horas ahorradas no valen por sí solas. Lo que cuenta es su destino, y donde normalmente tiene más impacto: decidir con más claridad, atender a más clientes, o cualquier ocupación que rinda más que rellenar filas o realizar una tarea delegable en una máquina.
Esto último es especialmente importante, porque el efecto crece cuanto más alto es el cargo que ha quedado liberado.
Preguntas frecuentes
¿Cómo se aplica la inteligencia artificial (IA) en las empresas?
Por trabajos concretos, son cinco:
Automatización, cuando una tarea deja de realizarla una persona. Optimización, cuando la tarea continúa y su coste baja. Agentes, pequeños trabajadores entrenados para tareas concretas. Integraciones con el CRM y el ERP que la empresa ya utiliza. Y cuadros de mando que hagan legibles los datos que ya existen.
Cada uno se contrata y se evalúa de una manera distinta.
¿Cuál es la mejor IA para empresas?
No existe una mejor de forma general, porque el modelo adecuado depende de la tarea. Una tarea mecánica, como clasificar un documento de un paso a otro, y una tarea que exige razonar sobre datos para devolver un informe no requieren ni el mismo modelo ni el mismo trabajo de preparación.
Hay algo tan importante como la elección del modelo en sí: cómo se organizan los datos y el conjunto de instrucciones aportadas al modelo.