IA en la empresa: por qué tantas sociedades belgas solo aprovechan una fracción de su potencia
El verdadero obstáculo no es la herramienta, sino la ausencia de una base de datos sólida
Muchas empresas belgas tienen ya acceso a las mismas herramientas de inteligencia artificial que los mayores grupos tecnológicos. Sin embargo, la mayoría de ellas solo utiliza una fracción ínfima de su potencial real. No es por falta de ambición, sino por no haber construido la base de datos que permitiría a la IA producir algo más que un resultado genérico.
Diagnóstico: la IA reducida a una automatización clásica
En la mayoría de las sociedades belgas, la inteligencia artificial se limita hoy a tareas que un software de gestión clásico habría podido ejecutar igual de bien: clasificar facturas según una regla fija, enviar un correo electrónico tipo tras un pedido, archivar documentos en una carpeta predeterminada. Se trata de procesos acotados y rutinarios, de automatización en el sentido más tradicional del término, simplemente revestidos con la etiqueta de inteligencia artificial porque la herramienta utilizada para ejecutarlos incorpora esa tecnología. La confusión es real: un sistema que aplica una regla fija, una condición que desencadena siempre la misma acción, no aprende nada ni mejora con el uso, a diferencia de un modelo entrenado con los datos propios de la empresa, capaz de detectar patrones que ninguna regla escrita de antemano habría previsto.
Causas: una base de datos inexistente y unos fundamentos técnicos desconocidos
El primer obstáculo es puramente cuantitativo. Para que un modelo de IA produzca un análisis o una predicción fiable sobre un proceso determinado, un tipo de venta, un perfil de cliente o un patrón de pedido, generalmente es necesario disponer de varios miles de ejemplos de ese mismo proceso. Ahora bien, la mayoría de las sociedades belgas, de todos los sectores, ni siquiera alcanzan el millar de registros estructurados para un único y mismo principio de venta: los datos existen, pero dispersos entre buzones de correo, hojas de cálculo aisladas y programas de gestión que no se comunican entre sí.
El segundo obstáculo tiene que ver con el número de variables, no solo con el número de filas. Una empresa que dispone de mil pedidos pero nunca ha registrado el canal de captación, la duración del ciclo de venta o el motivo de un rechazo solo ofrece a la IA una imagen plana de su actividad. Sin estas variables, la herramienta no puede detectar por qué algunos clientes compran más ni anticipar un cambio de comportamiento. Se limita a repetir la media de lo que ve, a falta de ángulos de análisis adicionales que cruzar.
El tercer obstáculo es el desconocimiento de los fundamentos técnicos que permiten precisamente constituir esa base. Pregunte a la mayoría de los equipos directivos qué es un repositorio Git, la herramienta que sirve precisamente para organizar, versionar y centralizar los datos y el código de un proyecto, y la respuesta suele ser el silencio. Lo mismo ocurre con las nociones de iteración, que consiste en volver a entrenar un modelo a medida que llegan nuevos datos, de limpieza de datos, que consiste en eliminar los duplicados y corregir los formatos incoherentes, o de sistema multiagente, en el que varias IA especializadas se reparten una tarea compleja. Sin este primer nivel de cultura técnica, es estructuralmente imposible preparar una base de datos aprovechable, sea cual sea el presupuesto dedicado a la propia herramienta.
Consecuencias: una potencia de cálculo reducida a un simple ahorro de tiempo
Esta falta de base alimenta una percepción errónea pero muy extendida: la IA sería un simple artilugio, un juguete que permite ganar unos minutos en una tarea repetitiva, como redactar un correo electrónico, resumir un documento o generar una imagen. Esta visión no es falsa en sí misma, pero reduce una herramienta de cálculo de alta potencia al papel de un corrector ortográfico algo más sofisticado.
La realidad es la contraria: bien alimentada, una IA no se limita a automatizar lo que una empresa ya hace, sino que sirve para aumentar su volumen, con más clientes identificados, más pedidos anticipados y más oportunidades de venta detectadas antes de que un competidor las vea. La diferencia reside únicamente en la cantidad y la calidad de los datos proporcionados de antemano: es una palanca de crecimiento, no una herramienta de comodidad.
Solución: construir primero la base de datos, antes que la herramienta
En concreto, el primer paso no consiste en elegir una herramienta de IA, sino en implantar un repositorio Git para centralizar y estructurar los datos de la empresa y, a continuación, identificar las dos mejores fuentes ya disponibles para alimentarlo. Para la práctica totalidad de las sociedades, se trata del historial completo de los correos electrónicos intercambiados con clientes y proveedores, y del historial de pedidos, compras y ventas: dos yacimientos que casi todas las empresas acumulan desde hace años sin aprovecharlos nunca. Cuando existen, las transcripciones de llamadas telefónicas, obtenidas convirtiendo la voz en texto, completan útilmente esta base, pero siguen siendo poco frecuentes: pocas sociedades belgas graban sistemáticamente sus comunicaciones de voz. Los correos electrónicos, los pedidos y las comunicaciones oficiales bastan ya para construir una base de datos sólida, sin una inversión técnica considerable, que permita a la IA empezar a crear preguntas frecuentes pertinentes o a comprender mejor la actividad real de la empresa.
Es precisamente el enfoque que Selion pone en marcha para sus clientes. Una auditoría inicial permite identificar los datos realmente disponibles y su estado. A continuación, estos datos se recopilan e integran en pipelines estructurados y se analizan a gran escala, incluso sobre varios millones de conversaciones cuando existe ese volumen. Este análisis permite extraer la información más útil para elaborar preguntas frecuentes, tanto para uso interno como dirigidas a los clientes externos, y comprender mejor cómo circula la información en la empresa para mejorarla de forma continua.
Este trabajo no se limita a una implantación puntual. El objetivo es que la recopilación y el análisis sean recurrentes y automatizados, para alimentar de forma continua la base de conocimientos de la empresa. Esta base sirve después para formar al personal interno y a las nuevas incorporaciones, y para responder a los clientes en todos los canales: correo electrónico, sitio web y, en ocasiones, telefonía cuando la empresa desea llegar hasta ese punto. El objetivo final es documentar lo esencial de la actividad de la empresa para poder transmitirlo tanto interna como externamente.
Una parte importante de este trabajo consiste en filtrar lo que nunca debe salir de la empresa. Las contraseñas, las claves de seguridad y cualquier información sensible se excluyen antes de cualquier explotación de los datos, al igual que los intercambios que no se refieren a cuestiones generales destinadas a compartirse.
En principio, este proyecto es sencillo de iniciar: basta con recopilar los datos existentes. Las empresas que no disponen de las competencias internas para ir más allá pueden recurrir a Selion, que se encarga de todo el proceso, con un resultado que generalmente se entrega en el plazo de un mes.
📋 En resumen
| Punto identificado | Realidad observada | Línea de actuación |
|---|---|---|
| IA reducida a automatización | Confusión con un sistema de reglas fijas, que no aprende | Distinguir claramente entre reglas automatizadas y modelo entrenado con datos |
| Base de datos insuficiente | A menudo menos de 1000 registros estructurados por proceso, pocas variables registradas | Centralizar correos electrónicos, pedidos y compras/ventas en un repositorio estructurado |
| Fundamentos técnicos desconocidos | Git, iteraciones, limpieza de datos, multiagente: conceptos desconocidos internamente | Formarse o contar con acompañamiento en estas bases antes de invertir en la herramienta |
| IA vista como un ahorro de tiempo | Percepción de una simple herramienta de comodidad en lugar de una palanca de crecimiento | Orientar el uso hacia el aumento del volumen de clientes/pedidos |