Lo que creemos que nos ocupa y lo que de verdad consume el tiempo del equipo
Cada empresa tiene una versión contada de su día a día. Se repite en reuniones, en onboarding y en presentaciones. Casi nunca coincide con los datos. Cuando ayudamos a un cliente a decidir por dónde empezar con IA, lo primero es desmontar esa versión. No por falta de criterio interno, sino porque la memoria humana recuerda lo visible y lo emocional, no lo frecuente y lo oscuro.
Hemos visto operaciones donde el equipo juraba que los picos de trabajo venían de atención al cliente y, al revisar datos, el 68% del tiempo estaba en dos tipos de consulta administrativa internas que nadie consideraba importantes. Elegir la IA desde la versión contada habría automatizado lo equivocado.
Primer paso: auditar datos operativos, no pedir opinión al equipo
Un ejercicio de estimación basado en encuestas internas suele arrojar un mapa muy distinto al real. Lo que funciona es pedir datos: registros de tickets, logs de llamadas, historial de correos, tiempos de proceso en ERP, número de presupuestos abiertos y cerrados por semana. En la mayoría de PYMES esos datos ya existen, solo que nadie los ha mirado juntos.
Cuando se cruzan, aparecen patrones estables: dos o tres tipos de interacción concentran entre el 60% y el 80% del tiempo del equipo. Ese patrón es el que define dónde tiene sentido meter IA, no la lista de deseos del último comité.
La regla útil: volumen por tiempo de manejo
El volumen solo no basta. Un proceso que ocurre 500 veces al mes pero se resuelve en un minuto no es el mejor candidato. Tampoco lo es uno que consume dos horas pero ocurre una vez por trimestre. El apalancamiento aparece cuando los dos factores suben a la vez: ocurre mucho y cada ocurrencia cuesta.
En una fábrica metálica madrileña esa intersección eran los presupuestos personalizados. Ocurrían decenas de veces a la semana, cada uno costaba entre 24 y 48 horas de preparación, y la mayor parte del tiempo era cálculo repetible, no criterio humano. Ese fue el primer agente. Los presupuestos pasaron de 48 horas a 2. El resto del taller siguió con su ritmo.
Implementabilidad: por qué no todo caso bueno es ejecutable
Un caso con buen impacto puede ser inabordable si la lógica del proceso no es estable. Si cada pedido se decide de forma distinta según con quién habla el comercial, un agente no va a aprender nada útil. Si la decisión depende de datos que nadie registra, tampoco. Implementabilidad depende de tres cosas: lógica estable, datos accesibles y responsable de negocio dispuesto a mantener el sistema.
Este filtro elimina entre el 40% y el 60% de los candidatos en una primera lista. Y ahí está el valor de la auditoría: evita invertir meses en casos cuyo fracaso estaba escrito desde la primera reunión.
Cómo ordenamos un mapa real de 200 tipos de consulta
En un cliente con operación internacional cruzamos seis meses de tickets. Salieron más de 200 tipos de consulta. Al aplicar volumen por tiempo quedaron ocho categorías que concentraban el 74% del trabajo. Al aplicar implementabilidad quedaron tres. De esas tres, una tenía lógica ya documentada internamente. Ese fue el primer agente. Lanzamiento en seis semanas, ahorro medible en ocho.
Lo interesante no es el resultado final. Es la distancia entre el primer instinto del cliente (automatizar el chatbot web) y el ganador real del filtro (una categoría interna que nadie contaba en ninguna presentación).
Del mapa a un piloto de 30 días
Encontrar el caso correcto no basta. Hay que convertirlo en un piloto acotado, con presupuesto y plazo cerrados. Treinta días, un proceso, un equipo, una métrica de éxito y una métrica de fracaso. Si la métrica no se mueve en ese tiempo, se pausa. Si se mueve, se escala. Sin ceremonias.
Este ciclo corto protege a la empresa del escenario más común en proyectos de IA: doce meses de desarrollo, un lanzamiento grande y la sensación de que el sistema funciona pero nadie lo usa en producción.
El error más caro: automatizar lo que se queja, no lo que cuesta
Las empresas automatizan lo que oyen en reuniones. Un equipo se queja mucho de un proceso, la dirección escucha, se monta un proyecto de IA sobre ese dolor. Meses después el sistema está en producción y apenas mueve la cuenta de resultados.
La queja indica incomodidad. Los datos indican coste. Son cosas distintas y conviene separar las dos conversaciones: una con el equipo sobre qué duele, otra con los datos sobre qué cuesta. La IA resuelve bien la segunda. La primera requiere cambios de proceso, formación o liderazgo, no modelos.
Cómo abordamos esta decisión en Averis
Una auditoría operativa seria dura una semana, cuesta entre 1.500 y 3.000 euros y te entrega tres cosas: mapa de procesos con volumen y tiempo, lista priorizada de casos de uso con impacto estimado y roadmap de despliegue con el primer piloto detallado. Lo habitual es que la auditoría se pague sola antes del segundo agente.
Si tu empresa factura por encima de 1 millón de euros, tiene procesos repetitivos que se sienten como ruido de fondo y un responsable dispuesto a mantener el sistema, este es el primer paso honesto. Escríbenos y te pasamos el formato de auditoría que usamos con clientes parecidos.
