Por qué es necesario tener un método de planificación de la IA generativa

Un caso de uso mal elegido cuesta unas semanas, la falta de método cuesta años. Te explicamos que es lo que la dirección debe cerrar antes de probar nada.

Casi todas las pymes que han probado IA generativa han empezado por el mismo sitio. Un caso de uso. Alguien propone resúmenes de correo, borradores comerciales o respuestas a clientes, se prueba unas semanas, funciona a medias y se abandona sin que nadie declare formalmente que ha fracasado. Meses después se repite la escena con otro caso distinto.

Ese patrón no se corrige eligiendo mejor la herramienta. Se corrige invirtiendo el orden. Qué tarea se delega a la IA generativa es la última decisión, no la primera. Antes hay cuatro que solo puede tomar la dirección, y cuando están tomadas el caso de uso deja de ser una apuesta y pasa a ser una consecuencia. Ese es el método y son cuatro frentes. Objetivo, impacto, exposición y prioridad.

Lo que cuesta no tener método

Un caso de uso mal elegido cuesta unas semanas. La ausencia de método cuesta años, porque garantiza que ningún caso de uso sea el correcto.

Sin método pasan tres cosas de forma sistemática. La primera, que nadie sabe si el proyecto ha funcionado, porque nunca se acordó qué tenía que moverse. La segunda, que el equipo que debía usar la herramienta se entera al final y la abandona en cuanto deja de haber vigilancia. La tercera, que la empresa acumula pequeñas dependencias de proveedores externos sin haber decidido nunca cuánta exposición estaba dispuesta a asumir.

Ninguno de esos tres problemas es tecnológico. Los tres se resuelven antes de tocar nada, en una conversación de dirección que suele durar menos de lo que dura la primera prueba fallida.

Qué objetivo de negocio se persigue, y cómo se sabrá si se ha conseguido

Primera decisión. No qué se puede automatizar con la IA generativa, sino qué problema lleva tiempo sin resolverse.

La prueba es sencilla. Cada iniciativa de IA tiene que poder explicarse en una frase que no contenga la palabra IA. «Queremos incorporar IA en atención al cliente» no pasa la prueba. «Queremos bajar de tres días a uno el plazo de envío de presupuestos porque estamos perdiendo operaciones por lentitud» sí la pasa. La segunda frase trae dentro un objetivo, un indicador y un responsable natural. La primera solo trae una tecnología.

De ahí sale la métrica, y tiene que existir antes de empezar. No hace falta un cuadro de mando. Hace falta un número acordado y un plazo. Plazo medio de respuesta, propuestas enviadas el mismo día, horas dedicadas a preparación, errores en un proceso administrativo. Lo importante es que esté escrito antes, porque un proyecto sin métrica acordada no fracasa nunca, y por eso tampoco termina nunca.

El resultado de este ejercicio es una frase de objetivo, un indicador y una fecha de revisión.

Qué cambia en el trabajo de personas concretas y quién empuja el cambio

Segunda decisión, y la que más proyectos entierra cuando se salta.

La IA generativa no ahorra trabajo en abstracto. Cambia tareas concretas de perfiles concretos. Si el objetivo es acortar la respuesta comercial, alguien va a dejar de redactar propuestas para pasar a revisar borradores. Redactar y revisar no son la misma actividad, no exigen el mismo criterio y no generan la misma relación con el propio trabajo. La resistencia que aparece después no es resistencia al cambio, es la respuesta lógica de un equipo al que nadie preguntó.

Aquí hay que decidir dos cosas. La primera, quién empuja el cambio, que no es quien lo aprueba. Es un perfil que conoce el proceso por dentro, que tiene credibilidad ante el resto y que va a estar disponible durante las semanas en que la herramienta funcione a medias. La segunda, quién revisa lo que la IA produce, con tiempo asignado para hacerlo. La IA generativa devuelve resultados plausibles, no necesariamente correctos. Si la revisión consume lo que la generación ahorra, conviene descubrirlo antes de comprometer presupuesto, no después.

El resultado de este ejercicio es la lista de tareas que cambian, el nombre de quien empuja y el nombre de quien valida.

Qué exposición asume la empresa

Tercera decisión. El error habitual es tratarla como un trámite que se resuelve al final, cuando el proyecto ya está montado.

Las preguntas son de negocio, no técnicas. Qué información de la empresa entra en un sistema externo. Quién responde si un contenido generado llega a un cliente con un dato equivocado. Qué ocurre si el proveedor de IA cambia condiciones o retira el modelo del que ya depende un proceso. Todas ellas describen un nivel de dependencia que la dirección decide, aunque muchas veces lo decida por omisión.

A esto se añade la transparencia. Desde el 2 de agosto de 2026 es aplicable la parte del Reglamento europeo de IA que la regula, en su artículo 50. En términos de negocio significa que hay situaciones en las que la empresa tiene que dejar claro que quien está al otro lado interactúa con un sistema de IA o que un contenido se ha generado con ella. No es papeleo posterior, es una decisión de diseño, porque condiciona cómo se presenta la herramienta a clientes y a equipos. Lo desarrollamos con más detalle en el artículo sobre cuándo tiene que avisar una empresa de que usa IA.

El resultado de este ejercicio es qué datos se pueden usar, quién firma lo que sale y qué se comunica al cliente.

Implementamos sistemas de IA rentables y adaptados a tu negocio

¿Comenzamos?

Cómo se prioriza y a qué se dice que no

Cuarta decisión, y la que separa a las empresas que tienen IA funcionando de las que llevan dos años probando.

Cuando objetivo, impacto y exposición están definidos, aparecen más candidatos de los que la empresa puede asumir. El criterio de prioridad no es cuál impresiona más. Es cuál combina impacto alto sobre el objetivo definido con baja fricción de implantación. Un caso de uso sobre un proceso estable, con datos ordenados y un responsable claro, vale más que uno espectacular que depende de información repartida en cuatro sistemas que no se hablan entre sí.

Y buena parte del trabajo aquí consiste en descartar. Hay tareas que se pueden automatizar y no deberían automatizarse, porque el criterio humano forma parte del resultado o porque el ahorro no compensa la pérdida de control. Decidir con criterio qué se automatiza y qué no es la primera decisión de valor del proyecto, no un detalle de ejecución.

El resultado de este ejercicio es una lista corta, ordenada por impacto y fricción, y una lista igual de explícita de lo que se ha decidido no automatizar.

Ese es también el punto donde la planificación se convierte en operación. Elegido el caso de uso, hay que definir quién gobierna el sistema, cómo se mide, cómo se revisa lo que produce y qué se hace cuando falla. Es el trabajo que cubre nuestro servicio de implementación y administración de sistemas de IA. En el modelo MIT KORE, la capa estratégica (criterio, prioridad y medición) y la capa técnica que sostiene el sistema se trabajan por separado, porque son decisiones distintas y se toman en momentos distintos.

El método cabe en una reunión

Los cuatro frentes no exigen un proyecto largo ni un comité permanente. Exigen una conversación de dirección antes de la primera prueba y una revisión con fecha después.

Lo que cambia al aplicarlos no es la tecnología que se usa. Es que la empresa deja de probar y empieza a decidir.

Si mañana hubiera que explicar en una frase qué objetivo de negocio se persigue con IA y cómo se sabrá si se ha conseguido, ¿esa frase existe ya escrita en algún sitio o habría que improvisarla?