El CTO de 2people IT explicó dónde el uso de AI en los negocios realmente compensa y dónde las empresas pierden dinero

Las empresas piden cada vez más «implantar AI», pero el efecto económico no aparece ni de lejos en todos los casos. El CTO de 2people IT, Ilya Trokhin, explica qué tareas realmente compensan y dónde las redes neuronales siguen siendo un experimento caro sin un retorno claro.

Por qué fracasan las solicitudes

Según observa el autor, la mayor parte de las solicitudes de implantación no empieza por un problema, sino por el deseo de «hacer lo que hace todo el mundo». Ya en la primera revisión queda claro que la empresa no tiene un proceso formalizado, métricas claras, una estructura de datos decente y ni siquiera una forma única de ejecutar la tarea dentro del equipo. En esa situación, AI no se convierte en una capa mágica por encima: no arregla el desorden operativo, solo acelera su reproducción y aumenta el coste de los errores.

AI no corrige el caos. Lo escala.

De ahí sale el filtro principal antes de cualquier piloto: primero hay que calcular exactamente dónde el negocio pierde dinero, tiempo o calidad. Si los empleados actúan de forma distinta cada vez, el flujo de tareas es pequeño y el resultado no puede medirse, apenas hay nada que automatizar. En ese escenario, el proyecto se convierte o bien en una iniciativa de imagen, o bien en una comprobación cara de una hipótesis, sin opciones de llegar rápido al retorno. El autor lleva de forma directa a la idea de que primero hace falta orden en los procesos y solo después una capa de redes neuronales por encima.

Dónde el efecto se ve rápido

Los casos más predecibles son aquellos en los que hay un gran volumen de operaciones del mismo tipo, una entrada clara y una parte apreciable de trabajo manual. Precisamente en esas zonas AI da resultado medible más rápido: reduce el tiempo de procesamiento, disminuye el número de errores y libera al equipo de carga rutinaria. No se trata de sustituir por completo a los especialistas, sino de escenarios en los que el modelo asume el trabajo inicial o de borrador, mientras la persona interviene en las excepciones y en el control de calidad.

• clasificación de solicitudes y correos entrantes
• extracción de datos de contratos, formularios y otros documentos
• respuestas a preguntas típicas en soporte y enrutamiento de solicitudes
• procesamiento inicial de candidaturas y consultas de HR
• preparación de documentación preliminar, casos de prueba y prototipos en IT

El artículo analiza por separado un caso con documentos: antes, un operador comprobaba manualmente la imagen del pasaporte y trasladaba los campos al sistema, lo que llevaba tiempo y provocaba errores de introducción. Después de implantar OCR y la extracción automática de datos, el sistema empezó a leer por sí solo el nombre completo, el número de documento y la fecha de nacimiento, mientras que la persona pasó a intervenir solo en los casos dudosos.

Una lógica parecida también funciona en soporte: el asistente resuelve las solicitudes estándar, acelera la primera respuesta y deriva únicamente los casos no estándar, en los que realmente hace falta un empleado.

Otra zona útil es la rutina interna de IT. El autor escribe que el equipo usa AI como acelerador para preparar documentación preliminar, generar casos de prueba, ayudar en el code review y prototipar rápido. Estas herramientas todavía no pueden sustituir por completo a un desarrollador, pero recortan horas en tareas repetitivas y ayudan a lanzar MVPs más deprisa. Para los proyectos comerciales, esto significa plazos más cortos y menos presión sobre el presupuesto, sobre todo en las fases iniciales.

Cómo calcular el retorno

El autor propone no empezar por elegir el modelo o el proveedor, sino por hacer una breve auditoría operativa y evaluar si el proceso está listo para la implantación. Primero hay que entender el coste del proceso actual; después, el volumen de operaciones al mes; luego, encontrar el cuello de botella y comprobar si la empresa tiene datos suficientes para la automatización. Solo cuando estos cuatro puntos están confirmados AI deja de ser un añadido de moda y se convierte en una herramienta con lógica de negocio clara y efecto previsible.

Cuando el volumen es pequeño, el proceso es inestable o la empresa intenta sustituir por completo a la persona, la implantación suele atascarse. El efecto económico aparece solo en los casos en que la solución o reduce costes concretos, o acelera el ciclo, o disminuye la cantidad de errores. Si eso no puede expresarse en dinero, plazos o SLA, lo más probable es que el proyecto se haya lanzado demasiado pronto. En esas condiciones, la automatización convencional sin redes neuronales a veces aporta más valor, porque cuesta menos, se implanta más rápido y no requiere una preparación compleja de los datos.

Qué significa esto

Para las empresas, este es otro recordatorio de que AI funciona mejor no como escaparate de innovación, sino como herramienta aplicada para procesos masivos, repetibles y costosos. Las victorias más rápidas hoy están en los documentos, el soporte, los asistentes internos y las tareas rutinarias de los equipos de IT, y no en los intentos de «automatizarlo todo de golpe».