En los últimos años hemos tenido cientos de conversaciones con líderes que intentan decidir qué hacer con la IA en su empresa. Las compañías son diferentes. Las industrias son diferentes. La sofisticación técnica es diferente. Pero las preguntas son notablemente consistentes. Las mismas diez o más temáticas aparecen en casi todas las primeras conversaciones, y la calidad de las respuestas suele determinar si la empresa toma buenas decisiones tempranas o pierde un año en cosas equivocadas.
La lista abajo son las preguntas que oímos con más frecuencia, con las respuestas que realmente damos. No es un argumento de venta. La versión honesta de estas respuestas es más útil que la versión pulida, tanto porque los líderes empresariales notan la diferencia como porque una respuesta equivocada a cualquiera de estas preguntas suele ser costosa.
1. ¿Por dónde deberíamos empezar con la IA?
Esta es con diferencia la pregunta de apertura más común, y la respuesta casi nunca empieza por la tecnología. El lugar correcto para empezar es con un pequeño número de casos de uso internos reales en los que las personas que realizan el trabajo puedan describir una tarea específica que consume tiempo en detalle. Resúmenes de soporte al cliente, notas de llamadas de ventas, revisión de contratos, borradores de marketing, búsqueda de conocimiento interno y análisis de datos rutinarios son los candidatos habituales. Comparten tres propiedades. El trabajo es intensivo en lenguaje o datos. El resultado se usa mayoritariamente internamente, de modo que el coste de un error ocasional está acotado. El proceso actual está bien entendido, lo que hace que la versión con IA pueda probarse.
El lugar equivocado para empezar es con un producto emblemático de cara al cliente o con una iniciativa de transformación a nivel de junta directiva. Esos tienen su lugar, pero no son de donde provienen las primeras victorias. Las primeras victorias provienen de dar a un equipo pequeño una herramienta que haga una parte claramente definida de su semana notablemente más rápida, y luego aprender de lo que ocurre cuando la usan realmente.
2. ¿Cuánto costará esto?
La respuesta honesta es que depende, y no en el sentido evasivo de consultoría. El coste varía por dos o tres órdenes de magnitud según lo que estés haciendo.
Un asistente de IA sencillo construido sobre herramientas existentes, usado por un equipo pequeño, puede estar en funcionamiento en unas semanas por unos pocos miles de dólares en suscripciones y una cantidad modesta de tiempo interno. Una herramienta interna personalizada que envuelva un modelo de propósito general con tus propios datos y procesos típicamente se sitúa entre cincuenta y doscientos cincuenta mil dólares para la primera versión. Un sistema en producción que procese transacciones de cara al cliente a escala, con el trabajo circundante en evaluación, monitorización y gestión del cambio, puede llegar a millones. Estos rangos varían materialmente con la preparación de tus datos, el alcance de los requisitos de cumplimiento y la profundidad de la integración con sistemas existentes.
La pregunta del coste casi siempre es la pregunta equivocada por sí sola. La pregunta correcta es cómo se ve el retorno esperado en cada escala y qué escala es apropiada para el problema en cuestión. Normalmente insistimos en empezar por el extremo más pequeño y ganarnos el derecho a los mayores en lugar de al revés.
3. ¿Cuál es el ROI y cuándo lo veremos?
El retorno de un proyecto de IA bien elegido proviene de un pequeño número de patrones. Tiempo ahorrado en trabajo rutinario que antes consumía horas de personal caro. Ciclos más rápidos que se traducen en más acuerdos cerrados, más tickets de soporte resueltos o más contenidos producidos. Mayor calidad del resultado en lugares donde la calidad afecta directamente a ingresos o retención. Reducción del coste de error en procesos donde los errores antes eran caros. Ocasionalmente, una capacidad genuinamente nueva que el negocio no podía ofrecer antes.
Para trabajo de productividad interna, normalmente vemos horas medibles ahorradas dentro de los primeros sesenta días de un despliegue enfocado cuando el caso de uso está bien elegido y el equipo adopta la herramienta. Para mejoras de cara al cliente, el plazo suele ser de tres a seis meses porque el trabajo de procesos circundante lleva más tiempo que la construcción. Para proyectos más ambiciosos, el primer año suele centrarse en el aprendizaje y el retorno mayor aparece en los años dos y tres. El tiempo real depende de la preparación de los datos, la profundidad de la integración y el nivel de inversión en gestión del cambio.
El patrón que advertimos es el caso en que el retorno se calcula en una hoja de cálculo usando supuestos optimistas y luego nunca se mide frente a la realidad. La versión disciplinada es definir un pequeño número de métricas desde el principio, medir una línea base antes de que comience el proyecto y revisar la diferencia real con una cadencia regular. Las empresas que hacen esto tienden a ser las que obtienen valor real de la IA. Las que no, tienden a derivar.
4. ¿Nuestros datos están seguros?
Esta es casi siempre la segunda o tercera pregunta, y merece una respuesta cuidadosa más que una tranquilizadora.
La versión honesta empieza por qué datos estás enviando y a dónde. Si estás usando herramientas de IA de consumo con ajustes predeterminados, debes asumir que cualquier cosa pegada en ellas puede usarse para fines más allá de tu consulta inmediata, dependiendo del proveedor y del plan. Si estás usando versiones empresariales de los principales productos de IA, los proveedores típicamente incluyen compromisos de no entrenamiento con tus datos bajo sus términos empresariales, junto con controles de seguridad y privacidad de grado empresarial, aunque los términos y el alcance específicos varían según el proveedor, el plan y la región y deben leerse con cuidado en lugar de asumirse. Si estás usando IA a través de la API de un proveedor cloud, el manejo de datos suele regirse por tus contratos cloud existentes. Si estás ejecutando un modelo abierto en tu propia infraestructura, los datos nunca salen de tu entorno.
La respuesta correcta para cualquier empresa específica depende de qué son los datos, qué regulaciones aplican y cómo es la superficie de riesgo real. Para la mayoría de las empresas, el patrón correcto es estandarizar en herramientas empresariales con fuertes protecciones contractuales, mantener los datos más sensibles en sistemas internos de control estricto y redactar una política clara de uso aceptable que todos entiendan. El riesgo es real pero manejable. No es una razón para evitar la IA. Es una razón para desplegar la IA deliberadamente en lugar de hacerlo de forma informal.
5. ¿La IA reemplazará a nuestra gente?
La respuesta honesta es más matizada que la versión de marketing o la versión apocalíptica.
Para la mayoría de las empresas consolidadas, la IA no eliminará roles por completo a corto plazo. Cambiará en qué emplean su tiempo esos roles, automatizará partes del trabajo que antes eran manuales, aumentará la producción esperada por persona y desplazará gradualmente la mezcla de habilidades que la empresa contrata. Algunos roles concretos, particularmente los que eran esencialmente procesamiento rutinario de información, se reducirán o desaparecerán con el tiempo. Otros roles, incluidos algunos que antes no existían, crecerán.
El patrón práctico que vemos en las empresas que lo gestionan bien es la honestidad con los empleados sobre lo que cambia, inversión en formación para que la gente use las nuevas herramientas eficazmente, disposición a reorganizar el trabajo en lugar de simplemente añadir IA a procesos sin cambios y enfoque en hacer crecer el negocio con la nueva capacidad en lugar de centrarse solo en recortar costes. Las empresas que lo gestionan mal tienden a fingir que nada cambia o a tratar la IA como una estrategia silenciosa de reducción de plantilla. Ambos enfoques dañan la confianza y suelen producir peores resultados empresariales que el camino más honesto.
6. ¿Deberíamos construir, comprar o usar herramientas estándar?
La respuesta por defecto en 2026 es comprar o usar soluciones estándar para la gran mayoría de los casos de uso, con una pequeña cantidad de integración personalizada en los bordes. La razón es sencilla. Los productos de IA de propósito general de los principales proveedores son muy capaces, mejoran rápidamente y tienen precios lo bastante bajos como para que las cuentas de construir frente a comprar casi siempre favorezcan comprar. El coste de construir y mantener un modelo personalizado rara vez se justifica cuando un proveedor ya ofrece algo mejor por menos.
Los casos en que aún tiene sentido construir o ejecutar tu propio modelo son más reducidos que antes. Incluyen dominios especializados donde los modelos generales rinden mal, situaciones en las que los datos no pueden salir de un entorno controlado por razones regulatorias, casos de uso de muy alto volumen donde el coste de inferencia se convierte en el factor dominante, aplicaciones donde el modelo debe comportarse de maneras que los grandes proveedores no admitirán y cargas de trabajo en el borde o de baja latencia donde las llamadas a una API alojada no son aceptables.
El terreno intermedio, que es donde ocurre la mayor parte del trabajo real, es una aplicación personalizada construida sobre un modelo de propósito general, a menudo con recuperación sobre tus propios datos y con flujos de trabajo específicos para tu negocio. Esto no es ni construir puro ni comprar puro. Es el patrón que ha generado la mayor parte del valor real que hemos visto.
7. ¿Y las alucinaciones y respuestas incorrectas?
Las alucinaciones son un comportamiento real y bien documentado de los modelos de lenguaje, en el que el modelo produce salidas que suenan seguras pero son factualmente incorrectas o no están respaldadas por ninguna fuente real. Actualmente no pueden eliminarse. Pueden gestionarse.
El patrón que funciona es diseñar el sistema de modo que el coste de cualquier error individual esté acotado. Usar la IA como primer borrador para revisión humana en lugar de como palabra final en lugares donde la exactitud importa. Fundamentar las respuestas en material recuperado en lugar de depender del conocimiento paramétrico del modelo. Usar temperaturas de muestreo más bajas para tareas factuales. Exigir al modelo que cite fuentes y que marque incertidumbre. Validar salidas contra sistemas externos cuando sea posible. Ejecutar evaluaciones periódicas que verifiquen específicamente la exactitud factual en entradas representativas.
La formulación honesta para los clientes es que la salida de la IA es un borrador de un colega rápido, conocedor y a veces equivocado. Tratado así, es enormemente valioso. Tratado como una fuente autoritativa cuyas salidas no necesitan verificarse, es una responsabilidad. El diseño del flujo de trabajo circundante es lo que determina cuál de las dos obtendrás realmente.
8. ¿Cuánto tiempo llevará?
La construcción técnica casi nunca es el cuello de botella. El cuello de botella es todo lo que hay alrededor. Elegir el caso de uso correcto lleva semanas de conversación. Conseguir acceso limpio a los datos adecuados lleva semanas más. Definir cómo es un buen resultado, construir una evaluación, formar a las personas que usarán la herramienta, integrar con sistemas existentes y gestionar el cambio en cómo se hace el trabajo, todo eso lleva tiempo real.
Un piloto de productividad interna enfocado y con alcance estricto puede pasar del inicio a la primera versión útil en cuatro a seis semanas. Una herramienta interna personalizada que toca sistemas existentes suele tardar de tres a seis meses en una primera versión en producción. Una aplicación de cara al cliente que implique revisión regulatoria, evaluación de seguridad, integración y gestión del cambio a menudo tarda de nueve a doce meses, a veces más.
El patrón que advertimos es la suposición de que porque la IA en sí es rápida, el proyecto será rápido. La IA es rápida. La organización a su alrededor no lo es. Los planes que tienen en cuenta el trabajo organizacional tienden a cumplirse a tiempo. Los planes que no lo hacen, no.
9. ¿Qué modelo o herramienta de IA deberíamos usar?
Esta pregunta solía tener una respuesta clara durante unos meses y luego cambiaba con el siguiente ciclo de lanzamientos. En 2026 el panorama es más estable. Los tres principales proveedores, OpenAI, Anthropic y Google, ofrecen modelos de propósito general que son suficientemente buenos para casi cualquier caso de uso empresarial común. Las diferencias entre ellos son reales pero pequeñas en relación con la distancia entre usar bien un modelo potente y usar mal uno débil.
El consejo práctico es elegir el proveedor que se ajuste a su pila tecnológica existente, a sus requisitos de seguridad y cumplimiento, y a las preferencias de su equipo, y comprometerse con él durante un año en lugar de perseguir cada lanzamiento. Para la mayoría de las empresas en Microsoft, eso es OpenAI a través de Azure. Para la mayoría de las empresas en Google Cloud, eso es Gemini a través de Vertex. Para organizaciones que priorizan la postura de Anthropic sobre seguridad y razonamiento, Claude a través de AWS Bedrock o directamente es una opción predeterminada sólida. Para cargas de trabajo sensibles o especializadas, los modelos de pesos abiertos como Llama o Mistral en infraestructura gestionada también son viables.
La pregunta mucho más importante que cuál modelo es cuál es el caso de uso. Un buen caso de uso en cualquiera de los modelos principales generará valor real. Un mal caso de uso en el mejor modelo no lo hará.
10. ¿Cómo hacemos para que nuestra gente realmente lo use?
Esta es la pregunta que separa a las empresas que obtienen valor real de la IA de las que compran licencias y luego las ven sin uso. El aspecto tecnológico de un despliegue de IA suele ser la parte menor del trabajo. La gestión del cambio es la parte más grande.
Los patrones que funcionan son coherentes. Elija un número reducido de casos de uso claros vinculados al trabajo real que la gente ya está haciendo. Proporcione formación real, no un seminario web de quince minutos. Tenga campeones visibles dentro de la empresa que usen las herramientas ante el equipo y compartan lo que funcionó. Haga que las herramientas sean fáciles de acceder, idealmente integradas en los sistemas en los que la gente ya trabaja en lugar de como un destino separado. Controle el uso y la calidad, comparta los resultados internamente y ajuste según lo que la gente realmente encuentra útil. Reconozca que los primeros meses se tratan de aprendizaje más que de productividad, y proteja el tiempo para ese aprendizaje.
Las empresas que omiten este trabajo tienden a descubrir seis meses después que la adopción es baja, las herramientas son culpadas por no entregar y el presupuesto para la siguiente fase es más difícil de defender. Las empresas que invierten en ello suelen encontrar que las mismas herramientas se integran genuinamente en la manera en que se realiza el trabajo, y la segunda fase es mucho más fácil de financiar porque la primera produjo resultados visibles.
El patrón subyacente a las preguntas
Si observa las diez preguntas en conjunto, encajan en un patrón. La tecnología rara vez es la parte difícil. Las partes difíciles son elegir el problema correcto, desplegar la tecnología en un flujo de trabajo real, gestionar las implicaciones de datos y confianza, comunicar honestamente con empleados y clientes, medir si el trabajo realmente produjo valor y tratar la IA como una capacidad operativa seria en lugar de como una mejora mágica.
Nada de esto es exclusivo de la IA. El mismo patrón se aplica a casi cualquier inversión tecnológica significativa. Lo que es único es la rapidez con la que la capacidad subyacente está mejorando y la amplitud del trabajo que toca. Las empresas que lo hacen bien son las que construyen un hábito sostenible de evaluar nuevas capacidades, elegir problemas reales, desplegar con cuidado y aprender de los resultados. Las que no lo hacen tienden a evitar la IA por completo o a lanzarse a iniciativas amplias y sin enfoque que generan más titulares que resultados.
Las preguntas que desearíamos que los clientes hicieran más
Algunas preguntas aparecen con menos frecuencia de la que deberían, y las conversaciones que las incluyen tienden a ir mejor que las que no.
¿Cómo se ve el éxito dentro de doce meses, en términos mensurables? ¿Cómo sabremos si un proyecto no está funcionando y cuál es el desencadenante para detenerlo? ¿Qué capacidades queremos construir internamente frente a depender de socios? ¿Cómo cambiará el trabajo para las personas más afectadas y qué inversión haremos en su desarrollo? ¿Qué no vamos a hacer y por qué? Cada una de estas cuestiones saca a la luz decisiones que a menudo no se toman en las conversaciones iniciales y que luego influyen silenciosamente en cómo se desarrolla el programa.
Conclusión
Las preguntas de esta lista son comunes porque son las adecuadas. Dónde empezar. Cuánto cuesta. Cómo se ve el retorno. Cómo manejar datos, personas, construir frente a comprar, exactitud, tiempo, elección de modelo y adopción. Las empresas que las responden bien tienden a obtener valor real de la IA a medio plazo. Las empresas que las omiten tienden a gastar dinero y tiempo en actividad que no se traduce en resultados.
El punto meta honesto es que las respuestas por lo general no son sorprendentemente novedosas. Son, en su mayoría, la aplicación del buen juicio empresarial habitual a una tecnología nueva y de rápido movimiento. La razón por la que las preguntas importan tanto es que la rapidez de la tecnología puede tentar a personas inteligentes a omitir las partes aburridas de hacer bien el trabajo. Las partes aburridas son donde reside el valor. Eso es cierto para la IA hoy y probablemente seguirá siéndolo incluso cuando la capacidad subyacente siga cambiando.