Copilot, ChatGPT, Gemini o Claude pueden ser excelentes opciones. El reto es saber cuándo no elegirlas.
La demo ha salido perfecta. Ese es el problema.
Ponemos tres documentos bien elegidos, hacemos un par de preguntas y en segundos tenemos una respuesta impecable. Todo funciona. Hasta que intentamos llevarlo al día a día: los documentos están repartidos entre SharePoint, carpetas personales y el ERP; hay varias versiones del mismo procedimiento y no todos los usuarios tienen los mismos permisos.
Y, cuando la IA termina su parte, alguien todavía tiene que copiar el resultado, entrar en otro sistema y acabar el trabajo a mano. La herramienta puede ser muy buena y, aun así, no ser la adecuada.
Creo que empezamos por el final
Cuando hablamos de IA con empresas, hay una pregunta que aparece enseguida: «¿Qué utilizamos? ¿Copilot, ChatGPT, Gemini, Claude…?» Es una pregunta lógica, pero yo intentaría responder primero otra: ¿qué problema merece realmente que utilicemos IA?
Porque no estamos eligiendo únicamente un modelo que responde preguntas. También decidimos cómo accederá a la información, con qué aplicaciones se conectará, quién podrá utilizarlo, qué podrá hacer y quién se encargará de mantenerlo. Una buena demo no nos dice demasiado sobre todo eso.
El ecosistema también importa, y mucho. Si prácticamente todo el trabajo ya sucede en Teams, Outlook y SharePoint, tiene sentido empezar evaluando Microsoft 365 Copilot. En un entorno construido alrededor de Google Workspace, la conversación probablemente será otra. Y lo mismo ocurre con ChatGPT o Claude.
Para mí, la clave no está en decidir cuál es «mejor», sino cuál encaja mejor con el trabajo que realmente queremos resolver. Ninguna gana por defecto.
Mis tres «no» antes de elegir una IA
El primero: si no llega al dato correcto, no sirve. Da igual que un modelo lidere las comparativas si no puede consultar la información que necesita el proceso. O si encuentra cinco versiones de una política y nadie sabe cuál es la vigente. Antes de cambiar el prompt, prefiero revisar dónde están los datos, quién puede verlos y si realmente están preparados para usarse.
El segundo: si no encaja en el proceso, no automatiza gran cosa. Resumir un contrato es una tarea. Registrarlo, comprobar sus condiciones y actualizar el CRM es un proceso. Si después de la respuesta hay que copiar datos a mano, quizá hemos mejorado un paso, pero no hemos resuelto el problema. A veces hará falta un agente; otras, una integración y unas reglas sencillas.
El tercero: si necesita supervisión permanente, hay que rehacer las cuentas. El precio de una licencia o de un millón de tokens no cuenta toda la historia. También pagamos integración, mantenimiento, revisión y corrección de errores. Una respuesta que cuesta céntimos puede salir cara si alguien tiene que rehacerla.
El dato que importa no es cuánto cuesta obtener una respuesta, sino cuánto cuesta resolver correctamente una tarea completa.
Pongamos un ejemplo: las solicitudes que llegan por correo
Un equipo recibe peticiones de clientes. Alguien lee cada correo, identifica qué le están pidiendo, revisa la documentación, consulta el CRM, registra el caso y lo asigna a quien corresponda. La primera idea podría ser: «Pongamos una IA que gestione el correo». Perfecto. Pero ¿en qué parte del trabajo nos aporta valor de verdad?
Podemos usar IA para interpretar mensajes escritos de mil maneras y extraer información de los adjuntos. Las comprobaciones de campos obligatorios pueden resolverse con reglas; el alta del caso, con una integración con el CRM; y las excepciones, con revisión humana. Incluso podemos descubrir que el cuello de botella está en una validación posterior, no en leer los mensajes.
Al final, no se trata de poner un chatbot delante de todo el proceso. Se trata de entender qué paso necesita IA, cuál necesita una automatización convencional y cuál debe seguir bajo control de una persona. Y sí: hay situaciones en las que la mejor decisión es no utilizar IA.
Cómo compararía las opciones
Una vez entendido el problema, entonces sí prepararía una lista corta de soluciones. Pero las enfrentaría al mismo trabajo real, no a la demo ideal: documentación incompleta, solicitudes ambiguas, usuarios con permisos diferentes y casos que deben rechazarse o escalarse. Si probamos solo las preguntas que sabemos que funcionan, la prueba nos contará poco.
Yo miraría cuatro resultados: calidad de lo que entrega, tiempo que ahorra, coste por caso resuelto y supervisión necesaria. Después comprobaría si cumple los requisitos de seguridad y si el equipo puede utilizarla sin añadir más pasos a su jornada. Porque una comparativa nos puede decir qué herramienta destaca técnicamente. Pero a la empresa lo que realmente le importa es otra cosa: cuánto trabajo consigue resolver mejor gracias a ella.
De hecho, esta es una de las ideas que más sentido tienen dentro de AI Scale Up: empezar entendiendo el problema, valorar impacto y viabilidad y, solo después, decidir qué merece la pena construir, desplegar o directamente descartar.
Saber decir que no también es avanzar
No a una solución que no accede a la información correcta. No a un agente para algo que unas reglas resuelven mejor. No a una inversión cuyo resultado nadie sabe medir. Descartar una opción no significa que sea mala; significa que no es la adecuada para ese trabajo.
Al final, lo interesante no es cuántas herramientas de IA tiene una empresa, sino qué trabajo consigue hacer mejor gracias a ellas. Y para llegar ahí, descartar a tiempo puede ser tan valioso como acertar con la solución.
