Cómo elegir el primer proyecto de IA para un pequeño negocio
Ves una demo de inteligencia artificial y te entran ganas de aplicarla a la facturación, a las redes y al rótulo del escaparate. Frena un poco. El primer proyecto no tiene que transformar tu negocio. Tiene que enseñarte algo medible, con poco riesgo y sin depender de un equipo técnico.
Empieza por una tarea, no por «la IA»
La pregunta útil no es «¿dónde pongo IA?», sino «¿qué tarea concreta me quita tiempo o me genera errores?». Una tarea acotada tiene principio, final y alguien que sabe si salió bien: clasificar las consultas que llegan por correo, resumir notas de trabajo o extraer datos de presupuestos.
«Mejorar la atención al cliente», en cambio, no es una tarea. Es una aspiración con muy buena prensa.
Qué recomiendan las guías (hechos)
Conviene separar lo que está documentado de lo que es opinión. Las fuentes consultadas el 10 de octubre de 2026 dicen esto:
- La guía del Gobierno británico «Assessing if artificial intelligence is the right solution» plantea, antes de usar IA, definir el problema, comprobar si la IA es adecuada, considerar alternativas y revisar datos y riesgos. También pide decidir cómo se medirá el resultado. Es orientación pública del Reino Unido, no una obligación legal española, pero el método sirve igualmente.
- Su guía complementaria, «Planning and preparing for artificial intelligence implementation», insiste en preparar objetivos, datos, personas, riesgos, pruebas y operación. La adopción no termina al comprar una herramienta.
- El AI RMF Playbook del NIST es un marco voluntario organizado en cuatro funciones: GOVERN, MAP, MEASURE y MANAGE. Pide medir si el sistema sirve para su propósito y vigilar riesgos y beneficios durante todo su ciclo de vida.
- La documentación de Microsoft sobre MLOps y GenAIOps es de un proveedor, así que conviene leerla como práctica técnica y no como promesa universal. Señala que las cargas de IA son no deterministas y recomienda procesos repetibles, pruebas, monitorización y control de cambios.
Mide cómo trabajas hoy (buena práctica)
Antes de probar nada, anota durante una semana, o el periodo que tenga sentido en tu caso, estos cuatro datos:
- Cuántos casos hay.
- Cuántos minutos lleva cada uno.
- Cuántos errores o retrabajos aparecen.
- Cuánto cuesta aproximadamente ese tiempo.
Esa es tu línea base. Sin ella, cualquier mejora será una sensación, y las sensaciones son simpáticas pero malas contables. Por eso no conviene prometer un ahorro antes de medir.
Mira qué datos tienes
Una tarea puede ser repetitiva y aun así no estar lista para la IA si no tienes con qué trabajar. Revisa:
- Dónde están los datos y si puedes usarlos para este fin.
- Si tienen calidad suficiente.
- Si contienen datos personales.
- Quién va a revisar los resultados.
La documentación técnica de Microsoft sobre plataformas de datos para IA añade un matiz práctico. Limpiar, enriquecer y transformar datos tiene coste, y antes de añadir arquitectura compleja hay que comprobar si hace falta. Si tu información vive repartida entre tres cuadernos, un grupo de mensajería y la memoria de alguien que está de vacaciones, quizá tu primer proyecto sea ordenar eso.
Una matriz para puntuar tareas (análisis)
Lo que sigue es una propuesta de análisis, no un estándar. Apunta tus candidatas y puntúa cada una, por ejemplo de 1 a 3, según cinco criterios:
- Frecuencia: ¿se repite lo bastante como para que la prueba enseñe algo?
- Tiempo: ¿consume minutos que importan?
- Coste del error: ¿un fallo es fácil de detectar y corregir, o sale caro?
- Datos disponibles: ¿tienes ejemplos reales y puedes usarlos?
- Facilidad de medir: ¿puedes contar casos, minutos y errores sin montar un laboratorio?
La candidata ideal para empezar suele ser frecuente, con un tiempo apreciable, con errores baratos de detectar, con datos a mano y fácil de medir. Si la mejor puntuación se la lleva una tarea donde un fallo sería grave y nadie podría revisarlo, mejor pasar a la siguiente.
¿IA o automatización sencilla?
Esta pregunta puede ahorrarte el proyecto entero. Si la tarea es fija y se basa en reglas, una regla o un flujo sencillo puede ser más barato, más explicable y más estable que la IA. Ejemplos típicos:
- Renombrar archivos con un patrón.
- Enviar una confirmación cuando alguien rellena un formulario.
- Mover correos a una carpeta según el remitente.
No hace falta convocar a un oráculo para que clasifique los correos de tu proveedor habitual. Una regla lo hace igual y, encima, no tiene días raros.
La IA empieza a tener sentido cuando hay texto variable, una clasificación ambigua o un resumen que requiere contexto. Incluso entonces, la recomendación es mantener revisión humana.
Cuatro ejemplos hipotéticos
Los cuatro negocios siguientes son imaginarios. No son casos reales y no implican ningún ahorro comprobado.
- Una tienda online hipotética recibe consultas muy distintas (envíos, cambios, tallas). Podría probar a clasificarlas por tipo y medir si el tiempo de clasificación baja sin que aumenten las consultas mal derivadas.
- Un taller hipotético acumula partes de trabajo escritos a toda prisa. Podría probar a resumirlos y comparar el resumen con el original en una muestra.
- Una persona autónoma hipotética recibe presupuestos de proveedores en formatos distintos. Podría probar a extraer datos clave y contar cuántos hay que corregir a mano.
- Un pequeño despacho hipotético repite respuestas parecidas a clientes. Podría probar borradores de respuesta que siempre revisa una persona antes de enviar.
En los cuatro casos se parte de una tarea concreta, hay una línea base que medir y el resultado se define antes de empezar.
Diseña una prueba pequeña
Una buena prueba es pequeña, reversible y tiene dueño. Como buena práctica, fija antes de empezar:
- Quién es la persona responsable.
- Fecha de inicio y de fin.
- Tamaño de la muestra.
- Criterio de parada, es decir, el punto a partir del cual se corta.
El NIST, en su apartado Measure, recomienda definir métricas y límites aceptables, probar antes del despliegue y medir en condiciones parecidas al uso real. Pide también documentar los errores y las diferencias entre la prueba y la producción. Traducido a tu escala: usa casos reales, anota lo que falla y no te fíes de un único ejemplo que salió brillante.
Un objetivo razonable sería «reducir el tiempo de clasificación sin aumentar los errores». Observa que no promete un porcentaje. Para redactar buenas instrucciones y comprobar las respuestas durante la prueba, te puede ayudar nuestro artículo Cómo dar instrucciones a una IA y comprobar sus respuestas.
Decide con los datos en la mano
Al terminar, compara con tu línea base. El apartado Manage del NIST recomienda decidir si el sistema cumple el objetivo y si debe avanzar, y seguir vigilando riesgos y beneficios después del despliegue. En la práctica tienes tres salidas:
- Continuar, porque se cumplió el objetivo dentro de los límites que fijaste.
- Ajustar y repetir la prueba, porque hubo señales prometedoras pero también fallos corregibles.
- Parar, o pasar a una automatización sencilla si la tarea resultó ser más de reglas que de lenguaje.
Parar también es un resultado válido. Una prueba que descarta una idea a tiempo ha hecho bien su trabajo.
Para ampliar información
Fuentes consultadas el 10 de octubre de 2026:
- GOV.UK, Assessing if artificial intelligence is the right solution
- GOV.UK, Planning and preparing for artificial intelligence implementation
- NIST, AI RMF Playbook
- NIST, Measure
- NIST, Manage
- Microsoft Azure Well-Architected, MLOps y GenAIOps
- Microsoft Azure Well-Architected, Data Platform for AI workloads
En LedSolEo:
