Cuando un dueño de empresa mediana decide invertir en inteligencia artificial, casi siempre piensa en el caso de uso más vistoso: un asistente que atienda clientes, un agente que cierre ventas, un sistema que prediga la demanda. Es la decisión natural si vas a poner dinero en algo nuevo, que se note. El problema es que ese instinto, casi sin excepción, lleva al peor primer proyecto posible.
La adopción de IA en empresas medianas en México lleva dos años acelerándose, y un patrón se repite. La empresa identifica un caso de uso emocionante, contrata a alguien para implementarlo, gasta entre 200 y 500 mil pesos, y seis meses después el sistema o no se usa, o se usa a medias, o quedó en una versión piloto que nadie se atreve a llevar a producción. Cuando se revisa qué pasó, la respuesta técnica casi nunca aparece. El modelo funciona. El sistema corre. Pero no movió la operación.
La razón está antes del proyecto, no dentro de él. Un primer proyecto de IA cumple dos funciones que casi nunca se nombran: tiene que resolver un problema real, sí, pero también tiene que enseñarle al equipo cómo trabajar con sistemas de IA sin que el aprendizaje cueste el contrato. Los proyectos vistosos fallan en la segunda función. El equipo está demasiado ocupado pidiéndole peras al olmo (que el agente de ventas cierre como el mejor vendedor) como para aprender a evaluar, ajustar y operar el sistema.
El primer proyecto bueno es lo contrario: aburrido, predecible, con criterio de éxito obvio. No vende en LinkedIn. Pero deja un sistema funcionando, un equipo entrenado, y crédito interno para hacer el siguiente proyecto que sí puede ser más ambicioso.
Qué hace "aburrido" a un caso de uso
Hay tres características que definen un primer proyecto bien escogido. Las tres son inversas a lo que típicamente entusiasma al dueño.
Primera: el resultado se puede medir sin discusión. En un proyecto de "asistente para cerrar ventas", definir si funcionó es subjetivo. ¿Cerró más? ¿Cerró distinto? ¿Habría cerrado igual sin él? En un proyecto de "clasificar facturas entrantes automáticamente y meterlas al ERP correcto", el resultado se mide en minutos: antes tardaba 3 minutos por factura una persona, ahora tarda 10 segundos un sistema, con una tasa de error medible.
Segunda: el proceso ya existe y está claro. Si tu equipo no sabe describir paso a paso cómo se hace algo hoy, no es candidato para automatizar. Los procesos confusos no se vuelven claros porque les metas IA al revés, la IA expone toda la ambigüedad acumulada. Un buen primer proyecto ataca algo que tu gente ya hace todos los días con un procedimiento conocido.
Tercera: el costo de un error pequeño es bajo. Si el sistema se equivoca en una factura mal clasificada, el equipo lo corrige en 30 segundos y aprende a darle mejor input. Si el sistema se equivoca al hablar con un cliente importante, pierdes al cliente. El primer proyecto debe permitir errores baratos mientras el equipo aprende a operarlo.
Procesos que cumplen los tres criterios suelen ser: clasificación documental, extracción de datos de PDFs, captura entre sistemas, primer filtro de tickets de soporte, conciliación de información entre fuentes, generación de borradores que un humano revisa, seguimientos predecibles.
Lo que no cumple los tres criterios: cualquier cosa que tenga "agente autónomo que decide solo" en la primera versión, cualquier cosa de cara al cliente sin filtro humano, cualquier predicción donde el costo de equivocarse sea grande.
Por qué este patrón se repite
Hay una asimetría en cómo se evalúan los proyectos de IA versus los proyectos de software tradicional. Si una empresa va a implementar un nuevo ERP, nadie espera que el primer módulo sea el más complejo. Se empieza por cuentas por pagar o nómina, se estabiliza, y de ahí se construye. Es obvio.
Con IA, esa misma lógica se rompe. Hay dos razones.
La primera es el marketing del sector. Las demos públicas de IA siempre son del caso más impresionante posible agentes que negocian, sistemas que diagnostican, modelos que crean. Esa exposición moldea la expectativa de qué "vale la pena" hacer. Un proyecto que ahorra 6 horas semanales en captura de datos suena chico al lado de un asistente comercial. Pero el primero se entrega en 4 semanas y se paga en 3 meses. El segundo lleva año y medio sin generar el ROI prometido en la propuesta.
La segunda es que el dueño que decide no es el que opera. El dueño se entusiasma con el caso vistoso porque es el que él imagina. El equipo que va a operar el sistema día a día casi nunca está en la conversación de selección del proyecto. Cuando llega el sistema, el equipo tiene que aprender simultáneamente a usar herramientas nuevas y a manejar un caso de uso ambicioso. Es demasiado al mismo tiempo.
Un primer proyecto aburrido protege contra ambos errores. Es chico, así que el dueño no tiene que defender una inversión grande si sale mal. Es claro, así que el equipo aprende a operarlo sin frustración. Y cuando funciona, deja capacidad real instalada en la empresa para el segundo proyecto, que ahora sí puede ser ambicioso porque el equipo ya sabe qué pedir, qué exigir y qué descartar.
Tres preguntas antes de decidir el primer proyecto
Cuando un dueño se sienta a decidir por dónde empezar, estas tres preguntas filtran rápido.
1. ¿Puedo definir éxito en una sola oración con un número?
"Reducir el tiempo de clasificación de facturas de 3 minutos a 30 segundos con un error máximo del 2%" funciona. "Mejorar la experiencia del cliente con IA" no funciona. Si no puedes cerrar la definición de éxito en una oración con un número, el proyecto va a derivar.
2. ¿Mi equipo puede explicarme hoy, paso a paso, cómo se hace este proceso manualmente?
Si la respuesta es "más o menos, depende del caso", no es candidato. Los procesos donde "depende" es la respuesta más común necesitan ser ordenados antes, no automatizados. Saltarse ese paso es el origen del 70% de los pilotos fallidos.
3. ¿Qué pasa si el sistema se equivoca el día uno?
Si la respuesta es "perdemos un cliente" o "pasa algo legal grave" o "alguien se entera y nos cae mal el regulador", no es buen primer proyecto. Si la respuesta es "lo corregimos en cinco minutos y aprendemos", es candidato.
Las tres preguntas no eliminan proyectos buenos. Eliminan proyectos vistosos que no están listos para ser tu primer proyecto.
Un ejemplo concreto
Una distribuidora mediana de productos químicos industriales en Guadalajara, con 80 empleados, quería empezar con IA. La idea inicial del dueño era un agente que cotizara automáticamente vía WhatsApp. Sonaba bien: clientes preguntan precios todo el día, las cotizaciones se atrasan, las ventas se pierden.
Cuando se desarmó el proceso, aparecieron tres problemas: cada cotización requiere consultar 4 fuentes (precio, disponibilidad, política de crédito del cliente, descuento aplicable), las reglas de descuento no estaban escritas en ningún lado (estaban en la cabeza del director comercial), y un error en una cotización mal hecha podía costar 30 mil pesos en margen perdido. Resultado: el proyecto vistoso no era buen primer proyecto.
Lo que sí era buen primer proyecto: clasificar y capturar facturas de proveedores que entraban por correo en PDF, automatizar la captura al sistema contable, y mandar al área correspondiente las que necesitaban autorización. Un proceso que dos personas hacían 4 horas al día. Después de 6 semanas de implementación, el tiempo bajó a 30 minutos diarios entre las dos. El sistema cuesta menos del salario de una persona al año. El equipo aprendió a darle feedback al modelo, a corregir lo que entendía mal, y a confiar en lo que sí estaba haciendo bien.
Doce meses después, esa misma empresa sí tiene un sistema asistido de cotizaciones — pero llegó al proyecto vistoso después de tres proyectos aburridos que dejaron al equipo listo para operarlo.
Qué hacer con esto
La pregunta correcta al elegir el primer proyecto de IA no es "¿cuál nos va a impresionar más?". Es "¿cuál nos va a dejar mejor preparados para el segundo?". Esa diferencia, aplicada con disciplina, separa a las empresas que adoptan IA en serio de las que coleccionan pilotos sin nada en producción.
Si estás por iniciar tu primer proyecto de IA y no tienes claridad sobre cuál es el menos vistoso pero más útil, ConsultorIA ofrece un diagnóstico gratuito que mapea tu operación y identifica el primer proyecto que sí debería pasar a producción.