Lo que los comités de dirección nos preguntan sobre IA: ocho respuestas desde la experiencia

En los últimos meses, las conversaciones sobre inteligencia artificial con nuestros clientes han cambiado de tono. La pregunta ya no es si adoptarla, sino cómo hacerlo sin equivocarse. En BDO acompañamos en ese camino a empresas de sectores y tamaños muy distintos, y las dudas se repiten con notable regularidad. Te presentamos las ocho inquietudes más frecuentes de los directivos de hoy y las best practices que marcan la diferencia a la hora de adoptar la IA.

  

1 ¿Por dónde empezamos?

Por atacar un problema de negocio, usarla mucho, y no por una tecnología. Los proyectos que fracasan suelen arrancar con un «tenemos que hacer algo con IA»; los que prosperan, con un «este proceso nos cuesta demasiado». Tener licencias no basta: hay que saber usar bien la herramienta e identificar dónde aplicarla. En nuestros GenAI Lab reunimos a equipos de distintas áreas para detectar entre ocho y doce casos de aplicación y priorizarlos por valor y viabilidad. El resultado son uno o dos pilotos con un responsable de negocio, una métrica de éxito y una fecha. En paralelo conviene revisar los datos, porque la IA no arregla datos desordenados: los amplifica.

  

2 ¿Necesitamos una gran inversión para empezar?

No, y de hecho desaconsejamos empezar así. Una gran apuesta inicial, antes de saber dónde está el valor, es la vía más rápida hacia la frustración. Lo que mejor funciona es un enfoque progresivo: formación, Quick wins y después escalar la IA a nivel empresarial, con casos y tecnologías más complejos.

Buena parte del coste de la formación puede cubrirse con la formación bonificada a través de FUNDAE. Después identificamos las tareas donde la IA genera retorno en semanas, no en años: informes, análisis documental, trabajos administrativos, validaciones, generación de contenido de Mkt, consultas internas o preparación de propuestas y documentos. Esas victorias rápidas financian el siguiente paso con sus propios ahorros y generan la confianza interna necesaria para darlo. Nuestro papel es acompañar y acelerar el recorrido, asegurar que cada avance hacia la IA empresarial, integrada en sistemas y procesos clave, se apoye en una base segura y en un retorno ya demostrado.

  

3 ¿Qué modelo o herramienta debemos elegir?

Es la pregunta más frecuente y, paradójicamente, la que menos determina el éxito, ya que el ritmo de avance es frenético y la clasificación cambia constantemente. Los modelos estadounidenses lideran el mercado, con OpenAI y Anthropic a la cabeza junto a grandes tecnológicas como Google o Microsoft. También existe la opción de usar modelos de código abierto o desplegados en local, donde destacan los chinos, como DeepSeek, Qwen o Kimi, y los europeos, como Mistral, atractivos cuando la soberanía del dato es prioritaria. No hay un modelo ganador para todo. Ayudamos a nuestros clientes a elegir en función de sus características, sus casos de uso, sus datos, el coste real a escala y su capacidad para cambiar de proveedor. Cada vez más empresas optan por un enfoque multimodelo, sin atarse a un único proveedor.

  

4 ¿Cómo cumplimos con el AI Act y el resto de la normativa?

Con método y sin alarmismo. El Digital Omnibus ha retrasado a diciembre de 2027 las obligaciones para los sistemas de alto riesgo, pero la transparencia (avisar de que se interactúa con una IA y etiquetar el contenido generado) ya es exigible, igual que la prohibición de determinadas prácticas. Y el RGPD aplica en cuanto hay datos personales. El primer paso es inventariar qué IA se usa en la organización, incluida la que llega integrada en software de terceros, y clasificarla por nivel de riesgo. Para la mayoría de los usos empresariales, el cumplimiento se resuelve con buen gobierno, no con grandes proyectos legales.

  

5 ¿Qué riesgos asumimos?

Los más conocidos son las famosas alucinaciones (resultados incorrectos presentados con total seguridad), los sesgos, la fuga de información confidencial, la propiedad intelectual y nuevas amenazas como el prompt injection. El más infravalorado es la IA en la sombra: empleados que usan versiones gratuitas con documentos internos o datos de clientes. Prohibir rara vez funciona; lo eficaz es ofrecer una alternativa corporativa segura y una política de uso clara. Y con los agentes, que ya no solo responden sino que ejecutan acciones, conviene limitar sus permisos y mantener la supervisión humana en las decisiones relevantes.

  

6 ¿Basta con automatizar lo que ya hacemos?

No. Automatizar un proceso ineficiente solo lo hace ineficiente más rápido. Los mayores retornos llegan al rediseñarlo: quién hace qué, dónde interviene la persona y qué pasos desaparecen. En la revisión de contratos, facturas o expedientes, la IA puede hacer la primera lectura, extraer la información clave y señalar anomalías, mientras el profesional se centra en las excepciones y el criterio. Su papel pasa de ejecutar a supervisar y decidir.

  

7 ¿Cómo medimos el impacto?

Las «horas ahorradas» no bastan si no se sabe en qué se reinvierten. Primero hay que medir la situación de partida y, a partir de ahí, trabajar en tres niveles:

• Eficiencia: tiempo por tarea y coste por transacción.
• Calidad: errores, retrabajo y tiempo de respuesta al cliente.
• Negocio: ingresos, margen y capacidad de crecer sin aumentar estructura.

Hay un cuarto indicador que suele olvidarse: la adopción. Una herramienta que nadie usa no genera retorno. Fijar los criterios de éxito antes de empezar y revisarlos a los 90 días evita pilotos eternos o ahorra licencias para los que no la usan.

  

8 ¿Y las personas?

La tecnología es la parte fácil. La formación debe adaptarse a cada rol: criterio para decidir en la dirección, herramientas para rediseñar procesos en los mandos intermedios y pautas de uso en los equipos.

  

Una conclusión desde el terreno

La IA no es un proyecto tecnológico, sino de transformación. Hoy estamos ayudando a muchas empresas a pasar de un uso individual, disperso y con resultados mediocres o mejorables, a sistemas que funcionan de verdad: integrados en sus procesos, que reducen tiempos y, sobre todo, errores. Ese salto es el que marca la diferencia entre probar la IA y obtener resultados con ella.