La adopción de la inteligencia artificial avanza con rapidez entre las empresas españolas. En 2025, el 20,5% de las compañías de diez o más empleados ya utilizaba tecnologías de IA, un porcentaje que alcanzaba el 57,5% entre las grandes empresas, según el Observatorio Nacional de Tecnología y Sociedad (ONTSI).
Sin embargo, para Docenteo, la facilidad para desarrollar pilotos y primeras soluciones ha puesto de manifiesto que resulta mucho más sencillo experimentar con inteligencia artificial que convertir esas iniciativas en herramientas estables y con impacto real en el negocio. En un entorno en el que la tecnología, los competidores y las necesidades cambian cada vez más rápido, ya no basta con esperar al final de un proyecto de IA para comprobar si está generando valor: la visión puede ser de largo plazo, pero el impacto debe llegar antes.
“El objetivo no debería ser hacer más proyectos de inteligencia artificial, sino conseguir que las empresas sean más competitivas cambiando su forma de operar con la IA. Y ese cambio solo tiene sentido si acaba traduciéndose en un impacto en la cuenta de resultados”, señala Alejandro Peris, cofundador y responsable de negocio de Docenteo.
A partir de su experiencia en proyectos de inteligencia artificial, datos y transformación tecnológica, la compañía identifica cinco claves para que una iniciativa de IA trascienda la fase experimental, genere resultados y aumente la capacidad de la empresa para abordar nuevos retos.
- Empezar por el impacto, no por la tecnología
El punto de partida no debe ser la tecnología, sino el resultado que se quiere conseguir con ella.
Para Docenteo, cualquier proyecto debe partir de un indicador concreto que se quiere mover y un objetivo que permita determinar si la iniciativa ha funcionado. Reducir el coste de un proceso, incrementar la productividad o mejorar la experiencia, solo tiene valor si existe un punto de partida con el que comparar el resultado.
Sin saber dónde se está y dónde se quiere llegar, es imposible saber si ha mejorado algo. La IA no debería convertirse en un objetivo en sí mismo ni en una carrera por acumular casos de uso. Debe ser un medio para generar una mejora medible, ya sea en crecimiento o en eficiencia.
- Apostar por proyectos acotados, medibles y escalables
Frente a grandes implantaciones cerradas, Docenteo recomienda desarrollar iniciativas que permitan probar una hipótesis, obtener resultados rápidamente y corregir el planteamiento cuando sea necesario. En un entorno que cambia cada vez más rápido, esperar meses para comprobar si una iniciativa genera valor aumenta el riesgo de llegar tarde.
La clave no está en reducir la ambición, sino en dividirla en proyectos más concretos que permitan demostrar impacto, acelerar el aprendizaje y construir capacidades que puedan escalar en la organización.
- Diseñar pensando en la producción
Un piloto lo aguanta todo. Sin embargo, la mayoría nunca llega a producción. El reto real está en conseguir que funcionen a escala dentro de la organización. Hoy, el gran desafío de la IA está precisamente en industrializar los casos: cambiar procesos, calidad del dato, integraciones, costes de operación, permisos, seguridad, trazabilidad o mantenimiento.
Por ello, estos elementos deben formar parte del diseño desde el principio y no tratarse como una fase posterior.
- Combinar conocimiento de negocio y tecnología
Las personas que trabajan diariamente con un proceso conocen sus problemas y oportunidades, mientras que los especialistas tecnológicos aportan una visión sobre las capacidades y posibilidades de la IA. Para Docenteo, los mejores resultados no nacen en un laboratorio: aparecen cuando ambas perspectivas trabajan juntas sobre el terreno, desde la identificación del caso de uso hasta su implantación.
Esta colaboración debe servir también para transferir conocimiento. Un proyecto no debería limitarse a entregar una solución, sino dejar dentro de la organización criterio, prácticas y capacidad para operar y evolucionar lo que se ha construido.
- Construir capacidad para seguir evolucionando
La puesta en producción no es el final del proyecto, sino el momento en que empieza el cambio. Es entonces cuando la solución debe integrarse en los procesos, incorporarse a la forma de trabajar de los equipos y convertirse en una nueva capacidad dentro de la organización. Para Docenteo, implantar IA también significa transferir el conocimiento y el criterio necesarios para que las personas puedan operar y evolucionar lo construido.
El éxito, por tanto, no se mide únicamente por lo que se entrega al terminar un proyecto, sino también por lo que la organización es capaz de hacer cuando el proveedor ya no está: evolucionar la solución, aplicar lo aprendido y seguir avanzando con mayor autonomía y capacidad interna.
Del piloto al impacto real
Para la compañía, la próxima etapa de la inteligencia artificial estará marcada menos por el número de herramientas o pilotos desarrollados y más por la capacidad de las organizaciones para integrar la tecnología en sus procesos y evolucionarla a medida que cambian sus necesidades.
En este escenario, recurrir a especialistas seguirá siendo necesario, pero las empresas no pueden externalizar su capacidad de cambiar. El papel de los socios tecnológicos debe ir más allá de resolver el proyecto actual: debe contribuir a que la organización esté mejor preparada para abordar el siguiente.
“El éxito de un proyecto de IA no debería ser dejar una solución funcionando. Debería ser dejar una empresa más capaz de entender la tecnología, evolucionarla y afrontar el siguiente cambio con menos dependencia externa. Esa capacidad es la que acaba convirtiendo la IA en una ventaja competitiva real”, indica Álvaro Montero, cofundador y responsable técnico de Docenteo.
Tu opinión enriquece este artículo: