Dónde está el pelotón y cuál es el obstáculo de verdad
Eurostat, año de referencia 2025 (el dato más reciente disponible, actualizado en junio de 2026), en porcentaje de empresas:
| Tamaño de empresa | España | UE27 |
|---|---|---|
| De 10 a 49 personas | 17,2 % | 17,0 % |
| De 50 a 249 personas | 30,1 % | 30,4 % |
| Más de 250 personas | 57,5 % | 55,0 % |
| Más de 10, en total | 20,3 % | 20,0 % |
De aquí se leen dos cosas. Una: más de cuatro de cada cinco pequeñas empresas españolas ni siquiera han empezado, así que no llegas tarde a nada. La otra: dentro de un mismo país la distancia entre las grandes y las pequeñas es de más del triple — con las mismas herramientas y en el mismo mercado. La diferencia, por tanto, no va de tecnología.
El obstáculo que más se menciona tampoco es el que esperarías. La misma encuesta pregunta aparte por qué no han empezado:
| El obstáculo | España | UE27 |
|---|---|---|
| Falta la experiencia necesaria | 9,1 % | 7,8 % |
| Dudas sobre la protección de datos | 5,9 % | 5,8 % |
| No están claras las consecuencias legales | 5,7 % | 9,1 % |
| El coste parece demasiado alto | 5,2 % | 4,2 % |
La falta de conocimiento aparece casi el doble de veces que el dinero — y eso vale para casi todos los países de la UE que publican el dato. Es una buena noticia, porque la falta de conocimiento sale más barata de tratar que la falta de capital.
No hace falta un experto en IA. Tres números que lo respaldan
Uno: el mercado compra producto terminado, no lo desarrolla. En esa misma encuesta de Eurostat, el 10,1 % de las empresas españolas usa software comercial de IA listo para usar, mientras que el total de las que usan IA es del 20,3 %. Desarrollo propio, 3,4 %; solución hecha por un proveedor externo, 5,5 %. Es decir, la mitad de las empresas españolas que usan IA compra producto de caja, y solo una de cada seis se lo construye. No hay que escribir código, hay que elegir.
Dos: la mayor ganancia se produce entre quienes peor rinden. Una medición en atención al cliente con 5.179 personas (Brynjolfsson, Li y Raymond, Quarterly Journal of Economics, 2025) encontró, junto al despliegue escalonado de un asistente de IA, un 14 % más de casos resueltos por hora de media. Pero el desglose es mucho más interesante que la media: +34 % en el personal novato y de menor cualificación, y prácticamente cero en el experimentado. La explicación de los autores es que el modelo difunde las soluciones probadas de los mejores compañeros. En una pequeña empresa la situación es exactamente esa: mucha gente haciendo muchas cosas distintas, ninguna a nivel profesional.
Tres: la decisión está en tu mesa, no en la de un experto. Si el mayor obstáculo es la falta de conocimiento, el primer paso no es comprar una herramienta, sino decidir para qué tarea sirve la máquina siquiera. Para eso hay un método propio: ¿puede la IA con esta tarea? te lo hace recorrer en un minuto.
La única decisión difícil: qué proceso
Hay un solo punto del plan de tres meses sobre el que tienes que pensar; todo lo demás se deriva de ahí. El criterio son tres palabras:
- Repetitivo. Ocurre al menos diez veces por semana. Si ocurre dos veces al mes, al final no tendrás observaciones suficientes para ver nada.
- Tiene una salida medible. Un recuento, una marca de tiempo, una tasa de error. Si el proceso acaba en «y luego ya lo mirará alguien», entonces lo primero que hay que montar es la medición, no la IA.
- De texto o de apoyo a la decisión. Según los datos de Eurostat, en España mandan las tecnologías generativas — generación de imagen y sonido 11,4 %, minería de texto 10,1 %, generación de lenguaje escrito o hablado 8,9 % — y el área de uso más frecuente es marketing y ventas (6,0 %). No es casualidad: es donde el despliegue encuentra menos fricción.
Y algo todavía más importante: un proceso, no cinco. Un experimento aleatorizado en un marketplace global (Fang y otros, 2025) probó siete aplicaciones de IA generativa en la misma plataforma, con muestras que iban de treinta mil a 13,7 millones de consumidores. El resultado: el chatbot de preventa subió las ventas un 16,3 %, el refinado de la consulta de búsqueda un 2,9 %, la generación de descripciones de producto un 2,1 % — mientras que el mensaje push de marketing y la generación de titulares de anuncio no movieron nada. La misma empresa, la misma tecnología, la misma semana. Si despliegas las siete a la vez y el número agregado mejora, nunca sabrás cuáles dos tiraron y cuáles tres fueron en balde.
Mes 1 — decisión y línea base. Aquí todavía no compras nada
Semana 1: elegir el proceso. Según los tres criterios de arriba. Escríbelo en un folio paso a paso, tal como funciona hoy: quién hace qué, en cuánto tiempo, dónde se atasca.
Semanas 2 y 3: la línea base. Durante dos semanas reúnes tres números, los tres sacados del sistema y no de la memoria:
| Qué mides | De dónde sale | Con qué cuidado |
|---|---|---|
| Recuento | cuántos presupuestos, consultas o facturas pasaron por el proceso | que sea una semana entera, no una muestra |
| Tiempo de ciclo | las marcas de tiempo entre la entrada y la salida | una estimación no sirve |
| Tasa de error | cuántos volvieron para corrección, cuántos acabaron en reclamación | define de antemano qué cuenta como error |
Si tu sistema no da marcas de tiempo, el proyecto empieza por marcar el tiempo, no por la IA. No es un rodeo: sin línea base no tendrás con qué comparar en el tercer mes, y tomarás la decisión por intuición.
Semana 4: dos cosas por escrito. Una es una regla de un folio sobre qué se puede meter en la herramienta y qué no — la plantilla de política de IA te da el esqueleto ya hecho, y además evita que el equipo empiece a usarla desde cuentas personales. La otra es aclarar tu papel según la normativa europea: quien usa un sistema de IA en su actividad profesional es «responsable del despliegue», y eso trae unas cuantas obligaciones. Cuáles rigen hoy y cuáles no es lo que dónde está hoy la AI Act europea resume, con fechas.
Mes 2 — formación y piloto en un solo equipo
El público de la formación no es el técnico entusiasta. Es el punto más contraintuitivo del plan y el mejor respaldado: según la medición, la ganancia se produce entre los principiantes y es prácticamente cero entre los experimentados. Quien ya lo ha probado por su cuenta lo va a usar por su cuenta. El 34 % está en quien no.
Cuatro sesiones, cada una con deberes y una salida concreta. El temario, los deberes y la cuestión de qué exige realmente el derecho europeo — y qué no — los desarrolla un artículo aparte: el plan de formación en IA del equipo.
El piloto corre sobre un único proceso, a ser posible con control. Tiene tres formas, en este orden:
| Control | Cómo | Cómo de fuerte |
|---|---|---|
| En paralelo | dos personas, dos carteras de clientes parecidas — una con IA y otra sin ella, y cambio a las dos semanas | el mejor; elimina la diferencia entre personas |
| Semanas alternas | IA en las semanas pares, nada en las impares | flojo; la estacionalidad se mete por medio |
| Antes y después | solo comparas contra la línea base | el más flojo; es una señal, no una prueba |
Cada semana va un número a la pizarra, y ese número se lee de un sistema. No vale «ha quedado mucho más rápido».
Mes 3 — decisión sobre escalar, con la condición fijada de antemano
La condición de salida hay que escribirla antes de arrancar el piloto, no al final. Bastan dos frases:
Pasa a producción si el recuento de salidas sube al menos un 30 %, o si el tiempo de ciclo baja al menos un 30 %, sin que empeore la tasa de error. Se para si tras tres meses no se ha movido ninguno de los dos números, o si la tasa de error ha subido.
¿Por qué «una diferencia grande y visible a ojo» y no significación estadística? Porque lo segundo no está al alcance de una pequeña empresa. Un experimento diseñado con rigor (METR, 2025) necesitó 246 observaciones para detectar un efecto del 19 %. Si tu proceso produce diez elementos por semana, eso es casi medio año — y si el efecto real es la mitad, el tamaño de muestra necesario se multiplica por cuatro, o sea casi dos años. Por eso no apuntas a la significación, sino a una diferencia lo bastante grande como para verse en los números en bruto. Si solo hay una desviación pequeña, hay que aceptarlo con honestidad: no es medible.
Si sigue adelante: escribe el proceso, no la herramienta. La diferencia mayor y más constante entre los despliegues que funcionan y los que no, no es la elección de herramienta, sino si la empresa reorganizó la forma de trabajar a su alrededor. Las pruebas de eso, y sus límites, es lo que rediseñar el proceso repasa en detalle.
Lo que este plan deliberadamente no contiene
No contiene un documento de estrategia de IA. En una empresa de diez personas, la estrategia es la frase que dice en qué proceso concreto lo probamos y cuándo decidimos sobre ello.
No contiene certificación. Existe una norma internacional de gestión para sistemas de IA (ISO/IEC 42001:2023) y existe un marco estadounidense de gestión de riesgos (NIST AI RMF 1.0, voluntario y ahora mismo en revisión). Los dos dan una estructura útil — gobernar, mapear, medir, gestionar —, pero sacarse la certificación no le compensa a una pequeña empresa. La estructura se puede copiar gratis.
No contiene una lista de herramientas. Los precios y los planes se reordenan en medio año; ni un solo punto del plan de arriba depende de qué producto elijas. Del método de comparación se ocupa otro artículo: cómo elegir modelo de IA para la tarea.
Y no contiene la promesa de que vaya a salir rentable. Medir el retorno es de por sí una tarea difícil y llena de malentendidos — los más frecuentes los desmonta medir el retorno de la IA. Y las trampas más habituales, de todas las fases del despliegue, las enumera los diez errores típicos, cada una con un contrapaso concreto.
Lo que conviene llevarse
Tres meses, un proceso, tres números. El primer mes no gastas, el segundo formas al tercio que peor rinde, el tercero decides según una condición escrita de antemano. Solo hay un punto del plan sobre el que tienes que pensar — el resto es ejecución.
El error más probable no es que elijas mal la herramienta. Es que no tengas línea base y dentro de medio año sigas sin poder decir si algo ha mejorado.