Una empresa mediana no necesita un AI lab interno para aplicar IA con resultados medibles. Lo que necesita es un proceso correcto, un sponsor de C-level, un equipo pequeño que combine producto y APIs, y la disciplina de medir antes de escalar. La inversión inicial está entre 30,000 y 80,000 USD para los primeros 90 días.
¿Por qué fallan la mayoría de implementaciones de IA en empresas medianas?
Tras decenas de conversaciones con CEOs y directores de operaciones en LATAM, los patrones de fracaso se repiten. Hay cuatro errores estructurales que matan los proyectos antes de llegar a producción:
- Empezar por el caso más vistoso en lugar del más rentable. El proyecto que se eligió por brillo (un asistente con voz, una imagen generativa para marketing) consume 4 meses y no mueve ningún KPI. Mientras tanto, automatizar la calificación comercial de leads habría liberado al equipo de ventas en 6 semanas.
- No medir nada. Sin línea base previa al despliegue, no hay forma de demostrar valor. El proyecto entra en limbo: nadie lo apaga, nadie lo expande, y al cabo de 6 meses se cancela "porque no se vio el impacto".
- Subcontratar el proyecto entero sin transferencia de capacidad. Una consultora despliega el sistema y se va. El equipo interno no sabe operarlo. La primera vez que algo se rompe, nadie lo arregla. El sistema se degrada.
- Aplicar metodología de proyecto IT (waterfall) a un producto vivo. Se hace un PRD de 80 páginas, se desarrolla 6 meses, se entrega un sistema cerrado. Para entonces el problema cambió y el sistema ya no encaja.
La IA en empresa mediana no es un proyecto IT. Es un producto vivo. Quien lo trate como proyecto, fracasa. Quien lo trate como producto, escala. EXO · Tesis operativa
El mito del AI lab interno
La narrativa popular sugiere que para aplicar IA seriamente hay que armar un equipo de científicos de datos, MLOps engineers y un VP de Datos. Para una empresa de 50 a 500 empleados, esto es casi siempre un error.
Lo que realmente está disponible hoy en APIs maduras (Claude, GPT-4o, Gemini, modelos open source vía Together o Replicate) cubre el 80% de los casos de uso útiles en empresas medianas sin entrenar un solo modelo propio. Lo que necesitas es:
- Un product manager que entienda el negocio (interno o externo).
- Un ingeniero que conozca APIs y sepa integrar sistemas (interno o externo).
- Un sponsor de C-level que valide prioridades y desbloquee accesos a sistemas.
- Un diseñador de prompts y herramientas para los agentes (puede ser el PM con apoyo).
Eso es el equipo de los primeros 90 días. El AI lab se contrata después, cuando el volumen, la complejidad o la regulación lo justifican.
Cómo priorizar el primer caso de uso
Aplica esta matriz de tres ejes antes de elegir el primer caso:
| Criterio | Pregunta | Buen indicador |
|---|---|---|
| Volumen | ¿Cuántas veces ocurre por semana? | > 200 ocurrencias/semana |
| Costo actual | ¿Cuánto le cuesta hoy a la empresa? | > 3,000 USD/mes |
| Datos disponibles | ¿Existe info estructurada (CRM, KB, logs)? | Sí, accesible vía API |
| Tolerancia a error | ¿Qué pasa si el agente se equivoca? | Reversible, no regulado |
| Velocidad de feedback | ¿Cuánto tarda en ver resultado? | < 4 semanas |
Los tres puntos de partida más rentables que vemos en empresas latinoamericanas medianas:
1. Calificación comercial de leads
Volumen alto (cualquier empresa con marketing genera leads), datos disponibles (formulario + CRM), tolerancia a error razonable (mal calificado = humano lo recupera), feedback rápido. Resultado típico: tiempo de respuesta inicial baja de 4 horas a menos de 30 segundos.
2. Soporte al cliente en WhatsApp
Volumen alto en LATAM (WhatsApp domina), datos disponibles (FAQ, base de conocimiento), feedback inmediato. Resultado típico: 40–70% de tickets resueltos sin humano, equipo de soporte enfocado solo en casos complejos.
3. Agente de conocimiento interno
Volumen moderado pero alto valor (cada consulta interna que se desbloquea libera tiempo de un mánager), datos disponibles (Notion, Confluence, Drive), tolerancia a error alta (es interno). Resultado típico: onboarding de nuevos empleados acelerado 30–50%.
La metodología de 90 días
El sprint de 90 días para aplicar IA en una empresa mediana se divide en tres fases: mes 1 de diagnóstico y arquitectura, mes 2 de implementación y experimentación, y mes 3 de escalamiento y autonomía. Al final el sistema está en producción, el equipo capacitado y existe un roadmap escalable de 12 meses.
Mes 01 — Diagnóstico y arquitectura
El primer mes no se escribe código. Se audita: qué procesos cumplen los criterios de la matriz, qué sistemas tienen API, qué equipos están dispuestos a colaborar, qué datos existen y dónde viven. Al final del mes 1 hay una hoja de ruta concreta con 3 a 5 palancas priorizadas, no un PowerPoint inspiracional.
Mes 02 — Implementación y experimentación
Se elige la palanca de mayor impacto y se construye en sprints semanales. Cada sprint produce algo desplegable: el agente piloto que califica al 10% de los leads; el dashboard predictivo conectado a tres fuentes; el agente de conocimiento sobre el wiki. Cada experimento tiene hipótesis, métrica, presupuesto y umbral de éxito definidos antes de empezar.
Mes 03 — Escalamiento y autonomía
Lo que funciona se consolida (se sube al 50%, luego al 100% del tráfico) y se documenta. El equipo interno se capacita en operar y mejorar el sistema. Se entrega el roadmap de los siguientes 12 meses. EXO sale; el exoesqueleto se queda. Esto es exactamente lo que hace el Growth Sprint que ofrecemos.
Qué equipo interno necesitas (y cuál no)
Composición mínima viable del equipo interno durante los 90 días:
- 1 sponsor de C-level (CEO, COO o director comercial) con autoridad para desbloquear accesos a sistemas y priorizar.
- 1 product manager o líder de proyecto que dedique 30–50% de su tiempo. Conoce el negocio. No necesita saber programar.
- 1 ingeniero o desarrollador que dedique 50–100% durante mes 2 y 3. Conoce APIs y autenticación. No necesita ser AI engineer.
- 1 punto de contacto operativo por área impactada (comercial, soporte, finanzas) que valide los flujos diseñados.
Lo que no necesitas en los primeros 90 días:
- Un científico de datos.
- Un MLOps engineer.
- Un VP de Datos.
- Un comité de innovación.
Cuánto presupuesto destinar
Distribución típica de los primeros 90 días:
- 60% implementación (diseño, desarrollo, integraciones, testing, despliegue).
- 15% infraestructura y modelos (APIs de LLM, hosting, monitoreo, observabilidad).
- 25% capacitación interna (workshops, documentación, handover, training del equipo).
Por debajo de 20,000 USD el riesgo de quedarse en piloto eterno es alto: no hay margen para iterar tras el primer despliegue. Por encima de 150,000 USD sin haber validado nada, el riesgo es sobre-construir lo equivocado.
Errores que matan los proyectos de IA en empresas medianas
- Hablar de "transformación" sin nombrar un caso de uso. Si en mes 2 todavía estás definiendo el alcance, el proyecto ya falló.
- No tener un sponsor con autoridad. Cualquier sistema que toque CRM, ERP o canales de cliente requiere desbloquear accesos. Sin un C-level que destrabe, el proyecto se atasca en TI.
- Comprar herramientas antes de elegir el caso. Comprar una plataforma de automatización en mes 1 es como comprar el horno antes de elegir el menú.
- Pedir que un solo proveedor entregue todo. Una agencia hace producto y growth; una empresa de software hace integraciones; tu equipo hace operación. Mezclar roles asegura que algo se rompa.
- Saltar el piloto controlado. Pasar al 100% el día uno garantiza errores públicos y daña la confianza interna en la IA.
- Confundir resultado con actividad. Reuniones, demos y sprint reviews no son el resultado. El resultado es el KPI definido en el sprint 0 moviéndose en la dirección correcta.
Preguntas frecuentes
¿Por dónde empiezo si nunca aplicamos IA antes?
Por un Growth Audit: una sesión de 30 minutos donde diagnosticamos honestamente cuáles de tus procesos cumplen los criterios para un primer agente y cuáles no. Sin venta, sin presentación, solo diagnóstico.
¿Qué pasa si mi empresa todavía no tiene CRM o tiene un CRM viejo?
Es un punto de partida común. La primera capa que construimos suele ser organizar los datos: limpiar el CRM existente o migrar a uno con APIs maduras. Sin datos consultables vía API, ninguna IA opera bien.
¿Cuánto tiempo de mi equipo va a consumir el proyecto?
Para un sprint de 90 días con 1–2 casos de uso, el equipo interno dedica entre 20% y 40% de su tiempo durante esos 3 meses. El sponsor de C-level: 4–6 horas/semana. El PM: 30–50% del tiempo. El ingeniero: 50–100% en mes 2 y 3.
¿Es seguro pasar datos de clientes a un modelo como Claude o GPT-4?
Para la mayoría de casos sí, usando los planes empresariales de Anthropic u OpenAI que garantizan no entrenar con tus datos y cumplen SOC 2. Para sectores con regulación estricta (financiero, salud, gobierno) se desplegan modelos open-source como Llama 3 en infraestructura propia.
¿Qué resultados realistas puedo esperar a los 90 días?
Un agente o automatización en producción cubriendo un proceso de alto volumen, con un KPI moviéndose en la dirección correcta de forma medible. Casos típicos: tiempo de respuesta a leads bajando 95%, tasa de tickets autoresueltos al 50%, tiempo de generación de propuestas comerciales de días a minutos.