Cada semana hablamos con empresas que ya han "probado la IA" y han salido escaldadas. No porque la tecnología no funcione, sino porque el proyecto se contrató mal desde el principio. El resultado casi siempre es el mismo: un piloto bonito en una demo, cero uso real seis meses después.
Aquí van los siete errores que más repetimos ver, con qué hacer en su lugar. Si estás a punto de contratar un proyecto de IA, revisa esta lista antes de firmar nada.
Error 1: Confundir un conector no-code con "IA integrada"
Muchas propuestas venden automatización con herramientas no-code (Zapier, Make y similares) conectadas a un modelo de lenguaje, y lo llaman "IA integrada en tu negocio". Funciona para casos simples, pero se rompe en cuanto tu proceso tiene una excepción, una regla de negocio particular o un volumen serio.
Qué hacer en su lugar: pregunta explícitamente si la solución se ejecuta por código sobre tu sistema real (ERP, CRM, contabilidad) o si es una capa de conectores encima. Ambas tienen su sitio, pero no cuestan lo mismo ni dan las mismas garantías. Nosotros explicamos esta diferencia con detalle en qué es integrar IA de verdad.
Error 2: Empezar por la IA sin mirar el dato
Es el error más caro y el más común. Se contrata un proyecto de IA sobre un ERP con clientes duplicados, un CRM con campos vacíos y hojas de cálculo que nadie actualiza. La IA no arregla eso: lo amplifica. Un modelo razonando sobre datos sucios da respuestas seguras y equivocadas, que es peor que no tener respuesta.
Qué hacer en su lugar: exige que la primera fase sea un diagnóstico del dato, no una demo del modelo. En un proyecto real con un grupo de farmacias, unificar y ordenar el dato de varias oficinas antes de aplicar IA fue lo que permitió después reconstruir una venta que el ERP calculaba mal, y validarla al céntimo. Sin ese orden previo, la IA no tenía nada fiable sobre lo que razonar. Puedes ver el caso en plataforma de datos e IA.
Error 3: No pedir que la IA escriba, solo que "sugiera"
Un asistente que solo redacta un informe o sugiere una respuesta es cómodo de vender, pero deja todo el trabajo pesado (copiar, pegar, revisar, corregir) en manos de una persona. El ahorro real de tiempo casi siempre está en que la IA actúe dentro del sistema: cree el pedido, contabilice la factura, agende la cita.
Qué hacer en su lugar: pregunta qué acción concreta ejecuta la IA de principio a fin, y en qué sistema. En un proyecto de distribución industrial, la IA no solo cotiza por WhatsApp: valida el cliente, aplica la tarifa correcta, comprueba stock y crea la oportunidad y el pedido dentro del ERP, de verdad. Ver comercial de IA en el ERP.
Error 4: Aceptar una caja negra sin plan de salida
Si el proveedor es el único que entiende cómo funciona el sistema, y todo vive en su plataforma cerrada, estás comprando dependencia, no una solución. El día que quieras cambiar de proveedor, o que el proveedor desaparezca, te quedas sin nada.
Qué hacer en su lugar: pregunta dónde vive el código, quién es dueño de los datos y qué pasa si terminas la relación. Un desarrollo a medida bien hecho debe poder auditarse, documentarse y, si hace falta, mantenerse por otro equipo.
Error 5: Medir el proyecto por horas de IA, no por resultado de negocio
"Hemos integrado un modelo de lenguaje" no es un resultado, es un medio. El resultado es: se factura sola, se cotiza en minutos en vez de horas, se detecta un error que nadie veía. Si el proveedor solo habla de tecnología y nunca de la métrica de negocio que cambia, hay un problema de enfoque.
Qué hacer en su lugar: define antes de empezar qué proceso concreto va a cambiar y cómo lo vas a medir. En un caso de contabilidad, la métrica no era "tenemos IA", era: las facturas se emparejan con el proveedor, se cuadran los impuestos por línea y se contabilizan solas en Holded, verificando el total antes de crear el asiento. Ver facturas automáticas.
Error 6: Ignorar dónde viven tus datos sensibles
Si tu negocio maneja información delicada (fichas de clientes, manuales internos, datos regulados) y el proveedor te propone mandar todo a un modelo genérico en la nube sin más, hay una pregunta pendiente sobre soberanía del dato y cumplimiento normativo.
Qué hacer en su lugar: pregunta qué modelo se usa, dónde se aloja y qué opciones hay de mantener el dato dentro de tu país o infraestructura si tu sector lo requiere. Es exactamente lo que exploramos en un proyecto de IA soberana para industria alimentaria, con modelos alojados en España.
Error 7: No preguntar qué pasa cuando la IA se equivoca
Ningún sistema acierta al 100%. La pregunta que de verdad separa un proyecto serio de uno improvisado es: ¿qué pasa cuando falla? ¿Se detiene y avisa, o sigue adelante como si nada?
Qué hacer en su lugar: exige que el sistema tenga verificación integrada. En el caso de las facturas automáticas, si el total no cuadra, el sistema borra la factura en lugar de contabilizarla mal. Esa disciplina (verificar antes de dar por bueno) es la diferencia entre confiar en la IA y tener que revisarla todo el rato.
Checklist antes de firmar
| Pregunta | Por qué importa |
|---|---|
| ¿Se ejecuta por código sobre mi sistema real, o es una capa de conectores? | Define coste, robustez y mantenimiento a largo plazo |
| ¿La primera fase incluye ordenar mi dato? | Sin dato limpio, la IA amplifica el caos |
| ¿Qué acción ejecuta la IA de principio a fin, en qué sistema? | Ahí está el ahorro real de tiempo |
| ¿Quién es dueño del código y del dato? | Evita depender de un proveedor para siempre |
| ¿Qué métrica de negocio va a cambiar, y cómo se mide? | Sin esto, no sabrás si el proyecto funcionó |
| ¿Dónde se aloja el modelo y mis datos? | Relevante si manejas información sensible o regulada |
| ¿Qué pasa cuando la IA se equivoca? | Un sistema sin verificación no es de fiar |
El criterio de fondo
Ninguno de estos errores es exclusivo de un mal proveedor: muchas veces pasan porque la empresa que contrata no sabe qué preguntar. El principio que seguimos en AutoBoost es simple: IA donde aporta, código donde toca, y siempre con el dato ordenado primero. Si además quieres saber si tu empresa está en el punto de dar este paso, lee las señales de que estás lista.
¿Estás valorando un proyecto de IA y quieres una segunda opinión? Cuéntanos tu caso y te decimos, sin compromiso, qué preguntarías tú en tu lugar.
