Los equipos prueban IA, pero los procesos, datos y responsables siguen sin estar conectados
Procesos internos / datos / IA
Cómo integrar IA en procesos internos sin empezar por la herramienta
La oportunidad no está en añadir un chatbot a cada equipo. Está en identificar el trabajo repetido que frena decisiones, ordenar los datos que lo alimentan y diseñar un flujo donde la IA ayude sin sustituir el criterio comercial
Una guía práctica para líderes de marketing, ventas, insights y operaciones que necesitan decidir qué procesos internos merece la pena mejorar, qué datos deben preparar y cómo pasar de una prueba aislada a una forma de trabajar medible
Las mejores oportunidades aparecen donde una decisión repetida exige reunir información y criterio
Cada caso de uso necesita datos fiables, impacto esperado, coste, riesgo y un responsable humano
Conviene probar pocos procesos con equipos reales y escalar solo lo que mejora una decisión concreta
01
Problema
La integración de IA falla cuando intenta automatizar procesos que nadie ha ordenado
En una empresa, la IA rara vez entra como un programa limpio. Aparece en la preparación de reuniones, revisión de promociones, análisis de ventas, comprobación de claims, explicaciones de demanda, resúmenes de estudios y soporte interno. El riesgo es automatizar partes aisladas sin resolver primero entradas, reglas, responsables y salidas
Por eso la primera pregunta no es "qué herramienta compramos". Es "qué decisión queremos mejorar, qué información necesita y quién responde cuando el resultado es incompleto, incorrecto o demasiado caro"
McKinsey sitúa el uso regular de IA en al menos una función de negocio en el 88%
McKinsey, State of AI 2025BCG estima que, al principio, más del 90% del valor vendrá de rediseñar procesos
BCG, consumer products, 2025Deloitte recoge que el 76% de los ejecutivos encuestados está en compañías que aumentan inversión en IA
Deloitte, Consumer Products Outlook 2025
Curva de adopción
Fuente: McKinsey, 2025
Muchas compañías usan IA. Muchas menos han cambiado su ritmo operativo
Gran consumo
Fuente: Deloitte, 2025
El presupuesto se mueve. Los controles tienen que alcanzarlo
02
Señal
Empieza por la fricción: decisiones repetidas que todavía dependen de trabajo manual
Busca los puntos donde el equipo pierde tiempo reuniendo documentos, números y criterio: un KAM preparando la historia para el retailer, categoría leyendo texto abierto, supply explicando riesgo de servicio o innovación tensionando un concepto. Si el trabajo se repite, tiene entradas reconocibles y termina en una decisión humana, existe un candidato real para mejorar el proceso con datos e IA
La preparación de cliente se vuelve repetible
Sell-in, sell-out, notas de promo y riesgos se convierten en una narrativa corta antes de la reunión
Señal: el equipo reconstruye el mismo pack cada semanaEl texto abierto se vuelve usable
Reviews, quejas, verbatims y movimientos de competidores se agrupan en tensiones, claims y lenguaje de consumidor
Señal: el insight aparece solo después de demasiada lectura manualEl contenido deja de empezar de cero
Claims aprobados, master data y aprendizajes de campaña se transforman en borradores para retailer, ecommerce y retail media
Señal: las mismas reglas de marca se reescriben en varios canalesLas excepciones se explican antes
Movimientos de demanda, stock y servicio se traducen en causas probables, clientes afectados y siguientes acciones
Señal: los managers preguntan por qué antes de que el equipo arme la respuestaLos conceptos se cuestionan antes
Ideas, claims y copy de pack se revisan contra objeciones probables antes de invertir tiempo caro de desarrollo
Señal: los puntos débiles aparecen tarde, cuando el equipo ya se encariñó con la ideaLos hand-offs son más claros
Finanzas, legal, RR. HH. y compras reciben primeros resúmenes, respuestas de política y notas de revisión para aprobar
Señal: los expertos responden demasiadas preguntas repetidas
03
Decisión
Prioriza el proceso por impacto, preparación del dato, riesgo y adopción
La elección del modelo llega después. Primero hay que estimar frecuencia, tiempo invertido, valor de la decisión, calidad de las fuentes y necesidad de revisión humana. Después se decide qué modelo, contexto y herramientas justifican el coste operativo
Cada archivo puede entrar en la factura
Decks completos, exports y chats antiguos no deberían entrar al prompt solo porque el modelo puede leerlos
Las herramientas multiplican trabajo oculto
Búsqueda, código, navegación y recuperación de datos pueden crear costes invisibles entre turnos
Lo difícil tira del modelo caro
Sin reglas, se usan modelos de frontera para trabajos que un modelo más pequeño resolvería bien
Un equipo con mucho uso puede desplazar a otro
Los límites suelen estar a nivel de organización, proyecto o familia de modelo, no de flujo individual
"Rate limits can be hit across any of the options depending on what occurs first."
OpenAI API rate limits"Rate limits are tied to the project's usage tier."
Google Gemini API rate limits"Sizing your Priority Tier capacity to align with your actual traffic patterns helps."
Anthropic service tiers
Realidad actual de modelos de frontera
El contexto largo es útil. También es fácil abusar de él
GPT-5.5
$5 de entrada / $30 de salida por 1M tokens. Las instrucciones largas por encima de 272k tienen precio superior
Claude Opus 4.8
$5 de entrada / $25 de salida por 1M tokens, con controles de capacidad en Priority Tier
Gemini 3.1 Pro Preview
Incluye grounding con búsqueda, function calling, ejecución de código, caching y file search
04
Qué debería hacer una marca después
Selecciona tres procesos y pruébalos con trabajo real
Una marca no debería escalar IA porque una demo se ve bien. Debería escalar cuando un flujo se usa de forma repetida, mejora una decisión concreta, respeta límites de coste y da al responsable suficiente confianza para seguir usándolo cuando termina el piloto
01
Elegir el trabajo, no el tema tecnológico
Mapear procesos candidatos y puntuar frecuencia, esfuerzo, riesgo, preparación de datos y valor de decisión
02
Construir la versión controlada
Definir plantillas, reglas de fuente, límites de contexto, asignación de modelos, aprobaciones y alternativas
03
Trabajar con equipos reales
Medir tiempo ahorrado, retrabajo, coste de tokens, errores, adopción y si la decisión mejora
04
Escalar, rediseñar o parar
Expandir flujos con uso repetido y economía visible. Cerrar los que solo funcionan en una demo
Base de fuentes
Fuentes usadas para este caso
McKinsey, The State of AI 2025
McKinsey, digital and AI value in CPG
BCG, The AI-First Consumer Products Company
Deloitte, 2025 Consumer Products Industry Outlook
OpenAI, API rate limits and usage tiers
OpenAI, GPT-5.5 model docs
OpenAI, Introducing GPT-5.5
Google, Gemini API rate limits
Google, Gemini 3.1 Pro model docs
Anthropic, models overview
Anthropic, service tiers
Diagnóstico de procesos y datos
¿Qué procesos internos merece la pena mejorar con datos e IA?
Revisamos dónde se pierde tiempo, qué información falta y qué piloto tendría impacto comercial medible