Los titulares dicen que la IA lo está transformando todo. La realidad en el tejido empresarial español es más matizada y, en algunos aspectos, más interesante.
Lo que está pasando de verdad
La adopción de IA en España sigue un patrón de dos velocidades. Por un lado, grandes corporaciones financieras, telcos y algunas industriales que llevan años invirtiendo en capacidades de datos y que ahora están desplegando IA generativa sobre esa base. Por otro, el grueso de la empresa mediana española que está en fase exploratoria: pilotos, pruebas de concepto, mucho ChatGPT a nivel individual.
El gap entre los dos grupos no es de presupuesto. Es de madurez en datos y en gestión del cambio.
Los tres patrones de adopción que vemos
1. La empresa que automatiza procesos internos primero. Empiezan por lo visible y controlable: resumen de documentos, generación de informes, asistentes internos para el equipo comercial o de atención al cliente. ROI rápido, riesgo bajo, aprendizaje acelerado.
2. La empresa que intenta el caso de uso “grande” de salida. Quieren el sistema de predicción de demanda, el modelo de riesgo, la personalización a escala. Proyecto de 18 meses, presupuesto elevado, alta probabilidad de piloto eterno.
3. La empresa que espera. “Todavía no es el momento”, “necesitamos más madurez”, “cuando haya más casos de éxito en nuestro sector”. El problema es que sus competidores no están esperando.
Sectores que van por delante en España
- Banca y seguros: con ventaja en datos estructurados, llevan años en modelos de scoring, fraude y churn. Ahora aceleran con IA generativa para asesoramiento y documentación.
- Logística y distribución: la presión de márgenes y la disponibilidad de datos operativos han empujado la adopción de optimización de rutas, previsión de demanda y gestión de almacén.
- Retail y e-commerce: personalización, gestión de catálogo y atención al cliente automatizada. El volumen de interacciones justifica el ROI.
Qué frena la adopción
Basándonos en los diagnósticos que hacemos, los frenos reales no son técnicos:
- Datos dispersos o de baja calidad. La IA necesita datos. No perfectos, pero sí accesibles y mínimamente estructurados.
- Falta de caso de uso claro. “Queremos hacer algo con IA” no es suficiente para arrancar.
- Resistencia interna al cambio. No del equipo técnico, sino de los procesos y las personas que los gestionan.
- Expectativas mal calibradas. O esperan demasiado y se frustran, o esperan poco y no invierten lo suficiente.
El antídoto para todos estos frenos es el mismo: empezar pequeño, medir rápido, escalar lo que funciona.