Llevaba unos meses pensando en cómo aprovechar mejor mi red de contactos. ¿Qué podía hacer más allá de buscar en mi agenda o en LinkedIn?
El problema no era tener pocos contactos. Era justo el contrario. Tenía miles repartidos entre diferentes fuentes y mucha información acumulada durante años, pero seguía dependiendo demasiado de mi memoria para encontrar a la persona adecuada cuando la necesitaba.
Primero ordené y unifiqué la información. Después probé diferentes herramientas para enriquecerla y poder hacer preguntas a mi red de una forma más inteligente. Podéis ver el proceso completo de cómo convertí esa agenda dispersa en una red de contactos realmente accionable.
Desde entonces he seguido trabajando sobre esa necesidad y he llegado a desarrollar una aplicación propia, usando Codex de ChatGPT, para resolver algunas cosas que las herramientas disponibles no terminaban de hacer como yo necesitaba. Todo ello sin ser desarrollador.
No voy a explicar aquí cómo he creado la aplicación ni las herramientas que he utilizado. Lo interesante para mí ha sido comprobar hasta qué punto está cambiando la distancia entre tener una idea y ser capaz de llevarla a la práctica.
Hace pocos años probablemente ni siquiera me habría planteado desarrollar algo así. Habría necesitado conocimientos técnicos, presupuesto y bastante más tiempo. Hoy, con ayuda de la inteligencia artificial, he podido construir una solución funcional en unas horas.
Es verdad que llevo muchos años implicado en proyectos tecnológicos ligados al área de marketing —webs, apps, CRM, etc.— y eso me ha ayudado a hacerlo de una forma más ordenada y a equivocarme menos.
Esto no significa que cualquiera pueda desarrollar cualquier cosa.
Los proyectos complejos siguen necesitando buenos profesionales, arquitectura, integraciones, seguridad, pruebas y mantenimiento. Y cuanto más crítico sea el sistema, mayor será la necesidad de especialistas.
Lo que está cambiando es otra cosa: una parte creciente de la ejecución técnica es cada vez más accesible, rápida y barata. El desarrollo de determinadas soluciones va camino de convertirse en una commodity.
Y cuando las barreras caen, el valor que aportamos cambia de sitio en la cadena.
La IA está haciendo extraordinariamente fácil construir soluciones. El verdadero valor está en saber qué problema resolver, cómo debería funcionar el proceso y tener criterio para dirigir la solución hasta que aporte resultados.
Si podemos hacer casi cualquier cosa, también podemos equivocarnos más rápido
Esta es la otra cara de la moneda. Si desarrollar webs, aplicaciones o automatizaciones es cada vez más fácil y, además, herramientas como ChatGPT nos animan constantemente a seguir avanzando, existe el riesgo de ejecutar sin detenernos suficientemente a pensar.
Y podemos terminar con una solución que funciona, pero que no resuelve bien el problema que queríamos solucionar.
A nivel de mercado este efecto se multiplica. Cada vez más empresas y personas pueden construir soluciones por su cuenta y, por tanto, también aumentará la probabilidad de que aparezcan productos de baja calidad o con errores de concepto.
Soluciones que nadie utiliza. Funcionalidades creadas simplemente porque se pueden crear. O desarrollos muy sofisticados para problemas que podían haberse solucionado de una manera mucho más sencilla.
La tecnología está reduciendo el coste de hacer, pero aumentando las posibilidades de equivocarse
Cuanto más fácil resulta ejecutar, más importante resulta decidir bien.
Antes, el coste y la dificultad técnica actuaban como filtro. Si desarrollar una solución requería varios meses y una inversión importante, los resultados tenían que estar a la altura del esfuerzo.
Ahora podemos tener una primera versión de una aplicación o una web relativamente sencilla en horas o días. Y puede hacerlo una persona con conocimientos técnicos bastante limitados.
Es una ventaja enorme, siempre que sepamos qué queremos conseguir. Pero también implica un riesgo: si quien dirige el proceso no tiene criterio suficiente, aumentan las posibilidades de cometer errores o de desarrollar algo que técnicamente funciona pero aporta poco valor real.
Antes de pensar en IA, entiende el proceso
Por eso creo que estamos planteando mal muchas conversaciones sobre inteligencia artificial y automatización de procesos.
Empezamos preguntando:
¿Qué podemos hacer con IA?
¿Qué podríamos automatizar?
¿Dónde podemos poner un agente?
¿Qué herramienta deberíamos probar?
Yo plantearía la pregunta al revés:
¿Qué problema tenemos que merece la pena resolver?
Es el enfoque que propongo cuando hablo de cómo empezar a automatizar procesos con IA en una empresa: no empezar buscando qué puede hacer la herramienta, sino dónde existe un problema que merece nuestra atención.
Y entonces empezar a hacer preguntas.
¿Qué proceso repetitivo nos está dando problemas o consideramos que es claramente optimizable?
Una vez identificado, ¿sabemos cómo funciona realmente? Este es uno de los bloqueos principales. Si preguntamos por un mismo proceso dentro de una empresa, es bastante posible que encontremos dos o tres versiones diferentes sobre cómo se hace realmente.
¿Dónde está la fricción? ¿Qué punto del proceso nos está dando más problemas?
¿Qué información tenemos? ¿Disponemos de métricas sobre esa fricción? Sin métricas, difícilmente podremos saber si estamos mejorando.
¿Qué resultado queremos conseguir?
¿Qué tendría que cambiar para considerar que lo hemos mejorado?
Solo entonces tiene sentido pensar en la solución. Y la respuesta no tiene por qué ser inteligencia artificial.
Puede ser automatizar una parte del proceso. Cambiar una responsabilidad. Integrar dos herramientas que ya utilizamos. Eliminar pasos innecesarios. Configurar correctamente el CRM. Modificar la información que recogemos. O, en determinados casos, desarrollar una solución específica.
Es una lógica que también aplicaría a la automatización del marketing en una PYME: empezar por necesidades concretas y escalar solo cuando el proceso demuestra que aporta valor.
La herramienta viene después.
La IA puede ejecutar. El criterio sigue siendo tuyo
Mi experiencia desarrollando la aplicación me ha servido para comprobarlo con bastante claridad.
La IA puede hacer cosas técnicamente muy por encima de mis conocimientos. Puede escribir código que yo no sabría escribir, detectar errores, proponer alternativas y convertir una petición en algo que funciona.
Pero, simplificando mucho, Codex es «tonto»: si no le planteas el problema correctamente, hace lo que le pides. Como muchas cosas suceden casi por arte de magia, es fácil pensar que también va a tener en cuenta los detalles, el contexto o las consecuencias de determinadas decisiones. No necesariamente.
Más allá de esto hay algo básico: tenemos que saber qué queremos conseguir.
Y esto se vuelve especialmente importante cuando pasamos de utilizar la IA para tareas sencillas a trabajar con ella en proyectos más complejos.
Ahí es donde entra el criterio.
Porque una cosa es conseguir que algo funcione técnicamente y otra que resuelva bien el problema para el que lo hemos creado. Durante el proceso hay que decidir qué información es realmente relevante y cuál solo añade ruido, qué funcionalidades son necesarias y cuáles simplemente resultan atractivas porque ahora es fácil incorporarlas.
También hay que saber cuándo merece la pena seguir mejorando una solución y cuándo estamos añadiendo complejidad a algo que ya cumple suficientemente bien su función. Y, por encima de todo, ser capaces de evaluar si lo que estamos haciendo aporta un valor real.
Eso es criterio.
Y no tiene nada de específicamente tecnológico.
En marketing ocurre exactamente lo mismo. Podemos tener una agencia que ejecute las campañas impecablemente, herramientas capaces de generar contenidos en segundos, un CRM lleno de automatizaciones y un cuadro de mando con todos los datos imaginables.
Todo puede funcionar perfectamente y, aun así, no estar ayudándonos a conseguir lo que necesitamos.
La ejecución puede ser excelente y la decisión equivocada.
¿Cómo aplicar este enfoque a los procesos de marketing de una empresa?
Cuando hablo con gerentes de PYMEs, rara vez el problema es que no estén haciendo marketing.
Normalmente ya tienen una web, campañas, contenidos, redes sociales, una agencia o equipo interno, un CRM o diferentes herramientas de analítica.
El problema suele estar en otro sitio: cómo funciona todo eso en conjunto y qué decisiones estamos tomando a partir de ello.
Las posibilidades de aplicar inteligencia artificial al marketing son cada vez mayores, pero precisamente por eso resulta todavía más importante decidir primero dónde puede aportar valor.
Ahí es donde analizar los procesos de marketing puede descubrir oportunidades de mejora mucho más interesantes que empezar directamente por la tecnología.
Veamos dos ejemplos bastante habituales.
Captación, cualificación y seguimiento de leads
Imaginemos una empresa que genera contactos desde Google Ads, formularios de la web, ferias, recomendaciones y acciones comerciales.
La primera tentación podría ser preguntarnos cómo utilizar IA para cualificar mejor esos leads o automatizar su seguimiento. Pero estaríamos empezando por el final.
Antes necesitamos dibujar qué ocurre desde que aparece un posible cliente hasta que compra, se descarta o deja de responder.
Cuando representamos el proceso completo es mucho más fácil detectar dónde está realmente el problema.
Puede que los leads lleguen por canales diferentes y no terminen todos en el CRM. Que marketing y ventas utilicen criterios distintos para determinar cuáles son prioritarios. Que algunos tarden demasiado en recibir respuesta. O que perdamos oportunidades porque el seguimiento depende excesivamente de que alguien se acuerde de hacerlo.
Cada problema requiere una solución diferente.
En unos casos bastará con cambiar el proceso. En otros necesitaremos centralizar información, definir criterios comunes o establecer nuevas responsabilidades. Y habrá situaciones en las que la automatización o la inteligencia artificial nos permitan enriquecer datos, priorizar leads, generar alertas o facilitar el seguimiento.
La cuestión no es dónde podemos introducir IA. Es dónde tenemos una fricción que merece la pena resolver y cuál es la mejor forma de hacerlo.
Reporting de marketing y toma de decisiones
Con los datos ocurre algo parecido.
Una empresa puede tener información de Google Ads, SEO, Analytics, redes sociales, CRM, ecommerce… y dedicar cada mes muchas horas a recopilarla y preparar un informe.
Podemos automatizar buena parte de ese trabajo. Pero antes deberíamos hacernos una pregunta mucho más importante:
¿Qué decisiones necesitamos tomar con esos datos?
La diferencia entre ambos cuadros de mando no está únicamente en la cantidad de información que muestran.
El primero parte de los datos disponibles y trata de mostrarlos. El segundo parte de las preguntas que necesita responder la dirección y selecciona la información necesaria para contestarlas.
¿Estamos generando suficiente demanda? ¿La estamos convirtiendo en negocio? ¿Dónde tenemos un problema? ¿Qué requiere una decisión?
Ese cambio de enfoque parece pequeño, pero modifica por completo el resultado.
Si empezamos por automatizar la recopilación de datos, podemos terminar produciendo más rápido un informe que sigue sin ayudar a nadie a decidir.
Si empezamos por las decisiones, podemos determinar qué indicadores necesitamos y después automatizar la obtención, el análisis y la presentación de esa información.
No se trata de tener más datos ni de automatizar más reporting. Se trata de disponer de la información necesaria para tomar mejores decisiones.
¿Por dónde empezar a mejorar un proceso?
Los dos ejemplos son diferentes, pero el razonamiento que hay detrás es prácticamente el mismo.
No creo que una PYME necesite empezar haciendo un gran proyecto para «implantar la IA». Empezaría buscando un proceso concreto en el que sepamos que estamos perdiendo tiempo, información, dinero u oportunidades.
Y lo analizaría antes de pensar en la tecnología.
El primer paso es dibujar el proceso tal y como funciona realmente, no como suponemos que funciona. Parece obvio, pero no siempre lo es. Cuando participan varias personas o departamentos es frecuente descubrir que existen diferentes versiones del mismo proceso.
Después hay que localizar la fricción. ¿Dónde perdemos tiempo? ¿Dónde se queda parada la información? ¿Dónde aparecen errores? ¿Dónde se pierden oportunidades? ¿Qué parte depende excesivamente de una persona?
El tercer paso es definir el resultado que queremos mejorar. No «automatizar los leads», sino reducir el tiempo de respuesta. No «hacer un dashboard con IA», sino saber qué canales están generando oportunidades comerciales rentables.
Entonces podemos decidir qué necesita cambiar. Puede estar en el propio proceso, en las responsabilidades de las personas, en la información disponible o en las herramientas que utilizamos.
Y solo en ese momento tiene sentido elegir la solución: cambiar el proceso, automatizar una tarea, conectar sistemas, utilizar inteligencia artificial o desarrollar algo específico.
Finalmente, hay que medir si el resultado ha mejorado realmente.
Porque implementar una automatización no significa haber optimizado un proceso. Y desarrollar una solución técnicamente impecable tampoco significa haber resuelto el problema.
El proceso es iterativo: medimos, aprendemos y volvemos a ajustar.
La ventaja no estará en tener más IA
Estamos entrando en un escenario en el que muchas capacidades tecnológicas van a estar al alcance de cada vez más empresas.
Desarrollar determinadas soluciones será más rápido y barato. Muchas tareas técnicas se estandarizarán y una parte del desarrollo tenderá a convertirse en una commodity.
Esto no significa que desaparezcan los desarrolladores ni que los proyectos complejos dejen de requerir especialistas. Significa que la capacidad de ejecución dejará de ser, en muchos casos, la principal limitación.
Ya no se trata solo de quién puede desarrollar una aplicación, automatizar un proceso o utilizar inteligencia artificial.
Se trata de quién entiende mejor el problema, sabe dónde merece la pena intervenir, define correctamente el resultado que busca y es capaz de distinguir entre lo que técnicamente podemos hacer y lo que realmente aporta valor al negocio.
Cuanto más fácil sea construir soluciones, más valor tendrá saber cuáles merece la pena construir.
Creo que ese es uno de los cambios más importantes que la inteligencia artificial está introduciendo en las empresas.
Y no es tecnológico. Es una cuestión de criterio.
Si tienes procesos de marketing que sabes que podrían funcionar mejor, pero no tienes claro dónde está realmente el problema o qué merece la pena cambiar, así es como trabajo para ordenar y mejorar el marketing de una empresa.
