Muchas empresas han superado la fase de descubrimiento de la inteligencia artificial. Sus equipos utilizan ChatGPT, Copilot y otras herramientas para analizar información, generar contenidos, automatizar tareas o desarrollar asistentes internos. Algunas organizaciones han puesto en marcha decenas de proyectos piloto.
Sin embargo, una cosa es demostrar que la tecnología funciona y otra conseguir que forme parte de la actividad de una empresa, aporte resultados y pueda mantenerse en el tiempo.
Ahí comienza un reto que ya no corresponde únicamente a los departamentos tecnológicos. Requiere decisiones sobre inversión, procesos, personas, riesgos y prioridades de negocio.
Los datos confirman que esta transición sigue pendiente en muchas organizaciones. Según el informe The state of AI in 2025, de McKinsey, cerca de dos tercios de las empresas encuestadas todavía no habían comenzado a escalar la inteligencia artificial en el conjunto de su organización. Y solo el 39 % de los participantes señalaba un impacto en el resultado operativo empresarial (EBIT).
La investigación de McKinsey publicada en agosto de 2026 añade una observación importante: las organizaciones que obtienen mayores resultados con IA tienden a rediseñar sus procesos, en lugar de limitarse a incorporar nuevas herramientas.
Para los equipos directivos, el siguiente paso consiste en pasar de preguntarse qué puede hacer la IA a determinar dónde merece la pena utilizarla, cómo implantarla y qué resultados debe producir.
Del proyecto piloto a producción: qué cambia realmente
Un piloto de inteligencia artificial permite comprobar si una solución puede realizar una tarea en unas condiciones determinadas. Puede utilizarse para clasificar documentos, responder consultas internas, generar informes o analizar información comercial.
Llevar esa solución a producción significa incorporarla a la operativa de la empresa para que pueda utilizarse de forma recurrente, con los controles, recursos y responsabilidades necesarios.
La diferencia parece sencilla, pero tiene consecuencias.
Durante una prueba, un pequeño equipo puede revisar manualmente las respuestas de un asistente, corregir errores o preparar los datos antes de cada ejecución. Cuando la solución pasa a producción, debe funcionar con información real, usuarios diferentes y situaciones que no siempre estaban previstas.
También aparecen nuevas exigencias: protección de datos, conexión con otros sistemas, soporte técnico, formación, costes de mantenimiento y gestión de incidencias.
Por ejemplo, desarrollar un asistente que responda preguntas sobre procedimientos internos puede resultar relativamente sencillo. Otra cosa es garantizar que consulte documentación vigente, respete los permisos de acceso, no ofrezca instrucciones incorrectas y permita identificar quién debe intervenir cuando no puede resolver una consulta.
El éxito de una demostración no garantiza la viabilidad de una implantación.
Por eso, consideramos que el paso a producción debe tratarse como una decisión de negocio, no como la continuación automática de una prueba tecnológica.

Dos casos empresariales: qué podemos aprender de BBVA y Morgan Stanley
Existen experiencias que permiten observar cómo algunas organizaciones están abordando esta transición. Más allá de las cifras de adopción, interesa comprender qué problemas han elegido resolver y cómo han integrado las soluciones en su actividad.
BBVA: convertir una necesidad operativa en un caso de uso
BBVA comenzó en mayo de 2024 con 3.300 licencias de ChatGPT Enterprise para sus empleados. En mayo de 2025 amplió el despliegue a 11.000 licencias, después de evaluar sus aplicaciones y resultados. Ver caso.
En esa fase, el banco comunicó que el 83 % de los usuarios con licencia utilizaba la herramienta al menos una vez al día y que los empleados declaraban ahorrar una media de 2,8 horas semanales en tareas rutinarias.
Pero uno de los ejemplos más interesantes no está en el uso individual de ChatGPT, sino en su aplicación a un proceso jurídico.
En México, determinadas operaciones bancarias requieren comprobar que el representante de una empresa dispone de facultades suficientes para actuar en su nombre. Este procedimiento, conocido como bastanteo, genera consultas recurrentes de las oficinas a los equipos jurídicos.
BBVA desarrolló un asistente basado en IA generativa que facilita el acceso a respuestas y documentación jurídica previamente validada por sus especialistas.
Según el informe The state of enterprise AI 2025, publicado por OpenAI, esta solución automatiza más de 9.000 consultas anuales y ha permitido reasignar una capacidad equivalente a tres empleados a tiempo completo a otras actividades del servicio jurídico, entre ellas la elaboración de bastanteos.
¿Qué puede aprender un directivo de este caso?
El proyecto parte de un problema identificable: consultas repetitivas que consumen recursos especializados y retrasan determinadas operaciones.
La solución no pretende sustituir el criterio jurídico. Utiliza conocimiento previamente revisado para resolver una parte concreta del trabajo y liberar capacidad de los especialistas.
Es una diferencia importante respecto a implantar un chatbot sin haber identificado antes qué necesidad debe cubrir.
Morgan Stanley: integrar la IA en el trabajo de los asesores financieros
Morgan Stanley ofrece otro ejemplo, centrado en el acceso al conocimiento y la actividad comercial.
La entidad desarrolló AI @ Morgan Stanley Assistant, una herramienta que permite a sus asesores financieros consultar información interna mediante lenguaje natural.
Según los datos publicados por Morgan Stanley y OpenAI, más del 98 % de los equipos de asesoramiento financiero habían adoptado el asistente.
Posteriormente, la compañía incorporó AI @ Morgan Stanley Debrief, orientado a la gestión de reuniones con clientes.
Con el consentimiento del cliente, la herramienta puede generar notas de reunión, identificar acciones pendientes, preparar un borrador de correo para que el asesor lo revise y registrar información en Salesforce.
Lo interesante no es únicamente que una IA pueda resumir una conversación. Es que la solución conecta varias actividades que antes requerían intervenciones separadas: recoger información, preparar el seguimiento y actualizar el sistema comercial.
Morgan Stanley también ha explicado que utiliza evaluaciones sistemáticas para comprobar la calidad de sus soluciones antes de desplegarlas, además de controles para proteger la información.
El aprendizaje para la dirección es doble: integrar la IA en un proceso existente aumenta sus posibilidades de uso, pero esa integración exige controles acordes con la importancia de la información que maneja.
Cómo elegir qué proyectos de IA merece la pena llevar a producción
No todos los procesos necesitan inteligencia artificial. Antes de invertir, conviene comprobar si existe una necesidad de negocio, qué resultados esperamos obtener y si la organización está preparada para implantar la solución.
Proponemos valorar cuatro cuestiones:
1. ¿Qué problema queremos resolver?
Identificar una necesidad concreta: reducir tiempos de respuesta, mejorar la atención al cliente, automatizar tareas o facilitar decisiones. Cuanto más definido esté el problema, más fácil será evaluar los resultados.
2. ¿Qué valor puede aportar?
Estimar su impacto en productividad, ingresos, calidad o reducción de costos. Ahorrar tiempo no siempre implica ahorrar dinero; lo importante es cómo se aprovecha esa capacidad.
3. ¿Disponemos de datos y procesos adecuados?
Comprobar que la información es fiable, accesible y que los procesos están definidos. Una solución que funciona en una prueba puede fallar al integrarse en la actividad diaria.
4. ¿Quién responde por los resultados?
Cada proyecto necesita un responsable de negocio que defina objetivos, valide resultados y supervise su aplicación, con el apoyo del equipo tecnológico.
La prioridad no es implantar más soluciones de IA, sino seleccionar aquellas que puedan generar valor y mantenerse en el tiempo.

Guía directiva: cinco pasos para pasar de la prueba a la implantación
Una vez seleccionado el caso de uso, el siguiente reto consiste en organizar su desarrollo. Proponemos una secuencia que puede adaptarse tanto a una pyme como a una organización con mayor capacidad tecnológica.
Paso 1. Establece un punto de partida y un objetivo medible
Antes de desarrollar la solución, documenta cómo funciona el proceso actual.
Por ejemplo, un departamento recibe 1.000 consultas internas al mes, tarda una media de 15 minutos en resolver cada una y necesita recurrir a especialistas en determinados casos.
Con estos datos podemos definir objetivos de mejora.
También debemos incorporar indicadores de calidad: porcentaje de respuestas correctas, incidencias, consultas que requieren intervención humana o satisfacción de los usuarios.
La productividad no puede medirse al margen de los errores que pueda producir la herramienta.
Paso 2. Diseña una prueba con condiciones reales
La fase piloto debe permitir comprobar si la solución funciona fuera de una demostración preparada.
Para ello, conviene utilizar casos representativos, incluir excepciones y contrastar resultados con el procedimiento anterior.
Si se trata de un asistente documental, hay que comprobar qué ocurre cuando recibe preguntas ambiguas, cuando la información no está disponible o cuando dos documentos contienen instrucciones contradictorias.
Un resultado satisfactorio en unas pocas consultas seleccionadas no basta para aprobar su despliegue.
Paso 3. Calcula el coste completo y decide si merece la pena continuar
El coste de una solución no se limita a las licencias o al consumo de los modelos de IA.
Hay que considerar integración, preparación de datos, seguridad, mantenimiento, formación, soporte y supervisión humana.
Imaginemos una solución que consigue un ahorro operativo estimado de 60.000 euros anuales, pero requiere 35.000 euros anuales de funcionamiento y una inversión inicial de 50.000 euros.
El beneficio operativo recurrente sería de 25.000 euros al año, antes de otros posibles efectos e impuestos. Bajo estas hipótesis, el plazo simple de recuperación de la inversión inicial sería de dos años.
Es un ejemplo ilustrativo, pero muestra por qué una mejora técnica no equivale necesariamente a un proyecto rentable.
La decisión de continuar debe contemplar el beneficio esperado, los riesgos y las alternativas disponibles.
Paso 4. Integra la solución en el proceso y prepara al equipo
Una implantación no termina cuando la herramienta está disponible.
Hay que determinar quién la utiliza, cuándo interviene, qué información puede consultar y qué tareas siguen requiriendo aprobación humana.
También será necesario adaptar procedimientos, formar a los empleados y establecer canales para comunicar errores o proponer mejoras.
Aquí aparece una responsabilidad directiva que suele recibir menos atención: gestionar el cambio en la forma de trabajar.
Si los empleados deben utilizar la IA y después repetir manualmente todo el proceso porque no confían en sus resultados, es posible que la organización termine trabajando más, no menos.
La implantación también exige adaptar la forma de trabajar, gestionar las resistencias y desarrollar nuevas capacidades de liderazgo. Son desafíos relacionados con la gestión del cambio y el desarrollo de competencias directivas, más allá de la propia tecnología.
Paso 5. Supervisa los resultados y establece criterios de continuidad
Una solución de IA necesita seguimiento después de su puesta en marcha.
Los procesos cambian, se actualizan documentos, aparecen nuevas necesidades y las respuestas pueden perder calidad.
Conviene establecer revisiones periódicas sobre uso, precisión, costes, incidencias y resultados de negocio.
También deben existir criterios para corregir, limitar o suspender la solución si deja de cumplir las condiciones acordadas.
Una implantación está consolidada cuando produce valor de forma sostenida y la organización dispone de capacidad para gestionarla.
El papel del directivo: liderar la transformación sin convertirse en especialista técnico
El crecimiento de la IA está modificando las responsabilidades de quienes dirigen áreas y equipos.
No significa que un director comercial, financiero o de operaciones deba aprender a programar modelos. Pero sí necesita comprender las posibilidades y limitaciones de estas tecnologías para tomar decisiones sobre su utilización.
Estas nuevas responsabilidades también están modificando las competencias que valoran las empresas en sus líderes. La capacidad para impulsar la transformación digital y aprovechar la IA forma parte de lo que hoy se espera de un perfil directivo.
Un informe de McKinsey publicado en agosto de 2026 señala que las organizaciones con mejores resultados en IA tienen mayor tendencia a rediseñar procesos y a establecer mecanismos para medir su impacto. También destaca la implicación del liderazgo y la supervisión humana entre las prácticas asociadas a un mayor aprovechamiento de la tecnología.
Desde nuestra perspectiva, hay tres responsabilidades que resultan especialmente relevantes.
Priorizar. Evitar que la organización disperse recursos en iniciativas sin objetivos definidos. No todas las ideas necesitan convertirse en proyectos.
Coordinar. Conseguir que negocio, tecnología, operaciones, recursos humanos y las funciones de control trabajen sobre una misma necesidad, con responsabilidades claras.
Responder por los resultados. Evaluar si la inversión está generando el valor esperado y tomar decisiones cuando no sea así.
Esto también requiere criterio para identificar riesgos. Una herramienta que interviene en decisiones financieras, laborales o que afectan a clientes no puede gestionarse del mismo modo que otra destinada a resumir documentos internos.
La protección de datos, la seguridad, las obligaciones regulatorias y la posibilidad de intervención humana deben formar parte del diseño, no añadirse cuando el proyecto está terminado.
¿Cuáles de tus iniciativas están mejorando realmente un proceso de negocio y cuáles siguen siendo pruebas sin un resultado definido?









