Una distribuidora ya había ordenado su operación. Tenía sistema, tenía reglas, tenía mensajes que salían solos.
Por fuera se veía impecable. Los recordatorios salían a tiempo. El equipo decía que por fin iban al corriente. Y aun así, las mejores cuentas empezaron a contestar con fastidio.
Un cliente recibió tres veces el mismo recordatorio de un pago que ya había hecho. Otro recibió un mensaje a nombre de alguien que llevaba meses fuera de la empresa. Otro más recibió una felicitación por una compra que al final se había cancelado.
Nada se veía roto. Ese era el problema.
Fuimos a ver qué había debajo.
Lo que encontramos debajo
El sistema estaba bien configurado. Los mensajes estaban bien escritos. La secuencia tenía lógica.
La lista no.
La base tenía contactos que ya no trabajaban ahí. Teléfonos que ya eran de otra persona. Folios que ya no correspondían a la etapa real. Direcciones que el equipo comercial ya había corregido en su cabeza, pero no en el sistema.
Cada cambio chiquito se había quedado sin registrar. Un ascenso. Una rotación. Una cancelación que se resolvió por teléfono. Nada grave por separado.
Junto, era otra empresa.
Y la automatización hizo lo que sabe hacer. Ejecutó la versión vieja, rápido y sin dudar.
La mayoría de los proyectos de ia para empresas no se caen por el modelo. Se caen porque la información con la que deciden ya no describe lo que pasa.
El reporte The GenAI Divide: State of AI in Business 2025 del MIT lo pone en términos incómodos. Solo una fracción mínima de pilotos logra impacto medible en el negocio. El trabajo de campo incluyó alrededor de 150 entrevistas, una encuesta a 350 empleados y la revisión de 300 despliegues. La conclusión no es que falte tecnología.
Es que falta integración con la operación real. Pueden leer más sobre ese hallazgo en el 95% de los pilotos se queda sin impacto en el negocio.
El dato viejo no avisa
Hay un tipo de error que no se nota al principio.
El dato no nació mal. Se hizo viejo.
Era correcto cuando alguien lo capturó. Después la persona cambió de puesto. El número cambió de dueño. La cuenta cambió de responsable. El pedido cambió de estatus en una llamada que nadie registró.
La base no se rompió de golpe. Se desfasó en silencio.
Un sistema de seguimiento de clientes solo funciona si la ficha sigue vigente; por eso automatizarlo es más delicado de lo que parece. No falla por el texto del mensaje. Falla por a quién se lo manda, con qué contexto y en qué momento.
Un mensaje puntual con información expirada no se siente como eficiencia. Se siente como descuido.
Lo mismo pasa con chatgpt para empresas cuando se usa para redactar seguimientos, resúmenes o respuestas. La redacción sale limpia. Si el insumo trae el contacto viejo, el folio viejo y la promesa vieja, la salida solo vuelve presentable el error.
Pasa igual en planta, y ahí se ve más claro porque el error se toca. Un fabricante de empaque como Lerka trabaja con especificaciones que cambian por cliente y por lote: ese dato no puede vivir de memoria ni en la versión del año pasado. Si la versión que usa el sistema no es la vigente, el error no es de redacción. Es de especificación.
Y no se arregla con mejor redacción.
El equipo de la distribuidora lo vivió así. Cada mensaje mal enviado les quitaba un poco de confianza. Primero dudaban del sistema. Después dudaban de la base. Al final volvían a revisar todo a mano.
Más trabajo. No menos.
La automatización no les ahorró criterio. Les puso una capa encima.
Lo que sí se revisa en un diagnóstico
La pregunta útil no era qué tarea podemos automatizar.
Era otra. Qué decisiones estamos tomando con información que ya expiró porque revisarla toda a mano tardaría demasiado.
Ahí cambia el marco.
Ya no se trata de si sabes como usar chatgpt para escribir más rápido. Se trata de si puedes confiar en la ficha que la máquina va a leer antes de escribir.
En un diagnóstico serio eso se revisa por partes, no como idea general.
- Fecha real del dato. Cuándo se capturó y cuándo se tocó por última vez. Sin fecha, no hay forma de saber si sigue vivo.
- Dueño del dato. Quién lo corrige cuando cambia. Si es de todos, no es de nadie.
- Cambios que no pasan por el sistema. Cancelaciones por teléfono, acuerdos por mensaje, responsables que rotan. Ahí nace el desfase.
- Campos que sí deciden. No son veinte. Son tres o cuatro: contacto vigente, etapa real, compromiso abierto, especificación vigente.
- Regla de pausa. Qué hace el sistema cuando el dato no es confiable. Seguir de largo no debería ser la opción por defecto.
Esto no es limpieza anual. Es higiene continua.
Una base comercial es un activo vivo. Cargos, teléfonos, dominios y responsables cambian por rotación, promociones y cierres. Si nadie la mantiene, la automatización solo acelera el olvido.
Por eso una consultoria en inteligencia artificial debería empezar por la información, no por la herramienta. Diagnosticar antes de implementar no es prudencia. Es economía.
Cada empresa que invierte sin ese paso paga dos veces. Paga la herramienta y paga el retrabajo.
La distribuidora no necesitaba mejor IA. Necesitaba mejor información.
Trabajan más que nunca, me dicen muchos directivos. Lo entiendo. La IA no me dio más tiempo libre. Me hizo mejor en mi trabajo. Pero eso solo pasa cuando la máquina lee una realidad vigente.
La IA multiplica tu criterio. No reemplaza la parte donde tienes uno.
Si quieres ver dónde está ese desfase en tu empresa, es justo lo que buscamos en un TRiAGE. Pueden conocer más sobre Margot Duek y su trabajo en diagnóstico.
