La IA para empresas es el trabajo de meter los modelos de lenguaje, y los sistemas que los rodean, en los procesos que una empresa ya opera: sus datos, sus herramientas internas, sus canales de atención y sus revisiones. Una empresa la necesita cuando su gente ya usa IA por su cuenta, cada quien a su manera, y nadie puede decir qué lee, qué puede cambiar ni si sus respuestas son correctas.
Qué construyo
- El proceso, por escrito. Cómo llega el trabajo, quién decide, qué evidencia queda y qué cuenta como terminado.
- Plataformas de datos. Pipelines que juntan registros dispersos en una sola base, con un modelo que la gente puede consultar y los tableros que van encima.
- IA dentro de las herramientas internas. Asistentes y llamadas a modelos puestos en los sistemas que la gente abre todos los días, en lugar de una ventana más.
- Agentes, donde sí caben. Para trabajo con muchas variaciones que termina en una acción dentro de un sistema, con una lista clara de lo que el agente puede hacer.
- Evaluación. Casos escritos como código, comprobaciones que no dependen de un modelo y una compuerta que detiene la versión que empeoró.
- Integración y operación. Permisos, secretos, tiempos límite, colas para el trabajo largo y un registro que explica qué pasó.
Por dónde entra la IA a una empresa
La IA entra a una empresa por cuatro puertas, y cada una trae una pregunta distinta:
- Herramientas para empleados. Asistentes para escribir, programar y buscar. La pregunta es qué datos les pega la gente.
- Una llamada a un modelo dentro de una aplicación. Clasificar un mensaje, sacar los campos de un documento, redactar una respuesta. La pregunta es qué pasa cuando el resultado sale mal.
- Decisiones internas. Análisis sobre los datos de la empresa. La pregunta es si cada cifra se puede rastrear hasta su origen.
- Sistemas de cara al cliente. Respuestas y acciones frente a un cliente. La pregunta es qué no puede decir ni hacer el sistema, nunca.
Empiezo por la puerta donde un error sale barato y se nota, casi siempre trabajo repetitivo con reglas claras, y avanzo hacia las caras cuando ya existen las pruebas y los registros. Tampoco hace falta el modelo más grande en cada paso: uno rápido y barato lee y ordena, y uno más fuerte escribe el resultado final con ese resumen.
Cómo se trabaja
- Describir un proceso. Leo cómo se hace hoy el trabajo y lo escribo con quienes lo hacen: entradas, decisiones, excepciones y evidencia.
- Volver legible el estado. Registros, tickets, documentos y decisiones quedan donde los puede leer una persona y también un programa. Un sistema que tiene que adivinar el estado del trabajo lo va a adivinar.
- Nombrar los riesgos y poner los límites. Para cada uso: qué datos lee, qué puede cambiar, dónde viven las llaves y qué sale de la empresa.
- Construir la pieza útil más chica. Un pipeline, una herramienta o un agente acotado, con datos reales y con los casos que dicen qué es correcto.
- Compuerta, salida y ampliación. Los casos corren antes de cada versión. La pieza empieza con una parte del trabajo y gana autonomía conforme el registro muestra que aguanta.
La autonomía es el último paso, no el primero. En el equipo donde aprendí este orden, los agentes pedían supervisión constante hasta que el proceso a su alrededor quedó explícito.
Qué recibes
El proceso por escrito, el código en tus repositorios, los pipelines y las herramientas en tu cuenta de nube, los casos con el harness que los corre y notas para quienes lo van a operar. El conocimiento de cómo se opera el sistema se queda en el sistema, donde lo leen las personas y los agentes.
Qué no incluye
No parto de un modelo o de un proveedor para luego buscarle uso, y no entrego un documento de estrategia sin algo funcionando al final. No prometo que la IA sustituya a un departamento. Si la respuesta honesta es que un procedimiento claro y una tabla limpia resuelven el problema, eso es lo que te digo.
Dónde está la evidencia
Dos casos públicos respaldan esta página. Para un grupo de educación superior que atiende a más de 700,000 estudiantes construí el harness de evaluación y las compuertas que deciden si un cambio a sus agentes en producción puede salir. Para una empresa de la industria de administración de garantías construí el pipeline que pasó sus registros de MongoDB a PostgreSQL y el tablero con el que sus equipos siguen contratos, reclamaciones y desempeño de distribuidores. Cada caso dice qué demuestra y qué no.