10 errores típicos al implantar IA en pyme española (y cómo evitarlos)

En Davisa Informática llevamos años implantando Business Central y, desde 2024, capas de IA sobre BC. Hemos visto suficientes proyectos — los nuestros, los de clientes que llegaron rescatándose de otros proveedores, los de partners — como para reconocer los errores recurrentes al implantar IA en pyme española. Algunos son obvios, pero se siguen cometiendo. Otros pillan a equipos sénior y a comités directivos con experiencia.

Aquí los 10 que se repiten más, sin diplomacia. Para cada uno: descripción honesta, por qué pasa y cómo evitarlo. La intención no es academicismo — es ahorrar al lector el aprendizaje caro de cometerlos en su propia empresa.

Error 1: empezar por el caso de uso “que mola” en vez del “que paga”

Descripción. El comité directivo se entusiasma con un asistente conversacional que contesta preguntas sobre el ERP en lenguaje natural — demuestra bien en pantalla, impresiona en consejo. Mientras tanto, el caso aburrido y rentable — captura de facturas, conciliación bancaria, anomalías en cuentas a pagar — sigue esperando.

Por qué pasa. Porque la IA se compra por aspiración antes que por necesidad. La demo del proveedor empuja al efecto Wow. El director que aprueba el proyecto rara vez es el que sufre el proceso aburrido pero caro.

Cómo evitarlo. Aplicar la regla del primer caso: el caso inicial debe ser el de mayor ROI medible, no el de mayor efecto demo. El Discovery de Davisa AI Studio prioriza por ROI estimado, no por aspiración. Si el asistente conversacional no entra en el top-3, no es el primero.

Error 2: comprar IA sin tener Business Central implantado en condiciones

Descripción. Maestros sucios, plan de cuentas inconsistente, codificación errática, procesos no normalizados. Encima de eso se intenta meter IA. Los modelos producen resultados ruidosos que el equipo no acepta y el sponsor concluye, equivocadamente, que “la IA no funciona”.

Por qué pasa. Porque la IA es la moda y el saneamiento del ERP no lo es. Es más fácil aprobar 30.000 € de IA que 30.000 € de “limpiar el maestro de proveedores y normalizar el plan de cuentas”.

Cómo evitarlo. Primero BC al día, después IA. Sin atajos. Davisa cubre los dos caminos — implantación de BC primero (o saneamiento si ya está implantado) y, sobre esa base, los casos de IA. Cuesta menos en total y los pilotos salen bien.

Error 3: no definir KPI medible antes de empezar

Descripción. El piloto arranca con un “vamos a ver qué tal”. Al final no hay punto de comparación claro. Cualquier resultado es interpretable como éxito o fracaso según quién lo cuente. El comité no toma decisión y el piloto se prolonga.

Por qué pasa. Porque definir un KPI obliga a la dirección a comprometerse, y comprometerse es incómodo. Es más cómodo arrancar “abierto” y decidir después.

Cómo evitarlo. KPI firmado por el sponsor antes del kick-off técnico. Cuatro condiciones: numérico, medible antes y después, acotado en plazo, con umbral binario. El detalle del patrón está en por qué los pilotos IA fracasan y los 3 patrones que funcionan.

Error 4: esperar el 100% de automatización (siempre queda revisión humana)

Descripción. En la presentación al comité se asume implícitamente que la IA elimina la tarea. En la realidad, el porcentaje razonable según volumetría se mueve entre el 40 % y el 80 % según el caso, con revisión humana de las excepciones.

Por qué pasa. Porque las demos del proveedor enseñan el escenario ideal, no las excepciones. El comité no pregunta “¿qué porcentaje de casos requiere revisión humana?” porque parece que disminuye el atractivo.

Cómo evitarlo. Presupuestar el porcentaje real desde el cálculo del ROI. La calculadora de ROI de IA trabaja con porcentajes razonables, no con el 100 %. La guía completa está en cómo evaluar el ROI de un proyecto IA en Business Central.

Error 5: comparar el piloto con el régimen permanente

Descripción. El piloto es pequeño, controlado, con dato seleccionado. El régimen tiene más volumen, más excepciones y más usuarios. Cuando se proyectan las cifras del piloto al régimen sin corrección, las sorpresas aparecen en el primer trimestre.

Por qué pasa. Porque la presentación de resultados del piloto se interpreta como anticipo del régimen. Es un sesgo cognitivo común — y muy caro.

Cómo evitarlo. Aplicar un factor de corrección razonable al proyectar — entre 0,7 y 0,85 del rendimiento del piloto — para el cálculo del business case del régimen. Y presupuestar excedentes para los casos borde que aparecen al escalar.

Error 6: comprar al proveedor IA más “vanguardista” en vez del que entiende tu sector

Descripción. El comité elige al proveedor con la tecnología más nueva, los modelos más recientes, la marca más conocida. Lo que no tiene es experiencia en el sector concreto — construcción, family office, fabricación, asesoría. Cuando aparecen los matices reales del sector (LOE en obra, IFRS 16 en patrimonio, consolidación multi-sociedad), el proveedor no entiende.

Por qué pasa. Porque la conversación de tecnología es más visible que la conversación de sector. Y porque los proveedores de tecnología tienen mejor marketing que los integradores verticales.

Cómo evitarlo. Elegir al partner que entiende el sector y la tecnología, no solo la tecnología. Davisa lleva implantando Business Central desde 2003 y conoce los verticales que ya cubre con extensiones propias — dvproject, dvfinance, dvinvoice-hub, dvproject Patrimonio. La capa de IA va sobre esa base.

Error 7: sponsoring débil (comité difuso, sin nombre con piel en el juego)

Descripción. El piloto se aprueba en comité de cuatro personas con responsabilidad difusa. Nadie tiene el KPI ligado a su bonus. Cuando aparece la primera dificultad, nadie desbloquea y el proyecto entra en zombi.

Por qué pasa. Porque el sponsoring explícito incomoda — significa que alguien se la juega. Es más cómodo el “comité ejecutivo” que un director nominal.

Cómo evitarlo. Sponsor con nombre, presupuesto comprometido, KPI ligado a su objetivo anual y presencia obligatoria en hitos quincenales. En pyme española suele ser el CFO, el COO o el director general. Si en kick-off no aparece, conviene parar y conversarlo con dirección antes de seguir.

Error 8: datos en mal estado y nadie quiere arreglarlos primero

Descripción. Maestros sucios, histórico fragmentado, codificación inconsistente. La IA entrenada sobre ese dato produce resultados ruidosos. El sponsor pide IA pero se rebela cuando el equipo técnico le dice que antes hay que normalizar.

Por qué pasa. Porque el saneamiento del dato es una conversación dura. Implica admitir que el ERP no estaba al día, asignar recursos a una tarea sin glamur y aplazar el piloto.

Cómo evitarlo. Auditoría de dato en el Discovery, no después. Si el dato no está listo, se decide si saneamiento primero o piloto al siguiente caso candidato con dato más limpio. No se ignora.

Error 9: subestimar la gestión del cambio cultural

Descripción. Se implanta la herramienta IA, se publica al equipo y se asume que la usarán. Tres meses después, el uso real está por debajo del 30 % de lo esperado. El KPI no se cumple no por la tecnología, sino por la adopción.

Por qué pasa. Porque el cambio cultural no aparece en el presupuesto técnico. Y porque el equipo que lleva años haciendo el proceso a mano tiene razones legítimas para resistir.

Cómo evitarlo. Presupuestar gestión del cambio entre el 10 % y el 20 % del coste técnico del piloto. Formación, comunicación interna, gestores de cambio, recogida de feedback. El equipo tiene que querer usar la IA, no solo poder usarla.

Error 10: no cerrar el piloto a tiempo (proyectos zombi)

Descripción. El piloto cumple plazo nominal pero el KPI no está claro. En lugar de cerrar con diagnóstico documentado, se prolonga “a ver si mejora con más datos”. Pasan seis meses, el coste sigue subiendo, el equipo pierde fe y el proyecto se convierte en zombi.

Por qué pasa. Porque cerrar un piloto sin éxito es admitir fracaso, y eso es político. Es más fácil prolongarlo y esperar.

Cómo evitarlo. Plazo cerrado del piloto al inicio, KPI con umbral binario y cierre ordenado si no se cumple. Es preferible un cierre limpio con diagnóstico — qué aprendimos, qué proceso intentar a continuación, qué condiciones cambiar — que un zombi consumiendo presupuesto. En Davisa AI Studio lo decimos al cliente desde el primer contacto: el no-go es una salida válida en cualquier hito del método.

Cuándo NO arrancar todavía un piloto IA

Aunque los diez errores son evitables con disciplina, hay tres condiciones de entrada que conviene chequear antes de cualquier piloto:

• Business Central no está implantado o lo está sin saneamiento mínimo. Primero la base.
• El volumen del proceso candidato es bajo. Por debajo de 50-100 transacciones al mes el coste fijo del piloto rara vez se justifica.
• No hay sponsor ejecutivo identificable con piel en el juego. Sin sponsor de perfil claro, no es momento.

Estas tres condiciones se evalúan en el Discovery de Davisa AI Studio y pueden cerrar con no-go documentado. Es preferible un no-go al inicio a un piloto zombi a los seis meses.

Conclusión: los errores son evitables con método, no con buena intención

Ninguno de los 10 errores anteriores es nuevo. Todos están documentados, todos se han discutido en estudios públicos y en conferencias técnicas. Y aun así se siguen cometiendo. La razón es que evitarlos requiere disciplina al inicio del proyecto — KPI firmado, sponsor con nombre, alcance escandalosamente pequeño, dato auditado, gestión del cambio presupuestada. La disciplina es incómoda y se sustituye, demasiado a menudo, por entusiasmo.

En Davisa AI Studio abordamos cada proyecto con esos errores en mente. El método los previene por diseño. No es magia — es disciplina. Y es lo que separa los pilotos que llegan a producción de los que mueren en silencio.

Próximos pasos sugeridos:

• Leer el patrón completo en por qué los pilotos IA fracasan y los 3 patrones que funcionan.
• Hacer el cálculo previo con la guía de cómo evaluar el ROI de un proyecto IA en Business Central.
• Entender el método paso a paso en el método de Davisa AI Studio.
• Abrir Discovery de Davisa AI Studio para evaluar tu caso candidato con asesoramiento personalizado.