Inteligencia artificial para empresas: un proceso funcionando, no una demo

La mayoría de las pymes chilenas ya probó IA, pero menos de la mitad la tiene trabajando en un proceso. Según Entel Digital y CENIA (2025), el 70 % de las pymes usó alguna herramienta de IA y solo el 46 % automatizó al menos un proceso. Esa brecha es la que cerramos: una tarea concreta, medida y operando.

Probar ChatGPT es abrir una pestaña. Tener IA en un proceso significa otra cosa: el modelo recibe datos de tus sistemas, devuelve una salida con formato fijo, alguien revisa los casos dudosos, cada llamada queda registrada y sabes cuánto cuesta al mes. La mitad del trabajo no es el modelo; es todo lo que lo rodea.

Por eso no vendemos «IA para empresas» en abstracto. Vendemos tres procesos que conocemos bien, cada uno con un entregable, un plazo, un costo de operación mensual estimado y un KPI que se mide antes y después. Si tu caso no calza con ninguno, lo decimos en el diagnóstico y te orientamos igual.

Si estás en la etapa anterior (decidir por dónde empezar), la guía cómo implementar IA en una empresa explica cómo elegir el proceso, medir la línea base y armar un piloto sin comprometer presupuesto de más.

• Salida estructurada: el modelo devuelve JSON validado contra un esquema, no texto libre que alguien tiene que interpretar.
• Límites escritos: qué puede hacer el sistema solo, qué necesita aprobación humana y qué no hace nunca.
• Registro: cada entrada, salida, modelo usado y costo en tokens queda guardado para auditar y mejorar.
• Evaluación: un set de casos reales con la respuesta correcta, que se vuelve a correr cada vez que cambia el prompt o el modelo.
• Línea base: el KPI medido antes del piloto. Sin ese número, nadie puede decir si funcionó.

Cada lead o solicitud de cotización que llega por formulario, correo o WhatsApp pasa por un modelo que lo resume, lo clasifica según tus reglas y prepara un borrador de respuesta. Todo queda en tu CRM. Una persona revisa y envía: la IA acorta el tiempo hasta la primera respuesta, no reemplaza al vendedor.

En empresas chicas el problema rara vez es que falten leads; es que el lead bueno espera dos días detrás de diez consultas de estudiantes, proveedores y spam. La clasificación separa eso en segundos, y el borrador hace que responder tome minutos y no media hora [objetivo: se mide en el caso propio].

Aquí hay una decisión de diseño que defendemos: el puntaje que decide la prioridad se calcula con reglas fijas en el servidor (presupuesto declarado, plazo, tipo de servicio, dominio del correo), porque tiene que ser explicable. La IA aporta lo que las reglas no ven: el resumen, la intención real detrás de un mensaje mal escrito y el borrador. Cuando la IA y las reglas no coinciden, el lead se marca para revisión.

Si el canal principal es WhatsApp, la oferta tiene página propia: agente de IA para WhatsApp, con la API oficial de Meta, reglas de derivación y costos por mensaje.

• Entregable: integración entre tus canales de entrada y tu CRM (o una planilla, si aún no tienes CRM), con resumen, clasificación, borrador y aviso al responsable.
• Plazo: [PLAZO EN SEMANAS].
• Costo de operación: [RANGO MENSUAL CLP] para [N LEADS] leads al mes, más las tarifas de Meta si entra WhatsApp.
• KPI: tiempo hasta la primera respuesta (mediana), medido con la hora de llegada y la hora del primer contacto registrado.

Automatizamos la recepción de facturas: tomamos los DTE que llegan al correo de intercambio, validamos que el XML calce con la orden de compra o la guía de despacho, clasificamos cada línea por centro de costo y cargamos el resultado en tu ERP o planilla. Las diferencias quedan marcadas para que una persona las resuelva.

Un dato que cambia el proyecto: en Chile la factura electrónica viaja como XML firmado. Si un proveedor te ofrece «OCR con IA» para leer facturas chilenas, pregunta primero por el XML; el monto, el RUT emisor y cada línea ya vienen estructurados y leerlos no cuesta un solo token. La IA se usa donde hace falta criterio: asignar el centro de costo a una glosa ambigua, detectar que un cobro no corresponde a lo pedido o leer los documentos que sí llegan en PDF (proveedores extranjeros, cotizaciones, contratos).

El plazo legal también importa en el diseño: el receptor tiene ocho días corridos desde la recepción para reclamar el contenido de una factura antes de que se entienda aceptada (Ley 19.983). Un flujo que deja facturas una semana en una bandeja compartida pierde ese margen sin que nadie lo note; el nuestro avisa antes del vencimiento.

• Entregable: lector de la casilla de intercambio, validación contra OC o guía, clasificación por centro de costo, carga al ERP o planilla y bandeja de excepciones con alerta de plazo.
• Plazo: [PLAZO EN SEMANAS], según el ERP y si tiene API.
• Costo de operación: [RANGO MENSUAL CLP]; el grueso es hosting, porque el modelo solo trabaja en las excepciones.
• KPI: horas al mes ahorradas, medidas con el tiempo de digitación y revisión de una muestra antes y después.

La oferta de calificación de leads la estamos aplicando primero en nuestro propio embudo. El formulario de este sitio envía cada contacto a una API propia que lo guarda, avisa por correo a los dos socios y lo muestra en un panel con estados, notas, historial y atribución (página de origen, UTM y referrer). La capa de IA (resumen, clasificación y borrador de respuesta) se suma sobre esa base.

Cuando tengamos cuatro semanas de datos publicaremos el costo mensual real, el tiempo hasta la primera respuesta antes y después, la precisión de la clasificación y lo que no funcionó. Mientras tanto, la arquitectura está descrita en IA en nuestro embudo de leads. [PENDIENTE: métricas del caso]

Tus datos quedan donde tú decidas: en tus servidores, en una nube contratada a tu nombre o, si el dato no puede salir, en un modelo local que corre dentro de tu red. Antes de enviar algo a un proveedor de modelos revisamos qué datos personales viajan y los recortamos al mínimo que la tarea necesita.

La Ley 21.719 de protección de datos personales entra en vigencia el 1 de diciembre de 2026 (hay un proyecto de postergación a 2027 en trámite; ver adecuación a la Ley 21.719) y exige, entre otras cosas, base legal para cada tratamiento, información clara al titular y medidas de seguridad proporcionales. Un asistente que lee correos de clientes o un flujo que procesa facturas trata datos personales: la arquitectura tiene que poder explicar qué se envía, a quién y por cuánto tiempo se guarda.

En la práctica eso significa tres decisiones que se toman en la evaluación, no al final: qué campos se excluyen antes de llamar al modelo (RUT, teléfono, dirección cuando no aportan a la tarea), qué proveedor y qué región se usa con qué condiciones de retención, y cuánto tiempo se guarda el registro de cada llamada. Todo queda escrito en el documento de traspaso.

El proyecto de ley que regula los sistemas de IA sigue en trámite en el Congreso [VERIFICAR estado del boletín en senado.cl antes de publicar]. Sigue un enfoque por niveles de riesgo; los tres procesos que ofrecemos no toman decisiones automatizadas sobre personas sin revisión humana, que es justamente donde el proyecto pone las exigencias más altas.

Un agente de IA es un modelo que, además de responder, decide qué herramienta usar (buscar en el CRM, consultar stock, agendar una reunión) y en qué orden. Es potente y también es donde más se equivocan los proyectos: cada herramienta que le das es una acción que puede ejecutar mal. Por eso nuestros agentes tienen una lista cerrada de herramientas, permisos de solo lectura salvo que la tarea exija escribir, y un registro de cada acción.

n8n, Make o Power Automate sirven para orquestar pasos entre sistemas y los usamos cuando el cliente ya los tiene o quiere mantener el flujo sin programar. Cuando el flujo crece, necesita pruebas o maneja datos sensibles, lo escribimos como código en tu repositorio.

La automatización robótica de procesos (RPA) clásica imita clics sobre pantallas y se rompe cuando la pantalla cambia. La IA no la reemplaza en todo: si un sistema tiene API, usamos la API; si solo tiene pantalla, a veces la automatización robótica de pantallas sigue siendo la opción más barata. Lo decimos en el diagnóstico.