Adopció d'IA a empreses mitjanes i grans: la guia del primer any
La majoria dels plans de transformació digital que he vist a empreses mitjanes i grans no fracassen per la tecnologia. Fracassen en el salt que hi ha entre la diapositiva i el repositori: algú aprova una estratègia d'IA, algú la presenta al comitè, i sis mesos després no hi ha ni una línia de codi en producció.
Els últims mesos, la conversa que més es repeteix entre clients de Conectia no és amb founders de startups: és amb directius d'empreses consolidades —gimnasos, logística, propietat industrial, assegurances— que acaben de decidir que la IA ja no és opcional i descobreixen que decidir-ho era la part fàcil.
Aquesta guia és el que expliquem abans d'intentar vendre res: els números, els terminis i els errors, per aquest ordre.
On som: la bretxa ja no és de convicció, és d'execució
Les dades espanyoles expliquen una història molt concreta. Segons CaixaBank Research, l'adopció d'IA a empreses de més de 10 treballadors s'ha més que duplicat entre el 2021 i el 2025, del 8% al 21%. Però els titulars no expliquen el que compta: 3 de cada 5 grans empreses ja la fan servir, davant del 31% de les mitjanes i el 18% de les petites.
Traducció: si dirigeixes una empresa mitjana, la meitat dels teus competidors grans ja és en producció i dos terços dels competidors de la teva mida encara no hi són. És exactament la finestra en què moure's compensa més — i en què quedar-se quiet no hauria de ser una opció.
I no frenarà. L'estudi de Deloitte sobre l'estat de la IA a les empreses apunta que el 85% de les empreses espanyoles preveu augmentar la inversió en IA l'exercici vinent, i prop d'un terç anticipa pujades de més del 20%.
La pregunta del 2026 ja no és «hauríem d'adoptar IA?». És «qui la construeix, en quant de temps i a quin cost real?».
Les tres vies d'execució (i quan té sentit cadascuna)
Quan una empresa mitjana o gran decideix executar, té tres camins. Tots tres funcionen, però també cal encertar els motius.
1. Construir equip propi
Contractar enginyers d'IA i de dades en nòmina. És la via correcta quan la IA ha de ser una capacitat central i permanent del negoci — no un projecte, sinó un departament.
El problema és el contrarellotge i el cost. Com vaig explicar a la guia de contractació de desenvolupadors sènior a Espanya, un procés de contractació sènior triga dos o tres mesos, i el cost total de nòmina és 1,4-1,5 vegades el brut un cop hi sumes les cotitzacions. Amb perfils d'IA, afegeix-hi un mercat en què competeixes contra bancs, consultores i remot internacional per la mateixa gent.
Res d'això no ho descarta. El que ho descarta és fer-ho primer: muntar el departament abans d'haver posat ni un sol cas d'ús en producció és construir el garatge abans de saber si necessites cotxe.
2. Contractar una consultora gran
La via clàssica de la transformació digital. És la correcta quan el problema és organitzatiu a gran escala: redisseny de processos a vint departaments, gestió del canvi amb milers de treballadors, un programa plurianual amb comitè de direcció.
El que cal tenir clar és què compres: compres el pla, la governança i el paper. L'execució tècnica sol venir després, amb un altre equip, a una altra tarifa, i amb una rotació de perfils que tu no tries. Si el teu problema és «necessito això funcionant en producció aquest trimestre», el cicle d'una consultora gran juga en contra teva.
3. Desplegar un squad tècnic
Un equip d'enginyers sènior externs, integrat a la teva organització, que construeix amb tu des de la primera setmana. És la via correcta quan ja saps què vols (o tens algú intern que ho sap — un CIO, un responsable d'IA, un director de transformació digital) i el que et falta són els braços que ho construeixin.
És el model amb què treballem a Conectia, així que et dono els números amb què pots comparar-nos: enginyers sènior entre 16 i 22 €/h, sènior leads entre 22 i 28 €/h, primer candidat presentat en 72 hores, i un filtre d'entrada que deixa passar el 3% dels qui s'hi presenten. Al cas de MintID pots veure com es concreta això en un projecte real.
La combinació que veiem funcionar millor a empreses mitjanes no és triar una via: és seqüenciar-les. Squad desplegat per arribar a producció el primer trimestre, contractació pròpia en paral·lel per internalitzar el que ja funciona, i un staff augmentation capaç d'absorbir les necessitats de l'empresa.
On moren els projectes d'IA (els sis patrons que es repeteixen)
Després de prou converses amb empreses a mig camí de la seva adopció, els fracassos caben tots en aquesta llista.
1. El purgatori del pilot. La demo va funcionar, l'equip directiu està content, i vuit mesos després el pilot continua sent un pilot. Ningú no va pressupostar el pas a producció: integració amb sistemes legacy, seguretat, monitoratge, suport. Un pilot sense pla de producció no és un avenç — és màrqueting intern.
2. Comprar eina en lloc de resoldre procés. Llicències de copilots i ChatGPT Enterprise per a tota la plantilla, sense redissenyar ni un sol flux de treball. Ja vaig escriure sobre què funciona de debò de ChatGPT a les empreses: les llicències sense procés acaben sense millorar cap mètrica.
3. Ignorar l'estat de les dades. El cas d'ús era viable; les dades que l'alimentaven vivien en quatre sistemes que no es parlen i dos Excels privats que s'actualitzen amb correus entre administratius. La meitat de la feina real d'adopció d'IA és enginyeria de dades, i gairebé ningú no la posa al pressupost inicial.
4. Posar perfils mid-level a prendre decisions d'arquitectura. El mateix error que en qualsevol projecte de software, amplificat: en IA, una mala decisió inicial (model, plataforma, esquema de dades) es paga multiplicada. Les decisions cares necessiten seniority, no hores d'agenda.
5. No definir el ROI abans de començar. Si ningú no va escriure quin número ha de moure's —hores estalviades, tickets resolts, marge per comanda—, el projecte serà «interessant» per sempre i prioritari mai.
6. Deixar la governança per al final. Amb el Reglament europeu d'IA desplegant-se per fases, els casos d'ús que toquen dades personals, decisions sobre persones o sectors regulats necessiten l'anàlisi de risc abans de construir, no com a auditoria posterior. Refer el compliance a posteriori costa el doble que dissenyar-lo des del principi.
El primer any, trimestre a trimestre
El calendari realista per a una empresa mitjana o gran que comença seriosament. No és el més ambiciós — és el que sobreviu al contacte amb la realitat.
Trimestre 1 — Diagnòstic i primera victòria. Inventari de casos d'ús, prioritzats per valor i viabilitat de dades (no per espectacularitat). Triar-ne un — un — amb ROI mesurable i dades accessibles. Posar-lo en producció, encara que sigui en versió mínima. Aquesta victòria primerenca compra la credibilitat interna per a tota la resta.
Trimestre 2 — D'un a tres. Amb el primer cas en producció, escalar-ne dos o tres més reutilitzant el que s'ha après: la infraestructura, els patrons d'integració, el pipeline de dades. Aquí és on l'equip que va construir el primer rendeix el doble en el segon.
Trimestre 3 — Internalitzar. Decidir quines capacitats passen a nòmina i contractar-les sense la pressió de l'arrencada, amb l'squad encara operant. La transició documentada —handover escrit des del primer dia— és la diferència entre internalitzar i tornar a començar.
Trimestre 4 — Governança i mesura. Formalitzar el comitè d'IA, el registre de casos d'ús, la política de dades i el compliment regulatori. I publicar internament els números de l'any: què es va prometre, què s'ha mogut. Els pressupostos de l'any dos es guanyen aquí.
Vuit preguntes per a qualsevol proveïdor d'«AI transformation»
Les mateixes que jo faria a Conectia si fos a l'altra banda de la taula.
- Quants dels vostres projectes d'IA són en producció, no en pilot? Demaneu exemples amb nom.
- Qui escriurà el codi: les persones que em presenteu o un equip que no he vist?
- Quin percentatge de candidats passa el vostre filtre tècnic? Com l'avalueu?
- En quant de temps tinc el primer enginyer treballant al meu repositori?
- Què passa si un perfil no encaixa? Substitució en quant de temps i a quin cost?
- Com documenteu el handover perquè pugui internalitzar l'equip sense tornar a començar?
- Quina part del pressupost va a enginyeria de dades? (Si la resposta és «cap», no ho han fet mai abans.)
- Com tracteu el Reglament europeu d'IA en el disseny? (Si la resposta és una diapositiva, mateixa conclusió.)
FAQ
Necessitem un Chief AI Officer abans de començar?
Necessiteu algú amb mandat — un CIO, un responsable d'IA, un director de transformació digital amb pressupost i autoritat per prioritzar. El títol importa menys que la capacitat de decidir. Si acabeu de nomenar aquesta persona i no té equip, tenim una guia per a aquest escenari exacte: primer CIO o responsable d'IA sense equip propi.
Quant costa un primer projecte seriós d'adopció d'IA?
Un primer cas d'ús en producció amb un squad de dos o tres enginyers sènior durant un trimestre es mou en la banda dels 60.000-120.000 €, segons la integració i l'estat de les dades. Com a referència: el cost anual total d'un sol enginyer sènior d'IA en nòmina supera aquesta xifra — i triga entre tres i sis mesos a començar.
No és més barat esperar que la tecnologia maduri?
La tecnologia continuarà canviant; el que es construeix a poc a poc és la capacitat de la teva organització per absorbir-la. Les empreses que van començar el 2023 no tenen millors models que tu — tenen dos anys de dades endreçades, processos redissenyats i criteri intern. Això és el que no es compra amb llicències, i depèn, més que mai, d'aquells enginyers de software sènior que tothom fa dos anys que intenta jubilar — i que tenen més feina que mai.
A punt per passar de l'estratègia a la producció?
Parla amb un partner tècnic i desplega enginyers validats per CTOs en 72 hores.
