Adopción de IA en empresas medianas y grandes: la guía del primer año
La mayoría de los planes de transformación digital que he visto en empresas medianas y grandes no fracasan por la tecnología. Fracasan en el salto que hay entre la diapositiva y el repositorio: alguien aprueba una estrategia de IA, alguien la presenta al comité, y seis meses después no hay una sola línea de código en producción.
En los últimos meses, la conversación que más se repite entre clientes de Conectia no es con founders de startups: es con directivos de empresas consolidadas —gimnasios, logística, propiedad industrial, seguros— que acaban de decidir que la IA ya no es opcional y descubren que decidirlo era la parte fácil.
Esta guía es lo que contamos antes de intentar vender nada: los números, los plazos y los errores, en ese orden.
El punto en el que estamos: la brecha ya no es de convicción, es de ejecución
Los datos españoles cuentan una historia muy concreta. Según CaixaBank Research, la adopción de IA en empresas de más de 10 empleados se ha más que duplicado entre 2021 y 2025, del 8% al 21%. Pero en los títulos no se explica lo importante: 3 de cada 5 grandes empresas ya la usan, frente al 31% de las medianas y el 18% de las pequeñas.
Traducción: si diriges una empresa mediana, la mitad de tus competidores grandes ya está en producción y dos tercios de tus competidores de tamaño similar todavía no. Es exactamente la ventana en la que moverse compensa más — y en la que quedarse quieto no debería ser una opción.
Y no va a frenar. El estudio de Deloitte sobre el estado de la IA en las empresas apunta que el 85% de las empresas españolas prevé aumentar su inversión en IA el próximo ejercicio, y cerca de un tercio anticipa subidas de más del 20%.
La pregunta de 2026 ya no es «¿deberíamos adoptar IA?». Es «¿quién la construye, en cuánto tiempo y a qué coste real?».
Las tres vías de ejecución (y cuándo tiene sentido cada una)
Cuando una empresa mediana o grande decide ejecutar, tiene tres caminos. Los tres funcionan, pero hay que acertar en los motivos también.
1. Construir equipo propio
Contratar ingenieros de IA y datos en nómina. Es la vía correcta cuando la IA va a ser una capacidad central y permanente del negocio — no un proyecto, sino un departamento.
El problema es la contrarreloj y el coste. Como conté en la guía de contratación de desarrolladores senior en España, un proceso de contratación senior tarda dos o tres meses, y el coste total de nómina es 1,4-1,5 veces el bruto una vez sumas cotizaciones. Con perfiles de IA, añade un mercado en el que compites contra bancos, consultoras y remoto internacional por la misma gente.
Nada de eso lo descarta. Lo que lo descarta es hacerlo primero: montar el departamento antes de haber puesto un solo caso de uso en producción es construir el garaje antes de saber si necesitas coche.
2. Contratar una consultora grande
La vía clásica de la transformación digital. Es la correcta cuando el problema es organizativo a gran escala: rediseño de procesos en veinte departamentos, gestión del cambio con miles de empleados, un programa plurianual con comité de dirección.
Lo que hay que tener claro es qué compras: compras el plan, la gobernanza y el papel. La ejecución técnica suele venir después, con otro equipo, a otra tarifa, y con una rotación de perfiles que tú no eliges. Si tu problema es «necesito esto funcionando en producción este trimestre», el ciclo de una consultora grande juega en tu contra.
3. Desplegar un squad técnico
Un equipo de ingenieros senior externos, integrado en tu organización, que construye contigo desde la primera semana. Es la vía correcta cuando ya sabes qué quieres (o tienes a alguien interno que lo sabe — un CIO, un responsable de IA, un director de transformación digital) y lo que te falta son los brazos que lo construyan.
Es el modelo en el que trabajamos en Conectia, así que te doy los números con los que puedes compararnos: ingenieros senior entre 16 y 22 €/h, senior leads entre 22 y 28 €/h, primer candidato presentado en 72 horas, y un filtro de entrada que deja pasar al 3% de quienes se presentan. En el caso de MintID puedes ver cómo se concreta eso en un proyecto real.
La combinación que mejor vemos funcionar en empresas medianas no es elegir una vía: es secuenciarlas. Squad desplegado para llegar a producción en el primer trimestre, y contratación propia en paralelo para internalizar lo que ya funciona, y un staff augmentation capaz de absorber las necesidades de la empresa.
Dónde mueren los proyectos de IA (los seis patrones que se repiten)
Después de suficientes conversaciones con empresas a medio camino de su adopción, los fracasos caben todos en este listado.
1. El purgatorio del piloto. La demo funcionó, el equipo directivo está contento, y ocho meses después el piloto sigue siendo un piloto. Nadie presupuestó el paso a producción: integración con sistemas legacy, seguridad, monitorización, soporte. Un piloto sin plan de producción no es un avance — es marketing interno.
2. Comprar herramienta en lugar de resolver proceso. Licencias de copilots y ChatGPT Enterprise para toda la plantilla, sin rediseñar ni un solo flujo de trabajo. Ya escribí sobre qué funciona de verdad de ChatGPT en empresas: las licencias sin proceso acaban apagándose sin ruido.
3. Ignorar el estado de los datos. El caso de uso era viable; los datos que lo alimentaban vivían en cuatro sistemas que no se hablan y dos Excels privados que se actualizan con mails entre administrativos. La mitad del trabajo real de adopción de IA es ingeniería de datos, y casi nadie la pone en el presupuesto inicial.
4. Poner perfiles mid-level a tomar decisiones de arquitectura. El mismo error que en cualquier proyecto de software, amplificado: en IA, una mala decisión temprana (modelo, plataforma, esquema de datos) se paga amplificado. Las decisiones caras necesitan seniority, no horas de agenda.
5. No definir el ROI antes de empezar. Si nadie escribió qué número tiene que moverse —horas ahorradas, tickets resueltos, margen por pedido—, el proyecto será «interesante» para siempre y prioritario nunca.
6. Dejar la gobernanza para el final. Con el Reglamento europeo de IA desplegándose por fases, los casos de uso que tocan datos personales, decisiones sobre personas o sectores regulados necesitan el análisis de riesgo antes de construir, no como auditoría posterior. Retrofitear compliance cuesta el doble que diseñarlo.
El primer año, trimestre a trimestre
El calendario realista para una empresa mediana o grande que empieza en serio. No es el más ambicioso — es el que sobrevive al contacto con la realidad.
Trimestre 1 — Diagnóstico y primera victoria. Inventario de casos de uso, priorizados por valor y viabilidad de datos (no por espectacularidad). Elegir uno — uno — con ROI medible y datos accesibles. Ponerlo en producción, aunque sea en versión mínima. Esta victoria temprana compra la credibilidad interna para todo lo demás.
Trimestre 2 — De uno a tres. Con el primer caso en producción, escalar a dos o tres más reutilizando lo aprendido: la infraestructura, los patrones de integración, el pipeline de datos. Aquí es donde el equipo que construyó el primero rinde el doble en el segundo.
Trimestre 3 — Internalizar. Decidir qué capacidades pasan a nómina y contratarlas sin la presión del arranque, con el squad todavía operando. La transición documentada —handover escrito desde el primer día— es la diferencia entre internalizar y volver a empezar.
Trimestre 4 — Gobernanza y medida. Formalizar el comité de IA, el registro de casos de uso, la política de datos y el cumplimiento regulatorio. Y publicar internamente los números del año: qué se prometió, qué se movió. Los presupuestos del año dos se ganan aquí.
Ocho preguntas para cualquier proveedor de «AI transformation»
Las mismas que le haría yo a Conectia si estuviera al otro lado de la mesa.
- ¿Cuántos de vuestros proyectos de IA están en producción, no en piloto? Pedid ejemplos con nombre.
- ¿Quién va a escribir el código: las personas que me presentáis o un equipo que no he visto?
- ¿Qué porcentaje de candidatos pasa vuestro filtro técnico? ¿Cómo lo evaluáis?
- ¿En cuánto tiempo tengo al primer ingeniero trabajando en mi repositorio?
- ¿Qué pasa si un perfil no encaja? ¿Sustitución en cuánto tiempo y a qué coste?
- ¿Cómo documentáis el handover para que pueda internalizar el equipo sin volver a empezar?
- ¿Qué parte del presupuesto va a ingeniería de datos? (Si la respuesta es «ninguna», no han hecho esto antes.)
- ¿Cómo tratáis el Reglamento europeo de IA en el diseño? (Si la respuesta es una diapositiva, ídem.)
FAQ
¿Necesitamos un Chief AI Officer antes de empezar?
Necesitáis a alguien con mandato — un CIO, un responsable de IA, un director de transformación digital con presupuesto y autoridad para priorizar. El título importa menos que la capacidad de decidir. Si acabáis de nombrar a esa persona y no tiene equipo, tenemos una guía específica para ese escenario: primer CIO o responsable de IA sin equipo propio.
¿Cuánto cuesta un primer proyecto serio de adopción de IA?
Un primer caso de uso en producción con un squad de dos o tres ingenieros senior durante un trimestre se mueve en el rango de los 60.000-120.000 €, según integración y estado de los datos. Como referencia: el coste anual total de un solo ingeniero senior de IA en nómina supera esa cifra — y tarda entre tres y seis meses en empezar.
¿No es más barato esperar a que la tecnología madure?
La tecnología va a seguir cambiando; la capacidad de tu organización para absorberla es lo que se construye despacio. Las empresas que empezaron en 2023 no tienen mejores modelos que tú — tienen dos años de datos ordenados, procesos rediseñados y criterio interno. Eso es lo que no se compra con licencias y que necesita, más que nunca, de esos ingenieros de software senior a los que todo el mundo lleva 2 años intentando jubilar, pero que tienen más trabajo que nunca.
¿Listo para pasar de la estrategia a producción?
Habla con un partner técnico y despliega ingenieros validados por CTOs en 72 horas.
