Cómo empezar un proyecto de IA en una empresa: elige una tarea que cueste tiempo o dinero de verdad, reúne una muestra de los datos de los que depende, define qué significa «suficientemente bueno» antes de desarrollar nada y haz un piloto pequeño y con fecha de fin con las personas que hacen hoy esa tarea. Escala solo lo que el piloto demuestre, y revisa la protección de datos y el AI Act europeo desde la primera semana, no en la última.
Última actualización: 21 de octubre de 2026.
Esta guía plantea un primer proyecto de IA paso a paso: elegir el caso de uso, revisar los datos, decidir si comprar, configurar o desarrollar, hacer un piloto, medirlo, cumplir las normas que se aplican en Europa y llevar un piloto con éxito al día a día. Está pensada para fundadores, responsables de operaciones y directivos a quienes piden «hacer algo con IA» y que quieren un plan que acabe en un resultado y no en una demo.
En Odduel, una agencia creativa y tecnológica en Barcelona y São Paulo, nuestro servicio de desarrollo de IA diseña y desarrolla funcionalidades de IA, asistentes y automatizaciones para empresas, y usamos IA en nuestro propio trabajo: los pasos repetitivos, como los primeros borradores y la preparación de datos, están automatizados, y hay personas que revisan lo que sale. El plan que sigue es el que aplicamos con clientes, y sirve sea quien sea quien desarrolle tu proyecto.
En resumen: empieza por una tarea, no por una tecnología. Elige un proceso cuyo coste actual esté claro y cuyos errores se puedan corregir, mira los datos reales, acuerda un criterio de éxito medible y una revisión humana, y pruébalo unas semanas con las personas responsables de la tarea. Compra o configura una herramienta existente cuando encaje; desarrolla solo donde tu proceso o tus datos sean la ventaja. Lleva un registro de qué datos van a dónde, avisa a las personas cuando interactúan con un sistema de IA y forma al equipo que lo usará.
Paso 1: elegir el primer caso de uso
El mejor primer proyecto de IA es acotado, frecuente y medible. Sustituye o acelera una tarea que ya se hace, usa datos que ya tienes y produce resultados que alguien puede comprobar.
- Frecuente: la tarea se repite muchas veces por semana, así que las pequeñas mejoras se suman.
- Costosa hoy: puedes decir aproximadamente cuántas horas o cuánto retraso causa.
- Comprobable: una persona puede saber si el resultado es correcto.
- Recuperable: un error se puede detectar y corregir antes de que llegue a un cliente, o importa poco si llega.
- Con responsable: las personas que hacen hoy la tarea quieren mejorarla.
Primeros proyectos típicos: clasificar y responder consultas habituales, extraer datos de documentos, redactar primeras versiones de textos estándar, resumir material largo para revisión, etiquetar y buscar en el conocimiento interno, y revisar contenidos según normas. Los proyectos que empiezan con «una estrategia de IA para toda la empresa» o «un chatbot que lo sepa todo» suelen atascarse.
La tabla compara puntos de partida habituales según lo rápido que muestran valor y el cuidado que exigen.
| Primer caso de uso | Valor típico | Datos necesarios | Riesgo principal | Revisión humana |
|---|---|---|---|---|
| Clasificar y redactar respuestas a consultas habituales | Respuesta más rápida, menos clasificación manual | Consultas y respuestas anteriores | Respuestas erróneas o demasiado seguras | Una persona aprueba antes de enviar, al principio |
| Extraer datos de documentos | Menos transcripción, menos errores | Documentos de muestra con los valores correctos | Campos mal leídos | Revisiones por muestreo y cola de excepciones |
| Redactar textos estándar | Tiempo ahorrado en primeros borradores | Ejemplos aprobados, normas de estilo | Datos inexactos, tono fuera de marca | Un editor revisa cada texto |
| Buscar en el conocimiento interno | Respuestas más rápidas para el equipo | Documentos actualizados con responsable | Respuestas desfasadas o confidenciales | Fuentes visibles en cada respuesta |
| Revisar contenidos según normas | Revisiones coherentes | Las normas y ejemplos etiquetados | Casos que se escapan | Un revisor gestiona los elementos señalados |
Paso 2: mirar los datos antes que el modelo
Un proyecto de IA es tan bueno como los datos con los que trabaja. Antes de elegir una herramienta, reúne una muestra realista: unos cientos de consultas, un lote de documentos, la base de conocimiento tal como es de verdad.
- ¿Están disponibles? Dónde están, quién es su responsable y si se pueden exportar.
- ¿Son representativos? Deben incluir los casos difíciles, no solo los limpios.
- ¿Están actualizados? Documentos desfasados dan respuestas desfasadas.
- ¿Son personales? Si incluyen datos personales, el RGPD se aplica a cómo se tratan, adónde se envían y cuánto tiempo se guardan.
- ¿Son confidenciales? Decide qué puede enviarse a un servicio de IA externo y con qué condiciones contractuales.
A menudo el primer resultado útil de un proyecto de IA es una fuente de datos más limpia y mejor organizada, que ayuda al negocio incluso antes de usar ningún modelo.
Paso 3: definir el éxito antes de desarrollar
Escribe antes del piloto cómo sabrás que ha funcionado. Sin un criterio acordado de antemano, cada demo parece prometedora y no se toma ninguna decisión.
- Un punto de partida: cuánto tarda hoy la tarea, con qué frecuencia falla y cuánto cuesta.
- Un objetivo: por ejemplo, el porcentaje de consultas bien clasificadas, el tiempo ahorrado por documento o el porcentaje de borradores aceptados con pocos cambios.
- Un conjunto de prueba: ejemplos reales, con las respuestas correctas, reservados para medir el sistema de forma justa.
- Un mínimo de calidad: los tipos de error que no son aceptables en ningún caso, como inventar un precio o una afirmación legal.
- Una revisión humana: quién revisa los resultados, cómo y durante cuánto tiempo.
Paso 4: comprar, configurar o desarrollar
Muchos primeros proyectos no necesitan desarrollo a medida. La decisión depende de lo estándar que sea la tarea y de cuánto pesen tu propio proceso o tus datos.
- Compra una herramienta lista para usar cuando la tarea es común y la herramienta encaja con tus datos, idiomas y requisitos de seguridad.
- Configura un servicio o plataforma de IA general con tus documentos, instrucciones, normas e integraciones cuando la tarea es estándar pero el contenido es tuyo.
- Desarrolla una funcionalidad o un agente a medida cuando la tarea es clave para competir, cuando debe funcionar dentro de tu propio producto o sistemas, o cuando ninguna herramienta cumple tus requisitos.
Si estás decidiendo quién debe desarrollarlo, nuestra comparativa entre una empresa de desarrollo de IA y un freelance explica los pros y contras, y nuestra guía de IA agéntica e IA generativa explica qué tipo de sistema conviene a cada tarea.
Paso 5: hacer un piloto con fecha de fin
Un piloto es una prueba real con usuarios reales a pequeña escala, con una fecha de fin fija y una decisión al final. Unas semanas suelen bastar para saber si un caso de uso acotado funciona.
- Empieza por el conjunto de prueba. Mide el sistema con los ejemplos reservados antes de que nadie lo use.
- Ponlo en manos de quienes hacen la tarea, en las herramientas que ya usan, con una persona aprobando cada resultado al principio.
- Regístralo todo: entradas, resultados, correcciones y tiempo dedicado.
- Revisa cada semana con el responsable de la tarea: qué acierta, qué falla y qué cambiar.
- Decide al final: escalar, ajustar y volver a probar, o parar. Parar un piloto que no cumple su criterio es un buen resultado: ahorra el coste de escalar algo que no funciona.
Paso 6: cumplir las normas desde el principio
En Europa, dos conjuntos de normas importan en la mayoría de los primeros proyectos.
- Protección de datos. Según el RGPD necesitas una base jurídica para tratar datos personales, un registro de qué va a cada servicio, contratos de encargo de tratamiento con los proveedores y, en algunos casos, una evaluación de impacto relativa a la protección de datos. Deja los datos personales fuera del piloto salvo que sean necesarios.
- El AI Act europeo. El Reglamento de IA (AI Act) entró en vigor en agosto de 2024 y sus obligaciones se aplican por fases. Prohíbe ciertas prácticas, fija requisitos estrictos para los sistemas clasificados como de alto riesgo, como algunos usos en selección de personal o crédito, e impone obligaciones de transparencia, por ejemplo avisar a las personas de que interactúan con un sistema de IA. Desde febrero de 2025 también espera que las empresas que usan IA garanticen un nivel suficiente de alfabetización en IA de su personal.
La mayoría de los primeros proyectos, como redacción, búsqueda o extracción de documentos, no son de alto riesgo, pero revisa pronto la clasificación con asesoramiento jurídico, sobre todo en lo que afecte al acceso de las personas al empleo, al crédito o a servicios. Esto es información general, no asesoramiento jurídico.
Paso 7: llevar un piloto con éxito al día a día
Un piloto que cumple su criterio aún necesita trabajo antes de formar parte del negocio.
- Integración con los sistemas que se usan a diario, para que la herramienta no sea una ventana aparte.
- Seguimiento de la calidad a lo largo del tiempo, porque los datos y las peticiones cambian.
- Responsables claros: quién mantiene las instrucciones, las normas, las fuentes de datos y las integraciones.
- Formación y pautas para el equipo, incluido para qué no debe usarse el sistema.
- Un circuito para los errores, para que los usuarios señalen resultados erróneos y alguien corrija la causa.
- Control de costes, porque los servicios de IA de pago por uso cuestan más a medida que crece el uso.
Después elige el siguiente caso de uso, con lo que el primero te enseñó sobre tus datos y tu equipo. Nuestro artículo sobre la IA en el diseño y el desarrollo web muestra cómo funciona cuando las funcionalidades de IA están dentro de una web o una app.
¿Cuáles son los errores más comunes al empezar un proyecto de IA?
- Empezar por la tecnología. Elegir un modelo o una herramienta antes de saber qué tarea debe mejorar.
- Un alcance demasiado amplio. Intentar automatizar todo un departamento de golpe.
- Sin punto de partida. No medir la tarea antes del piloto, de modo que la mejora no se puede demostrar.
- Datos de demo demasiado limpios. Probar solo con ejemplos fáciles y fallar con los reales.
- Sin revisión humana. Dejar que los resultados lleguen a los clientes antes de demostrar la calidad.
- Ignorar a quienes hacen la tarea. Desarrollar sin ellos y descubrir después que la herramienta no encaja con su forma de trabajar.
- Dejar el cumplimiento para el final. Descubrir tarde que los datos no pueden enviarse adonde suponía el diseño.
Preguntas frecuentes
¿Cuál es un buen primer proyecto de IA para una empresa?
Un buen primer proyecto de IA es una tarea frecuente que hoy cuesta tiempo real, usa datos que ya tienes, produce resultados que una persona puede comprobar y cuyos errores se pueden detectar antes de que importen. Clasificar y redactar respuestas a consultas habituales, extraer datos de documentos y buscar en el conocimiento interno son puntos de partida sensatos.
¿Cuánto debe durar un piloto de IA?
Para un caso de uso acotado, un piloto de unas semanas suele bastar para saber si funciona, siempre que los datos, el criterio de éxito y los usuarios estén listos desde el primer día. Fija de antemano una fecha de fin y un momento de decisión. Los pilotos más largos suelen perder el rumbo porque nadie ha definido qué resultado justificaría escalar o parar.
¿Necesitamos desarrollar nuestro propio modelo de IA?
Rara vez en un primer proyecto. La mayoría de las empresas obtienen resultados comprando una herramienta lista para usar o configurando un servicio de IA general con sus documentos, normas e integraciones. El desarrollo a medida tiene sentido cuando la tarea es clave para competir, debe funcionar dentro de tu producto o sistemas, o tiene requisitos que ninguna herramienta cubre.
¿Se aplica el AI Act europeo a nuestro primer proyecto?
El AI Act se aplica a las empresas que desarrollan o usan sistemas de IA en la UE, pero la mayoría de las obligaciones dependen del nivel de riesgo del sistema. Los primeros proyectos típicos, como redacción, búsqueda o extracción de documentos, no son de alto riesgo, aunque se aplican las obligaciones de transparencia y de formación del personal. Revisa pronto la clasificación.
¿Cómo medimos si un proyecto de IA funciona?
Mide la tarea antes del piloto: cuánto tarda, con qué frecuencia falla y cuánto cuesta. Acuerda un objetivo y guarda un conjunto de ejemplos reales con las respuestas correctas para probar. Durante el piloto, registra resultados y correcciones, y compara tiempo, precisión y aceptación de los usuarios con el punto de partida antes de decidir escalar.
Empieza con una tarea, datos reales y un criterio acordado de antemano, y deja que un piloto corto decida lo siguiente. Descubre cómo nuestro servicio de desarrollo de IA planifica y desarrolla proyectos de IA, o cuéntanos tu proyecto y te ayudaremos a elegir el primer caso de uso.
