Casi todas las empresas ya usan inteligencia artificial en algo. Muy pocas pueden decir en qué cambió su resultado: en el State of AI 2025 de McKinsey, el 88% de las organizaciones declara usar IA y solo el 39% reporta algún impacto en el EBIT. La brecha no la explica la herramienta. La explica dónde se metió: si la IA entró adentro de un proceso que alguien ejecuta todos los meses, o si quedó como una prueba suelta que nadie volvió a abrir.
Por eso este artículo es un mapa por área. Qué decisiones se pueden apoyar hoy con IA en comercial, marketing, operaciones, finanzas, recursos humanos y riesgos; qué dato necesita cada una; y cuál es el error típico que hace que el proyecto se caiga en cada caso.
Tres reglas que valen para las seis áreas
Antes del recorrido, lo que se repite en todas las implementaciones que funcionan:
- Arrancá por una decisión que se repite. Si el área toma la misma decisión todas las semanas con información incompleta, ahí hay caso. Si es una decisión única y estratégica, la IA aporta poco.
- El dato va primero. Con quince campos bien mantenidos se arranca. Con ochenta campos incompletos se pierde más tiempo del que se gana.
- La persona firma. La IA resume, prioriza, detecta y propone. Quien decide y responde por la decisión sigue siendo alguien del área.
Comercial: priorizar dónde va el tiempo del equipo
El CRM registra lo que pasó y el comercial lo interpreta. Con IA encima, el CRM resume la cuenta, detecta señales dispersas entre mails, reuniones y visitas al sitio, y propone la próxima acción. El vendedor valida.
Lo que se puede implementar hoy: cualificación de leads con criterios explícitos (encaje con el cliente ideal, intención, momento comercial y riesgo), resúmenes de cuenta antes de cada reunión, detección de oportunidades estancadas y borradores de seguimiento.
El error típico: pedir un scoring antes de ordenar el dato. Un modelo que puntúa sobre un CRM con la mitad de los campos vacíos devuelve un número con el que nadie se anima a decidir.
Marketing: producir más y entender qué funciona
Es el área donde la adopción fue más rápida, porque el primer uso es obvio: generar variantes de contenido, adaptar piezas por segmento, redactar en volumen. Eso se resuelve solo y da resultado en semanas.
El uso que mueve el número está un paso más allá: cruzar lo que produjo cada campaña con lo que efectivamente se vendió. Ahí marketing deja de discutir clics y empieza a discutir margen, y necesita el dato comercial del otro lado.
El error típico: medir la producción de contenido como si fuera el resultado. Más piezas publicadas no es más negocio.
Operaciones y logística: anticipar la demanda y ajustar el plan
Es donde el retorno se mide más fácil, porque los KPIs ya existen: nivel de servicio, quiebres de stock, costo por envío, rotación. La previsión de demanda con modelos de machine learning incorpora decenas de variables (precio, promociones, estacionalidad, clima, eventos) contra las tres o cuatro que maneja una planilla.
Se implementa hoy: forecast por SKU y canal, detección de anomalías en consumo, optimización de rutas y cargas, y alertas de desvío contra el plan.
El error típico: mejorar la precisión del forecast sin cambiar el proceso de planificación. Si el número nuevo llega igual de tarde y se sigue discutiendo por mail, la precisión no se convierte en decisión. Ese salto es el que resolvemos con FIRO, y está explicado en detalle en Forecast y S&OP.
Finanzas: explicar el desvío el mismo día
El trabajo del analista financiero es transformar información en algo que la dirección pueda usar: leer resultados, extraer indicadores, entender qué pasó y por qué. La IA acorta la parte de lectura y deja más tiempo para la parte de criterio.
Casos concretos: control presupuestario con detección automática de desviaciones e inconsistencias, construcción de escenarios, lectura de memorias y reportes trimestrales, y armado del cierre mensual con los comentarios ya redactados sobre las variaciones reales.
El error típico: pedirle a la IA el número. El número sale del sistema; lo que la IA aporta es la explicación, el escenario y la velocidad con la que eso llega al comité.
Recursos humanos: decidir sobre personas con trazabilidad
Es el área con más usos disponibles y con el listón ético más alto. A lo largo del ciclo del empleado hay IA aplicable en cada etapa: comparar competencias con evidencias en selección, planes de onboarding personalizados por rol, asistentes que responden dudas del empleado sobre la documentación interna, rutas de formación que se adaptan, detección de brechas de habilidades y análisis de rotación.
La condición es dura y conviene escribirla antes de empezar: el modelo aprende del histórico, y el histórico puede tener sesgo. Cada decisión que toca a una persona tiene que poder explicarse y la firma la pone alguien del equipo.
El error típico: automatizar la criba contando palabras del CV. Eso no mide competencias, mide vocabulario.
Riesgos y cumplimiento: detectar la señal antes del incidente
Gestionar riesgos es un ciclo: identificar señales, valorar impacto, diseñar la respuesta, implementar controles y monitorear. La IA entra fuerte en los dos extremos. En el primero, leyendo volumen (contratos, incidencias, noticias, regulación nueva) para detectar lo que un equipo chico no llega a mirar. En el último, revisando que los controles definidos efectivamente se ejecuten y quede evidencia.
El error típico: pensar que el control lo hace el modelo. El control lo hace el proceso; la IA avisa cuando el proceso no se cumplió.
Dirección: la capa que lee todas las demás
Arriba de las seis áreas hay una séptima capa, que es la que más rápido se nota: poder preguntarle al dato de la compañía en lenguaje natural y recibir la respuesta con el número y el contexto, sin pasar por el analista y sin esperar al lunes. Es lo que desarrollamos en IA en el análisis de datos y lo que comparamos con la alternativa de Microsoft en Chateá con tu BI frente a Copilot.
El mapa en una tabla
| Área | La decisión que hoy llega tarde | Qué dato necesita |
|---|---|---|
| Comercial | Dónde pone el equipo las próximas 20 horas | CRM con etapas, actividad y motivo de pérdida |
| Marketing | Qué campaña se sostiene y cuál se corta | Inversión por canal cruzada con ventas reales |
| Operaciones | Cuánto producir, comprar y mover la semana próxima | Histórico por SKU y canal, promociones, quiebres |
| Finanzas | Por qué se desvió el mes y qué se hace | Presupuesto contra real con apertura por centro |
| Recursos humanos | A quién retener y qué formar | Competencias, desempeño, rotación, encuestas |
| Riesgos | Qué exposición creció desde el último comité | Matriz de riesgos, controles y evidencias |
Por dónde empezar en tu empresa
El criterio que mejor nos funcionó es elegir el primer caso con cuatro preguntas, en este orden:
- ¿La decisión se repite? Todas las semanas o todos los meses, con las mismas personas involucradas.
- ¿El dato ya existe y alguien lo mantiene? Si hay que construir la fuente desde cero, ese es el proyecto anterior.
- ¿Hay una métrica que se mueve? Horas del cierre, nivel de servicio, tasa de conversión, días de cobranza. Con número medido antes de arrancar.
- ¿Quién firma la decisión final? Si nadie del área quiere firmarla, el caso no está maduro.
Un detalle que conviene tener presente: el estudio de campo de Harvard Business School y BCG sobre 758 consultores midió 25% más velocidad con IA en las tareas dentro de su alcance, y a la vez 19% peor desempeño en las tareas que quedaban fuera. La misma herramienta, resultados opuestos según dónde se aplique. Elegir bien el caso es la mitad del resultado.
El siguiente paso
En 3PBI implementamos estos casos sobre el BI que la empresa ya tiene: primero ordenamos la fuente, después ponemos la IA arriba. Si querés ver cómo se traduce a tu industria, mirá los tableros por industria, probá el autodiagnóstico de S&OP o escribinos para revisar juntos cuál es el primer caso de tu operación.
Fuentes: McKinsey, State of AI 2025 · Harvard Business School y BCG, 2026.
