
Automatización con IA: usar la menor IA posible
¿Qué es la automatización con IA? Ventajas, ejemplos, tareas que conviene automatizar y pasos clave, con la menor cantidad de IA posible en producción.
¿Quieres automatizar tareas repetitivas con inteligencia artificial? En la automatización con IA, la verdadera pregunta no es solo qué puede hacer la IA, sino qué debe hacer realmente.
Porque sí, hoy la IA permite diseñar automatizaciones más rápido. Pero en producción, la mejor estrategia suele ser la más sencilla:
Usar la IA solo cuando no existe una solución fiable sin ella.
Este artículo responde a una pregunta muy concreta: ¿cómo automatizar procesos con IA sin volver el sistema más frágil, más caro y más complicado de mantener?
Si solo hay que quedarse con una idea...
Si una tarea se puede fijar, regular y probar, es mejor automatizarla de forma clásica.
Si una tarea exige entender un contexto, reformular, personalizar o estructurar información difusa, entonces la IA resulta pertinente.
Dicho de otro modo:
- el código clásico gestiona lo previsible;
- la IA gestiona lo imprevisible;
- la persona mantiene el control allí donde un error sale caro.
La verdadera trampa: querer poner IA en todas partes
Desde la llegada de ChatGPT y de los demás asistentes de IA, en muchas empresas se ha instalado un reflejo:
«Con la IA, esto tiene que poder automatizarse.»
El reflejo es comprensible. Las demostraciones impresionan, los usos se multiplican y las ventajas de la inteligencia artificial para la automatización en la empresa saltan a la vista.
Pero hay un sesgo frecuente: se parte de la solución de IA antes de haber delimitado el problema de negocio.
La buena pregunta no es, por tanto:
«¿Cómo metemos IA en este proceso?»
La buena pregunta es:
«¿Qué parte de este proceso necesita realmente IA?»
Y a menudo la respuesta es: solo una pequeña parte.
Sí, la IA cambia las reglas del juego... sobre todo para construir más rápido
Decir que hay que usar la menor IA posible en producción no significa minimizar su impacto.
Al contrario: la IA ya ha transformado la manera de desarrollar automatizaciones. En un experimento controlado publicado en 2023 por Sida Peng y sus coautores, unos desarrolladores asistidos por GitHub Copilot programaron un servidor HTTP un 55,8 % más rápido que los del grupo de control.
Donde antes había que:
- programarlo todo a mano;
- o ensamblar escenarios no-code, a veces frágiles, en Make, n8n o Zapier;
- o renunciar porque el proyecto parecía demasiado costoso;
ahora es posible construir más rápido sistemas:
- robustos;
- mantenibles;
- más baratos de usar;
- y, por tanto, rentables en casos que antes no lo eran.
En resumen, la IA es formidable como acelerador del diseño.
Es mucho menos interesante cuando se le delegan, en cada ejecución, operaciones que podrían resolverse de forma determinista.
Automatización clásica o con IA: dos tipos que conviene distinguir
Para decidir bien, hay que separar dos lógicas.
1. La automatización determinista (con scripts / workflows)
Una entrada da siempre la misma salida.
Es el mundo de las reglas, las plantillas, los cálculos, los mapeos, los scripts y los workflows bien delimitados.
En la práctica, es lo que conviene priorizar siempre que se pueda, por tres razones:
- Fiabilidad: el comportamiento es previsible.
- Sobriedad: el coste de ejecución sigue siendo bajo, mientras que una llamada a un modelo consume energía en cada ejecución. Google estima así una consulta de texto mediana a Gemini en 0,24 Wh: poco por unidad, pero repetido para cada documento procesado.
- Rapidez: se evitan verificaciones inútiles.
2. La automatización probabilística (con IA)
Incluso con la misma instrucción, el resultado puede variar ligeramente. En Thinking Machines, Horace He obtuvo 80 respuestas diferentes a 1.000 consultas idénticas enviadas al modelo Qwen3-235B, configurado sin embargo a temperatura cero. Eso no quiere decir que sea malo. Quiere decir que este enfoque debe usarse allí donde la variabilidad es útil, no donde se convierte en un riesgo.
En general, la IA es pertinente cuando hay que:
- comprender un contexto rico;
- analizar documentos variados (PDF, escaneos, archivos adjuntos, etc.) para encontrar una información presente bajo formas distintas;
- sintetizar contenidos no estructurados;
- redactar un texto personalizado;
- clasificar o reformular información ambigua;
- transformar datos brutos en una estructura aprovechable.
La regla práctica
Cuando una tarea es repetitiva, estable y está claramente definida, lo razonable es intentarlo primero sin IA.
Cuando una tarea depende del contexto, del lenguaje, de los matices o de datos mal estructurados, la IA puede aportar un valor real.
La IA no está para sustituir las reglas. Está para tratar lo que las reglas por sí solas no consiguen captar bien.
Un ejemplo concreto: automatizar pedidos de compra
Tomemos un caso muy fácil de entender: la generación de pedidos de compra.
Se parte de una plantilla de Word para el documento final y de unos datos que hay que insertar en ella. En algunos casos, esos datos ya están en un Excel. En otros, están dispersos en correos electrónicos, actas de reuniones o distintos archivos.
Caso 1: cuando la entrada no está limpia
Antes incluso de generar el documento, a veces hay que fabricar la entrada.
Puede que la información esté repartida en:
- un intercambio comercial por correo electrónico;
- una reunión de definición del proyecto;
- notas tomadas sobre la marcha;
- un PDF enviado por el cliente.
En esta fase, la IA es muy útil.
Puede leer esas fuentes, extraer la información correcta y producir después un Excel borrador o una estructura equivalente. Esa salida la valida a continuación una persona antes de poner en marcha el resto del proceso.
Dicho de otro modo, aquí la IA sirve para poner orden en lo difuso.
Caso 2: todo lo que se puede fijar debe fijarse
Una vez validados los datos, la lógica cambia.
Campos como:
{{NUMERO_CLIENTE}}{{FECHA_PEDIDO}}{{NUM_ARTICULOS}}{{IMPORTE_TOTAL}}
no requieren ninguna inteligencia artificial.
Un script puede rellenar el documento de forma fiable, instantánea y reproducible. Es precisamente ahí donde hay que evitar recurrir a un modelo.
Y no se trata solo de campos sencillos. También se pueden gestionar de forma determinista bloques de texto enteros.
Por ejemplo:
- si el cliente está en Francia, se mantiene la cláusula jurídica A;
- si el cliente está fuera de la UE, se inserta la cláusula de exportación B;
- si el importe supera cierto umbral, se añade el párrafo de validación interna;
- si el producto es una suscripción, se conservan las condiciones de renovación;
- si no, se mantiene una versión más sencilla del documento.
Dicho de otro modo, incluso la elección de un párrafo, de una cláusula o de una sección completa puede gobernarse a menudo con reglas de negocio muy claras, sin nada de IA.
Caso 3: donde la IA resulta realmente útil
Imaginemos ahora que tus comerciales pierden tiempo redactando a mano una breve introducción personalizada para cada cliente.
La necesidad no es rellenar un campo, sino producir un texto como:
«Estimado/a [Nombre del cliente]: nos alegra acompañarle desde [Fecha del primer pedido]. Su fidelidad nos importa especialmente, y esperamos que este nuevo lote de [Tipo de productos] responda a sus expectativas para [Proyecto en curso].»
Aquí hay que tener en cuenta el tono adecuado, el historial de la relación, el tipo de productos, el contexto comercial y el proyecto en curso del cliente. E integrar información en el cuerpo del texto.
En este caso, la IA puede preparar un primer borrador a partir de un contexto bien estructurado.
El usuario lo relee, lo corrige, le da su toque personal y lo valida.
Resumen del workflow
Loading diagram…
El esquema resume el recorrido de un documento: las fuentes brutas (correos, audio de reuniones, PDF) pasan por una extracción con IA que produce un archivo estructurado, que una persona valida antes de cualquier producción. Después el proceso se divide en dos ramas, la automatización determinista para lo que está regulado de antemano y la IA contextual solo para los pasajes que requieren criterio, antes del ensamblaje del documento Word.
¿Por qué no dárselo todo a tu IA favorita?
Sobre el papel, la promesa es atractiva: «le doy la plantilla y los datos, y la IA genera todo el documento.»
Pero un modelo generativo tiende a modificar también lo que no debería tocar: la maquetación, números, algunas etiquetas o formulaciones sensibles. Bastan unos pocos errores pequeños para anular el ahorro de tiempo.
Y, sobre todo, un prompt que funciona hoy puede comportarse de otra manera mañana. Lingjiao Chen, Matei Zaharia y James Zou midieron que GPT-4 identificaba los números primos con un 84 % de precisión en marzo de 2023, y con un 51 % en junio, de una versión a otra del mismo modelo. Una buena automatización rara vez descansa, por tanto, en un único prompt enorme, sino en una arquitectura clara, con un lugar preciso reservado a la IA.
La primera pregunta no es técnica: es el ROI
Antes de hablar de herramienta, workflow o prompt, hay que medir el tiempo realmente perdido por el equipo. Sin una estimación seria de las horas de trabajo dedicadas, es difícil saber si la automatización merece la pena.
Estas son las preguntas que conviene plantearse:
- ¿Cuántas horas dedica el equipo a esta tarea?
- ¿Con qué frecuencia se repite?
- ¿Cuál es el coste completo de la automatización?
- ¿Cuál será el coste de mantenimiento dentro de 6, 12 y 24 meses?
- ¿El coste de un error es bajo o alto?
Algunas referencias sencillas:
- Si el proyecto se externaliza, aspirar al menos a ×2 es un mínimo razonable.
- Si se hace internamente, es mejor aspirar al menos a ×4, porque la ganancia suele ser menos directa y más difusa.
- En todos los casos, el mantenimiento debe entrar en el cálculo. Suele ser la parte más subestimada: ya en 2015, el artículo «Hidden Technical Debt in Machine Learning Systems» señalaba costes de mantenimiento masivos en los sistemas de machine learning reales.
Si se pasa por alto este punto, se corre el riesgo de financiar una bonita demo en lugar de una ganancia real y duradera.
Lo que hay que retener
La automatización con IA no es una cuestión de cantidad de IA.
Es una cuestión de ubicación.
Cuanto mejor se consiga:
- fijar lo que se puede fijar;
- reservar la IA para lo que es realmente contextual;
- y mantener un control humano focalizado;
más posibilidades tendrá la automatización de seguir siendo útil a largo plazo.
La relación con ATG
En Ask This Guy, es exactamente el enfoque que defendemos con ATG: usar agentes y herramientas para conectar la IA de forma inteligente a tus datos y tus sistemas, sin convertir todo tu proceso en una caja negra probabilística.
Para ir más allá:
- Agentes de IA en la empresa: casos de uso y costes reales
- Personalizar ATG (en inglés)
- Crear herramientas a medida (en inglés)
- Tratar a medida tus datos y procesos (en inglés)
- Configurar agentes (en inglés)
- Conectar herramientas y MCP (en inglés)
Reservar una demo para identificar, en tus procesos, lo que debe seguir siendo determinista y lo que merece realmente la IA.


