Hay una idea sobre inteligencia artificial que sigue apareciendo en muchas conversaciones de negocio: si la tecnología funciona y el retorno es evidente, la organización terminará usándola.
Yo también pensaba que el camino era más o menos así.
Hasta que en Terra Prime nos encontramos con una situación incómoda: habíamos construido un sistema que funcionaba, resolvía un problema real y tenía sentido económico. Y, aun así, los resultados no llegaban al ritmo que habíamos proyectado.
El problema no estaba en el modelo, los prompts ni la arquitectura. Estaba en algo bastante menos técnico y mucho más humano.
El equipo todavía no había hecho suyo el sistema.
Ahí entendí una diferencia que hoy considero fundamental cuando hablamos de adopción de IA en empresas: implementar una tecnología y conseguir que una organización la incorpore a su forma de trabajar son dos cosas muy distintas.
El problema existía mucho antes de la IA
En Terra Prime teníamos un cuello de botella muy concreto del real estate B2B.
Todos los días llegaban cientos de ofertas de distress deals por WhatsApp. Algunas venían como texto, otras como audio o imágenes. Muchas estaban incompletas. Una misma propiedad podía aparecer varias veces, con precios diferentes e incluso con direcciones distintas.
Y eso ocurría en el canal donde realmente se mueve una parte importante del mercado.
WhatsApp funciona porque es inmediato. Brokers, colegas y propietarios comparten ahí una oportunidad antes de que exista una ficha formal, un PDF o un correo perfectamente armado.
Esa velocidad es su mayor virtud.
También es el problema.
WhatsApp fue diseñado para conversar, no para comparar oportunidades de inversión. No hay campos estructurados, no existe un historial fácil de consultar y la información termina repartida entre cientos de conversaciones.
El costo era muy concreto: horas de trabajo dedicadas a ordenar información, oportunidades que podían perderse y decisiones que tardaban más de lo necesario.
Vista desde afuera, la solución parecía obvia.
Automatizar.
Construimos un sistema que hacía lo que tenía que hacer
Diseñamos un workflow agéntico capaz de capturar los mensajes de WhatsApp, convertir información desordenada en datos estructurados, clasificar oportunidades según su valor real y permitir consultas en lenguaje natural.
Cuando hablo de un flujo agéntico no me refiero simplemente a un chatbot.
Es un sistema que puede ejecutar una secuencia de tareas dentro de reglas determinadas: leer información, interpretarla, identificar qué es relevante, organizarla y dejarla preparada para que una persona tome una decisión.
En nuestra operación, la diferencia era sencilla.
Antes, un analista podía tener que abrir cientos de conversaciones para construir una lista. Con el sistema, recibía esa información ya depurada y podía concentrarse en lo realmente valioso: decidir en qué oportunidades tenía sentido invertir dinero y tiempo.
Técnicamente, funcionaba.
Las demos funcionaban.
El ROI tenía sentido.
Los números cerraban.
Pero la operación todavía no cambiaba.
Durante varias semanas estuvimos arreglando lo que ya funcionaba
Cuando un proyecto tecnológico no produce los resultados esperados, quienes tenemos un perfil técnico solemos mirar primero hacia la tecnología.
Eso hicimos.
Revisamos flujos, ajustamos prompts, afinamos el parsing, trabajamos sobre el scoring.
Había algo tranquilizador en hacerlo: eran problemas que sabíamos resolver.
Solo que no eran el problema.
El verdadero cuello de botella estaba fuera del sistema.
Una señal terminó siendo especialmente reveladora: casi nadie reportaba errores.
A primera vista puede sonar como una buena noticia. En realidad, puede significar exactamente lo contrario.
Si nadie te reporta errores, no necesariamente tienes un sistema impecable. Tal vez nadie está adentro.
Eso era lo que estaba ocurriendo.
La resistencia rara vez dice “no”
Cuando hablamos de adopción de IA en empresas, muchas veces imaginamos la resistencia como un rechazo frontal.
En la práctica suele ser bastante más silenciosa.
Se escucha así:
“Ahorita lo reviso.”
“Mejor mándamelo tú en Excel.”
“Sí, ya lo vi, pero para estar seguro revisé el grupo.”
O no se escucha nada.
Nadie pregunta. Nadie reclama. Nadie parece tener problemas.
Y mientras tanto, la hoja de cálculo sigue abierta y el grupo de WhatsApp continúa revisándose manualmente.
Para mí, ese proceso paralelo se convirtió en una de las señales más honestas de adopción.
Mientras el proceso anterior siga siendo el refugio al que todos regresan, la adopción todavía no ocurrió.
En nuestro caso, el equipo no sentía que aquella IA fuera realmente suya. Para algunos era “algo del equipo técnico”. Para otros, una caja negra. Para otros más, una herramienta que probablemente terminaría utilizando alguien distinto.
No era una reacción irracional.
Detrás había preocupaciones bastante humanas.
Si parte de mi valor profesional consiste en detectar una buena oportunidad antes que los demás, un sistema que empieza a hacerlo automáticamente puede sentirse menos como una ayuda y más como una amenaza.
También había un problema de propiedad. Es difícil apropiarse de una herramienta que llega completamente terminada y que parece pertenecer a otra área.
Y había una tercera barrera todavía más práctica: entender qué hace una solución no significa saber qué hacer con ella un martes a las nueve de la mañana.
Ahí estaba la diferencia.
Dejamos de entrenar modelos y empezamos a trabajar con personas
El punto de inflexión no llegó cuando añadimos más inteligencia artificial.
Llegó cuando dejamos por un momento de obsesionarnos con los datos proyectados y empezamos a trabajar sobre la realidad cotidiana del equipo.
Entrenamos a las personas. Mostramos casos reales, no capacidades abstractas. Resolvimos dudas operativas en lugar de hablar de tecnología. Y dejamos claro dónde terminaba el trabajo de la IA y dónde seguía siendo indispensable el criterio de quien conoce el negocio.
Tres cambios fueron especialmente importantes.
El sistema tenía que dejar de pertenecer al área técnica
Mientras una persona tuviera que pedirle a alguien de tecnología que “le sacara la lista”, la herramienta seguiría siendo ajena.
El acceso directo cambió esa relación.
Dejó de ser un reporte que alguien entregaba y empezó a convertirse en una herramienta de trabajo.
El entrenamiento tenía que empezar por la decisión
Explicar dónde se escribe una consulta sirve de poco si la persona todavía no entiende cómo esa herramienta modifica su jornada.
La sesión útil no era:
“Aquí escribes tu pregunta”.
Era algo mucho más cercano a la operación:
“Así se veía tu lunes antes. Así puede verse ahora. Esta es la pregunta que antes tardabas mucho más en contestar y que ahora puedes resolver en dos minutos”.
Ese cambio parece pequeño. No lo es.
Necesitábamos al usuario ancla correcto
Tampoco era cuestión de buscar a la persona más joven o al mayor entusiasta de la tecnología.
Necesitábamos a alguien con credibilidad operativa.
La persona cuya opinión pesa porque conoce el trabajo, entiende sus fricciones y tiene la confianza del resto del equipo.
Cuando alguien así incorpora una herramienta a su rutina sin hacer un espectáculo alrededor de ella, la conversación interna cambia.
Eso fue ocurriendo.
Bajó la resistencia. Empezaron las preguntas. Apareció la curiosidad y, poco a poco, el uso dejó de sentirse impuesto.
Las cuatro capas que hoy reviso antes de hablar de éxito
Aquella experiencia cambió mi forma de evaluar los proyectos de adopción de IA en empresas.
Hoy los miro en cuatro capas.
| Capa | Pregunta del usuario | Dueño real | Señal de que está resuelta |
|---|---|---|---|
| 1. Técnica | ¿Funciona? | Equipo técnico | El sistema entrega resultados correctos de forma consistente |
| 2. Operativa | ¿En qué momento de mi día vive esto? | Líder de operación | Su uso está incorporado a un momento concreto del flujo de trabajo |
| 3. Confianza | ¿Puedo defender una decisión tomada con esto? | Dirección | El usuario utiliza el sistema para sustentar una decisión frente a su jefe |
| 4. Identidad | ¿Esto me hace más valioso o me reemplaza? | Dirección + RH | El propio equipo pide extenderlo a otras tareas |
La primera capa recibe casi toda la atención porque es la más visible. Podemos probarla, medirla, hacer una demo y marcarla como terminada.
Las otras tres son menos cómodas.
También son las que determinan si la inversión termina convirtiéndose en una capacidad real de la empresa.
Un proyecto puede estar terminado para quien desarrolló la solución y no haber empezado todavía para quien tiene que utilizarla.
Antes del ROI, hay que mirar si alguien está usando la herramienta
Otro aprendizaje fue dejar de mirar demasiado pronto los indicadores financieros.
No porque el ROI no importe. Importa muchísimo.
Pero medirlo cuando la herramienta todavía no forma parte del trabajo cotidiano es intentar evaluar el resultado de algo que apenas está comenzando.
Antes prefiero observar señales como estas:
| Métrica | Qué revela |
|---|---|
| % del equipo que utilizó la herramienta durante la semana sin que se lo pidieran | Adopción real frente a cumplimiento |
| Tiempo hasta el primer valor por usuario | Qué tan difícil es empezar a obtener utilidad |
| Consultas por usuario por semana | Si se convirtió en herramienta de trabajo o sigue siendo una demostración |
| Errores reportados por usuarios operativos | Si hay personas utilizando el sistema con suficiente confianza para cuestionarlo |
| Decisiones documentadas apoyadas en el sistema | Si la herramienta alcanzó la capa de confianza |
| Procesos paralelos que siguen activos | La señal más clara de que el proceso anterior todavía no ha muerto |
Hay una métrica que parece negativa y, en ciertos momentos, me gusta especialmente: los errores reportados.
Prefiero un usuario que me diga “esto está mal” a uno que nunca diga nada.
El primero ya está usando la herramienta.
Un plan de adopción de IA en empresas de 30, 60 y 90 días
Con el tiempo, estas lecciones terminaron convirtiéndose en una forma mucho más práctica de abordar los proyectos.
Días 0–30: aterrizar
- Mapear el flujo de trabajo que realmente existe, no el que aparece en el organigrama.
- Elegir un solo caso de uso que sea frecuente y doloroso.
- Identificar al usuario ancla por su credibilidad operativa.
- Definir por escrito cómo debería verse un buen día utilizando el sistema.
- Aclarar qué tarea desaparece y cuál se vuelve más importante.
Días 30–60: habilitar
- Hacer sesiones breves y frecuentes con datos reales de la empresa.
- Dar acceso directo a cada usuario, sin intermediarios técnicos.
- Crear un canal sencillo para resolver dudas. Hay preguntas que nadie hará frente a su jefe en una junta.
- Documentar entre tres y cinco usos reales en el lenguaje del equipo, no en el del proveedor.
- Empezar a retirar el proceso anterior.
Días 60–90: consolidar
- Revisar primero las métricas de adopción y después el ROI.
- Retirar formalmente el proceso paralelo.
- Extender la solución a un segundo caso de uso que haya sido solicitado por el propio equipo.
- Solo entonces comparar los resultados contra los KPIs proyectados.
No lo veo como una receta universal. Lo veo como una forma de obligarnos a recordar que el trabajo no termina cuando el software está listo.
Los errores que más se repiten
En proyectos de IA aplicada al sector inmobiliario he visto varias decisiones que parecen razonables al principio y terminan frenando el uso.
Una es lanzar con una gran demo en lugar de empezar con una operación concreta. La demo genera interés; la rutina es la que genera adopción.
Otra es enseñar la herramienta sin enseñar la decisión. Una persona puede dominar perfectamente una interfaz y seguir sin encontrarle un lugar en su trabajo.
También está el error de dejar la IA bajo custodia permanente del área técnica. En ese momento deja de sentirse como una capacidad del equipo y empieza a funcionar como un servicio interno.
Medir ROI antes de medir uso genera otro problema: presión prematura sobre un sistema que quizá todavía no ha tenido la oportunidad de integrarse a la operación.
Y hay uno especialmente difícil de resolver: mantener vivo indefinidamente el proceso anterior.
Cuando dos sistemas compiten y uno de ellos es conocido, familiar y aparentemente seguro, sabemos cuál tiene ventaja.
Por último, decir “esto no reemplaza a nadie” sin explicar qué cambia realmente en el trabajo deja un vacío. Y los vacíos de información suelen llenarse con preocupación.
El sistema que finalmente funcionó era el mismo
Después del trabajo de adopción, los tiempos de análisis se redujeron de manera significativa, las ofertas relevantes comenzaron a emerger solas y alcanzamos los KPIs que habíamos proyectado desde el inicio.
La parte que más me interesa de esa historia es que no tuvimos que sustituir el sistema.
La tecnología que dio resultados era la misma tecnología que antes no los daba.
Misma arquitectura. Mismo modelo. Mismo flujo.
Había cambiado la relación de las personas con la herramienta.
Eso me hizo revisar una idea que, desde entonces, intento poner sobre la mesa desde el principio de cualquier conversación sobre inteligencia artificial.
La pregunta que un director debería hacerse antes de comprar otra plataforma
Si estás evaluando automatización inmobiliaria, inteligencia de mercado o cualquier otro proyecto de IA, naturalmente tendrás que decidir qué tecnología utilizar.
Pero hay otra pregunta que merece la misma atención:
¿Qué parte del proyecto está destinada a conseguir que las personas realmente lo incorporen a su trabajo?
Si la respuesta es “ninguna, cuando vean que funciona lo usarán”, ya existe un riesgo importante.
Y probablemente no sea tecnológico.
La adopción de IA en empresas depende de modelos, datos e infraestructura, por supuesto. Pero también de confianza, hábitos, identidad profesional y claridad sobre qué cambia en la jornada de cada persona.
Esa parte no aparece tan bien en una demo.
En la operación, pesa muchísimo.
Hoy el workflow que construimos en Terra Prime representa una ventaja competitiva real. No solo porque sea agéntico, utilice modelos de lenguaje o viva conectado a WhatsApp.
Funciona porque llegó un momento en que dejó de sentirse como “la IA”.
Empezó a sentirse como una parte normal del trabajo.
Y para mí, ahí está la diferencia:
La IA no se implementa. Se adopta.
Preguntas frecuentes sobre adopción de IA en empresas
¿Cuál es la diferencia entre implementar y adoptar IA en una empresa?
Implementar significa conseguir que un sistema funcione y quede validado técnicamente. Adoptar significa que las personas lo utilizan por decisión propia para resolver situaciones y tomar decisiones reales.
La implementación puede terminar con una entrega.
La adopción llega mucho después: cuando el proceso anterior deja de ser necesario y nadie siente la necesidad de volver a él.
¿Cómo saber si un equipo está resistiendo el uso de la IA?
Conviene mirar el comportamiento más que las declaraciones.
Procesos paralelos que siguen activos, ausencia total de errores reportados, uso que solo ocurre cuando está presente el equipo técnico o solicitudes de “más funciones” sin un caso concreto detrás pueden indicar que la herramienta todavía no ha entrado realmente en la operación.
¿Quién debe liderar la adopción: tecnología u operaciones?
La construcción puede ser técnica. La adopción es operativa.
Si para utilizar el sistema alguien necesita pedirle al área de sistemas que genere un reporte, la herramienta seguirá sintiéndose ajena.
El liderazgo visible tiene que estar cerca de las personas que viven el problema todos los días.
¿Cuánto tarda la adopción de IA en un equipo B2B?
Depende principalmente de tres factores: qué tan doloroso es el problema que resuelve, qué tan directo es el acceso de cada usuario y qué tan claro quedó el cambio que produce en su función.
Cuando esas tres piezas están resueltas, la curva puede ser corta. Cuando una falta, el proceso puede prolongarse indefinidamente, aunque la tecnología sea buena.
¿Qué debería medirse antes del ROI?
Uso.
Qué porcentaje del equipo utiliza la solución por iniciativa propia, con qué frecuencia, cuánto tarda cada usuario en obtener su primer resultado útil y cuántos procesos paralelos continúan vivos.
El ROI llegará como consecuencia de esas métricas. No puede sustituirlas.
Cuando quieras evaluar IA, empieza por la operación
Si estás considerando usar IA y datos para tomar mejores decisiones inmobiliarias, pero quieres evitar que el proyecto termine siendo otra demo que nadie incorpora a su trabajo, podemos empezar por ahí.
En una sesión de diagnóstico revisamos contigo la operación real, identificamos dónde existe valor capturable y, con la misma importancia, qué tendría que ocurrir para que tu equipo pueda utilizar la solución con confianza.
Omar Lazos
