AI-first company

Estrategia · Adoptar

Presupueste para las personas y los procesos, no solo para las herramientas

Las licencias son la parte pequeña del costo. Reserve la mayor parte del tiempo y del dinero para la formación, el rediseño del trabajo y el acompañamiento de las personas durante el cambio.

Autor
Última revisión
Correcciones
Avisar de un error
Cuándo Hacer primero. Antes de empezar con la IA, o al empezar.
Esfuerzo Bajo (días, una persona)
Evidencia Emergente

Tres encuestas coinciden en que lo que más frena la IA son las personas y la organización, más que la tecnología. Todas se basan en lo que dicen los encuestados. El reparto 10-20-70 es una regla práctica de una consultora, no un resultado probado.

Para
Sectores Todos los sectores
En la guía Empresas medianas-grandes

Qué es

Cuando planifique un proyecto de IA, calcule el costo de todo el cambio: la formación, el tiempo para que el personal rediseñe su trabajo, la comunicación y las semanas más lentas mientras la gente aprende. No se quede en el precio del software.

Una regla práctica muy conocida viene de la consultora BCG. Dice que el 10 % del esfuerzo de un programa de IA se dedica a los algoritmos, el 20 % a la tecnología y los datos, y el 70 % al cambio en las personas y los procesos. Tome las cifras exactas como una opinión. La dirección que marcan sí tiene respaldo.

Qué muestra la evidencia

  • Las competencias son el mayor obstáculo. En una encuesta a 108 especialistas de los Países Bajos, la falta de personal cualificado frenaba el avance de la IA más que cualquier otra cosa. Los sistemas informáticos y los problemas de datos no tuvieron un efecto directo mayor que el que explicaría el azar.
  • La formación y la consulta van unidas a mejores resultados. Unas encuestas de la OECD en siete países encontraron que a los trabajadores les iba mejor donde la empresa los formaba y los consultaba sobre la IA.
  • Los obstáculos son de organización. En una encuesta a 179 directivos de Polonia, los obstáculos eran sobre todo de organización, no técnicos. Gestionar el cambio era un problema tanto para los directivos con formación como para los que no la tenían.

Cómo hacerlo

  1. Antes de aprobar una herramienta, haga una lista de los costos que no son la herramienta: horas de formación, talleres de rediseño, tiempo para revisar los resultados, soporte.
  2. Ponga una cifra a cada uno, en horas y en dinero.
  3. Cuente con una bajada de la producción mientras la gente aprende.
  4. Financie la formación de las personas que usan la herramienta a diario, no solo la de los especialistas.
  5. Dé tiempo a los responsables para rediseñar el trabajo de su equipo.
  6. Revise el reparto después del primer proyecto y ajuste el siguiente presupuesto.

Qué medir

  • La parte del presupuesto de IA que se gasta en herramientas, y la que se gasta en todo lo demás.
  • Horas de formación por usuario.
  • Cuántas personas la usan: la proporción de los usuarios previstos que usan la herramienta cada semana al cabo de tres meses.

Dónde falla

  • Usar el 70 % como objetivo. El reparto adecuado depende del proyecto. Una función sencilla ya integrada en el software necesita poco trabajo de cambio. Un proceso rediseñado necesita mucho.
  • Formación que no se puede aplicar. Formar a la gente meses antes de que tenga la herramienta es tiempo perdido.
  • Ignorar la tecnología. La calidad de los datos y la integración con los sistemas existentes también son obstáculos reales, sobre todo cuando se extiende el uso más allá de un piloto.

Según el tamaño de la empresa

  • Mediana: usted compra y configura herramientas; no las desarrolla. Por eso casi todo su propio esfuerzo va a las personas y los procesos.
  • Mediana-grande: cuente con que la calidad de los datos y la integración ocupen una parte mayor cuando extienda los pilotos a más áreas.
  • Gran empresa: el trabajo de cambio abarca muchas unidades. Presupuéstelo de forma central, o cada unidad le dedicará menos dinero del necesario.

Casos de empresas

Empresas que lo hicieron

Fuentes

  1. van Veen, Zhu and Ravesteyn (2026). How AI Implementation Barriers Shape AI Maturity? The Interacting Roles of Skilled Employees, Technological Infrastructure and Data Quality. CONF-IRM 2026 Proceedings, 17. Qué hizo y qué encontró este estudio
  2. Lane, Williams and Broecke (2023). The impact of AI on the workplace: Main findings from the OECD AI surveys of employers and workers. OECD Social, Employment and Migration Working Papers, No. 288. Qué hizo y qué encontró este estudio
  3. Wojewodzic (2026). AI Transformation in Polish Organisations: The Gap Between Individual Adoption and Organisational Maturity. e-mentor, 2(114), 75–83. Qué hizo y qué encontró este estudio
  4. BCG (2022). 5 Rules for Fixing AI and Machine Learning for Your Business (the 10-20-70 rule). bcg.com

Afirmaciones sobre este tema, verificadas con estos estudios: