Agosto 2026 · 5 min de lectura
IA aplicada, no IA de moda: 3 casos reales para PYMEs
La inteligencia artificial no es una funcionalidad que se agrega al final. Tres ejemplos concretos de dónde sí resuelve algo — y dónde solo agrega ruido.
"¿Le podemos meter IA?" es, probablemente, la pregunta que más escuchamos en los últimos dos años. Casi siempre la respuesta correcta es otra pregunta: ¿qué tarea repetitiva, hoy, le está costando tiempo humano a tu equipo? Ahí — y solo ahí — la IA tiene algo que aportar.
Estos son tres patrones que hemos visto una y otra vez en empresas peruanas, con la tarea que resuelven y por qué funcionan.
1. Clasificación de currículums
Una empresa que publica una vacante puede recibir cientos de postulaciones. Revisarlas una por una, a mano, significa que los primeros 20 CVs reciben más atención que los últimos 200 — no por mala voluntad del reclutador, sino porque el cansancio es real.
Un modelo de lenguaje puede leer cada CV, extraer años de experiencia, habilidades y encaje con el perfil del puesto, y devolver un ranking ordenado con justificación. No reemplaza la decisión final — la persona sigue eligiendo — pero convierte una tarea de horas en una de minutos, y trata al CV número 200 con el mismo criterio que al número 1.
2. Triage de mensajes de WhatsApp
Un negocio que recibe 100 mensajes diarios por WhatsApp — consultas de precio, reclamos, pedidos, spam — necesita a alguien leyendo cada uno para decidir a dónde va. Un modelo puede clasificar el mensaje entrante (consulta, reclamo, pedido, urgente) y enrutarlo automáticamente al canal o persona correcta, o iniciar la respuesta cuando la pregunta es repetitiva ("¿cuál es el horario?").
El error común aquí es intentar que la IA resuelva todo el mensaje. Funciona mejor cuando su trabajo es más modesto: clasificar y enrutar rápido, dejar que una persona responda lo que de verdad requiere criterio humano.
3. Reportes que hoy se arman a mano en Excel
Muchos reportes semanales siguen el mismo patrón: alguien exporta datos de dos o tres sistemas distintos, los junta en una hoja de cálculo, calcula totales y los formatea para enviarlos por correo. Es trabajo mecánico, no analítico — y ahí es donde la automatización (con o sin IA, según el caso) tiene más sentido: conectar las fuentes de datos directamente a un dashboard que se actualiza solo.
Dónde la IA no ayuda
Si el proceso ocurre pocas veces al mes, si los datos de entrada son inconsistentes o si nadie puede explicar hoy cómo se toma la decisión "a mano", meterle un modelo no resuelve el problema — solo lo hace más difícil de depurar. En esos casos, el primer paso sigue siendo el mismo que en cualquier automatización: entender el proceso real antes de escribir una sola línea de código.