Margen Oculto · mayo 2026
IA, IA, IA. Pero primero, claridad.
Por qué implementar inteligencia artificial sin datos preparados no acelera tu negocio — y el orden correcto para hacerlo bien.
Margen Oculto · 14 min de lectura
Da igual dónde estés. En el gimnasio, en un evento de negocio, en una conversación con directivos. Si no hablas de IA, parece que no le interesas a nadie.
Y lo entiendo. Es una herramienta potente. Transformadora. Real. Hay casos de uso que funcionan y generan impacto medible.
Pero hay una pregunta que casi nadie se hace antes de lanzarse a implementarla.
¿Para qué quieres IA si ni siquiera sabes todo lo que pasa en tu empresa?
No sabes qué clientes te destruyen margen. No sabes por qué bajan las operaciones. No sabes dónde se pierden pedidos. No sabes qué productos realmente compensan.
Pero quieres implementar IA.
Y ahí está el problema.
La IA no crea orden. Lo amplifica.
Querer correr sin saber gatear no es ambición. Es la forma más rápida de caerse.
La IA no entra en tu empresa y reorganiza el caos. Toma lo que hay y lo procesa a gran velocidad con una seguridad aparente que genera mucha confianza. Si lo que hay es bueno, el resultado es bueno. Si lo que hay está mal estructurado, la IA te llevará en la dirección equivocada más rápido que nunca.
Hay otro riesgo que se habla menos: la alucinación es conocida, todos la mencionan. Pero el problema más silencioso es cuando la IA no alucina — cuando simplemente trabaja con datos mal introducidos, costes mal capturados, condiciones comerciales sin registrar, y produce un resultado coherente que nadie cuestiona porque parece sólido.
Y para cuando lo ves reflejado en el cash flow, normalmente ya es tarde.
El orden correcto. Las 6 fases.
No es contra la IA. Es a favor de hacerlo bien. La diferencia entre una empresa que saca partido a la IA y una que tira el dinero en ella no es el presupuesto ni la tecnología elegida. Es el orden en el que hace las cosas.
Aquí están las seis fases. En orden. Sin saltarse ninguna.
Antes de tocar ninguna herramienta, necesitas saber qué datos existen en tu empresa, dónde viven y en qué estado están. Esto no es glamuroso. Es el trabajo que nadie quiere hacer porque no se puede enseñar en una demo.
Un diagnóstico real responde a estas preguntas:
- ¿Qué sistemas generan datos operativos? ERP, CRM, hojas de cálculo, sistemas de almacén.
- ¿Están integrados o cada uno vive en su propio mundo?
- ¿Qué datos están bien capturados y cuáles tienen errores, vacíos o inconsistencias?
- ¿Hay información crítica que solo existe en la cabeza de alguien o en un Excel personal?
- ¿Cuánto tarda tu equipo en generar un análisis básico de rentabilidad?
Si la respuesta a la última pregunta es "días" o "no podemos hacerlo de forma fiable", el diagnóstico ya te ha dado el resultado más importante: tienes un problema de datos antes de tener un problema de IA.
El problema más común en distribución industrial y manufactura no es la falta de datos. Es la abundancia de versiones distintas del mismo dato. Ventas tiene su cifra de margen. Finanzas tiene la suya. Operaciones trabaja con otra. Y cuando hay una reunión, la primera media hora se pierde discutiendo cuál es el número correcto.
Una fuente de verdad es una capa de datos única, validada y accesible, que cruza todas las fuentes relevantes — ventas, compras, operaciones, finanzas — de forma coherente y con definiciones acordadas por todos.
No es un software específico. Es una decisión organizativa: acordar qué se mide, cómo se mide y dónde vive ese dato. Sin esta fase, cualquier análisis posterior — descriptivo, diagnóstico o predictivo — se construye sobre arena.
El error más frecuente: implementar Power BI o cualquier herramienta de visualización antes de tener la fuente de verdad construida. El resultado es un dashboard bonito que muestra datos inconsistentes con mucha precisión.
Con los datos limpios y una fuente de verdad consolidada, el primer nivel de análisis es descriptivo: entender qué está ocurriendo en el negocio en este momento y cómo ha evolucionado.
Aquí es donde empiezan a aparecer los primeros insights reales:
- ¿Qué clientes están comprando menos que hace un año?
- ¿Qué productos tienen margen real positivo y cuáles están por debajo del umbral mínimo?
- ¿Qué canales o rutas generan más coste de servicio por euro facturado?
- ¿Cómo ha evolucionado el mix de clientes en los últimos 12 meses?
El análisis descriptivo no explica por qué pasan las cosas. Solo muestra qué está pasando. Pero ya en esta fase la mayoría de empresas descubren patrones que no habían visto nunca — no porque no existieran, sino porque nadie había cruzado los datos de esa forma.
Es la fase donde el CEO deja de confiar en la intuición y empieza a confiar en los números. Y eso, por sí solo, ya cambia cómo se toman las decisiones.
Saber qué pasa no es suficiente para actuar bien. Necesitas saber por qué pasa. Y esa es una pregunta distinta que requiere un análisis distinto.
El análisis diagnóstico cruza variables para encontrar causas. No correlaciones decorativas — causas accionables que explican el comportamiento observado en la fase anterior.
Algunos ejemplos concretos:
- El margen de un cliente ha caído un 8% en seis meses. ¿Es por descuentos acumulados? ¿Por un cambio en el mix de productos que compra? ¿Por aumento en el coste de servicio?
- Las operaciones bajan pero la facturación se mantiene. ¿Es el efecto IPC o hay clientes estratégicos que están reduciendo volumen?
- Un producto tiene margen bruto positivo pero rentabilidad negativa. ¿Cuál es el coste oculto que lo explica?
Esta fase es la más compleja y la más valiosa. Es donde el análisis deja de ser reporteo y se convierte en inteligencia de negocio real. Y es también el punto donde más empresas se quedan atascadas — porque cruzar variables con rigor requiere tiempo, criterio y metodología que el día a día no deja espacio para desarrollar.
Sin diagnóstico claro de las causas, cualquier decisión es un disparo a ciegas. Con él, las decisiones tienen fundamento y se pueden priorizar por impacto real en el resultado.
Aquí es donde entra la IA con toda su potencia. Pero solo aquí. Solo cuando las fases anteriores están construidas sobre una base sólida.
Los modelos predictivos necesitan datos históricos limpios, variables bien definidas y patrones causales identificados. Si no tienes las fases 1 a 4 resueltas, los modelos predictivos producen proyecciones que suenan bien pero no tienen ningún valor real — porque están construidas sobre datos inconsistentes o sobre correlaciones sin causa explicada.
Con la base correcta, la IA predictiva permite:
- Anticipar qué clientes tienen riesgo de reducir volumen o abandonar en los próximos meses.
- Proyectar el impacto en margen de distintos escenarios de pricing o mix de productos.
- Detectar desviaciones antes de que aparezcan en el P&L.
- Optimizar la cartera de clientes y productos en función de rentabilidad proyectada.
La diferencia entre una predicción útil y una predicción peligrosa es la calidad de los datos que la alimentan. Una predicción basada en datos limpios y causas entendidas es una ventaja competitiva real. Una predicción basada en datos inconsistentes es una forma de tomar decisiones equivocadas con mucha confianza.
La fase más avanzada y también la más exigente en términos de prerequisitos. Un automatismo es un proceso que se ejecuta solo, sin que nadie tenga que tomar la decisión cada vez que ocurre.
Para automatizar correctamente hacen falta dos condiciones que pocas empresas tienen simultáneamente:
- Una fuente de verdad consolidada y fiable — si el dato de entrada es incorrecto, el automatismo ejecuta la acción equivocada a escala.
- Procesos claros, definidos y repetibles — no se puede automatizar lo que cambia cada vez o lo que depende del criterio de una persona en cada caso.
Cuando estas dos condiciones están presentes, los automatismos multiplican la capacidad operativa de forma exponencial: alertas de margen que se disparan solas cuando un cliente cae por debajo del umbral, ajustes de pricing automáticos basados en reglas definidas, reportes que se generan y distribuyen sin intervención manual.
Pero implementar automatismos antes de tener la base correcta es el escenario más peligroso de todos. Un automatismo mal construido sobre datos malos no comete un error puntual — lo comete de forma sistemática, rápida y sin que nadie lo detecte hasta que el daño ya está hecho.
Regla práctica: si no puedes explicar con precisión qué dato dispara el automatismo, qué lógica sigue y qué resultado produce en cada escenario posible, no estás preparado para automatizarlo.
El mapa completo
Puesto en una tabla, el orden correcto se ve así:
| Fase | Pregunta que responde | Sin esto, lo siguiente... |
|---|
| 1. Diagnóstico | ¿Qué datos tengo y en qué estado? | ...se construye sobre arena |
| 2. Fuente de verdad | ¿Cuál es la versión oficial del dato? | ...genera versiones distintas |
| 3. Análisis descriptivo | ¿Qué está pasando? | ...no tiene contexto real |
| 4. Análisis diagnóstico | ¿Por qué está pasando? | ...dispara en la dirección equivocada |
| 5. Predicciones | ¿Qué va a pasar? | ...automatiza errores a escala |
| 6. Automatismos | ¿Cómo actúo sin intervención? | — |
La mayoría de empresas están intentando implementar la fase 5 o la 6 sin tener las tres primeras resueltas. Y eso explica por qué tantos proyectos de IA generan mucho ruido y poco impacto real en el negocio.
La conclusión
La tecnología no sustituye entender el negocio. La IA no va a darte claridad si no la tienes antes de implementarla.
Pero cuando el orden es correcto — cuando los datos están limpios, la fuente de verdad está consolidada, y las causas de los problemas están identificadas — la IA deja de ser una promesa y se convierte en una palanca real.
Primero claridad. Después velocidad.
En ese orden, y no en otro.
Antes de hablar de IA, hazte esta pregunta: ¿en cuánto tiempo puedes saber, con certeza, cuánto margen real te deja cada cliente?
Si la respuesta no es inmediata, el problema no es la IA. Es lo que hay antes.
Margen Oculto
Comentarios
Publicar un comentario