Casi todo el mundo que ha probado la IA generativa reconoce lo mismo: escribe más rápido, resume reuniones, redacta correos y ayuda a programar. Y, sin embargo, cuando se mira la cuenta de resultados, el efecto cuesta de ver. Esa distancia entre la productividad personal y el beneficio de la empresa tiene una explicación bastante práctica: la mayoría de las decisiones que mueven el margen de un negocio no se toman con texto, sino con datos estructurados —las tablas de clientes, pedidos, albaranes, stock y cobros que viven dentro del ERP.
En un artículo reciente, SAP News Center («The Gap That No LLM Can Close», news.sap.com) planteaba exactamente este problema citando un estudio de McKinsey: alrededor del 80 % de los usuarios de IA dice ganar productividad personal, pero solo un 6 % de las empresas afirma que la IA haya aumentado de forma significativa su beneficio operativo
Por qué los LLM flojean con los datos estructurados
Un modelo de lenguaje está entrenado para predecir texto. Es brillante explicando, redactando y conversando, y con técnicas como RAG puede consultar la documentación interna de una empresa. Pero una tabla no es un texto: es un sistema de relaciones. El valor de una fila depende de la columna de al lado, del periodo, del cliente al que pertenece y de otras cinco tablas que la acompañan.
La fuente citada apunta a que distintos análisis independientes muestran un rendimiento sensiblemente menor de los LLM en tareas de razonamiento sobre tablas que en tareas de lenguaje
Lenguaje y predicción son dos herramientas distintas
La conclusión útil no es "los LLM no sirven". Es que resuelven un problema diferente. El lenguaje natural es la interfaz; la predicción sobre datos estructurados es el motor. Las empresas que están sacando rendimiento real combinan ambas cosas: el modelo de lenguaje para interactuar, explicar y redactar; los modelos analíticos para anticipar lo que va a pasar con los cobros, el stock o la demanda.
El movimiento del mercado: modelos pensados para tablas
Hay una tendencia clara en 2025-2026: junto a los modelos de lenguaje están apareciendo modelos fundacionales tabulares, entrenados específicamente para encontrar patrones en datos estructurados, y también modelos entrenados sobre series temporales. La promesa es interesante para cualquier dirección financiera: en lugar de desarrollar, entrenar y mantener un modelo distinto para cada pregunta (uno para previsión de demanda, otro para riesgo de impago, otro para priorizar oportunidades comerciales), se parte de un modelo general aplicable a varias preguntas de negocio.
SAP, por ejemplo, ha comunicado movimientos en esta línea con la adquisición de Prior Labs y su familia de modelos tabulares
Qué significa esto si tu empresa trabaja con Business Central
Aquí está la parte accionable. Si tu ERP es Microsoft Dynamics 365 Business Central —o estás migrando desde Navision—, ya tienes el activo que estos modelos necesitan: años de operación registrada en un único sistema, con relaciones bien definidas entre clientes, artículos, pedidos, almacenes y asientos contables.
Algunos ejemplos de preguntas que se responden con datos estructurados y no con texto:
- Riesgo de impago. Qué clientes tienen más probabilidad de pagar fuera de plazo, cruzando historial de cobros, patrón de pedidos y comportamiento de entregas.
- Previsión de demanda y stock. Qué referencias hay que reponer y en qué almacén, en una distribuidora con varios centros.
- Rotación y obsolescencia. Qué inventario se está quedando parado antes de que lo diga el inventario anual.
- Ocupación y tarifas. En hostelería, anticipar huecos de ocupación por tipo de habitación y canal.
- Mantenimiento de flota. Detectar vehículos con coste por kilómetro anómalo antes de la avería grande.
En Tisa hemos trabajado estos escenarios en sectores como retail, distribución, construcción, industria alimentaria, centros deportivos y gestión de flotas (puedes ver un resumen en grupotisa.com/casos-de-exito). El patrón se repite: el cuello de botella rara vez es el algoritmo; es la calidad y la trazabilidad del dato.
Antes de invertir en IA predictiva: cuatro comprobaciones
- ¿Tienes histórico suficiente y fiable? Un modelo que predice impagos necesita años de cobros registrados con fechas reales, no "fecha de factura" usada como aproximación de todo.
- ¿Están los datos en un solo sitio? Si ventas vive en una hoja de cálculo, almacén en otra aplicación y la contabilidad en el ERP, el primer proyecto no es de IA: es de consolidación. Aquí es donde un ERP bien implantado paga solo.
- ¿Hay gobernanza? Quién puede ver qué, con qué calidad y bajo qué normativa. Sin esto, la IA se convierte en un riesgo en vez de una ventaja.
- ¿El caso de uso es medible? "Reducir en X días el periodo medio de cobro" es un objetivo. "Hacer IA" no lo es.
Cómo lo aterrizamos en Tisa
Nuestro enfoque es poco espectacular y bastante eficaz: primero ordenamos la base —implantación o evolución de Business Central, consolidación de fuentes, cuadros de mando en Power BI—, y después elegimos un caso de uso con impacto económico claro y lo llevamos a producción. Nuestra línea de IA y datos incluye precisamente eso: identificar los conjuntos de datos relevantes, definir protocolos de gobernanza, evaluar herramientas según la capacidad de inversión y desarrollar un caso de uso adaptado al negocio, con formación para el equipo.
La primera ola de la IA generativa ha hecho a las personas más productivas. La siguiente, la que de verdad mueve la cuenta de resultados, consiste en anticipar: ver antes el impago, la rotura de stock o la caída de margen. Y eso se juega en los datos estructurados de tu ERP.
¿Hablamos de tu caso?
Si quieres saber qué puede predecir hoy tu empresa con los datos que ya tiene, te ofrecemos una valoración sin compromiso. Llámanos al (+34) 971 305 885, escríbenos a info@grupotisa.com o visita grupotisa.com. Más de 30 años implantando soluciones de gestión dan para distinguir una moda de una oportunidad.
Fuente de referencia: SAP News Center, «The Gap That No LLM Can Close» (news.sap.com). Artículo original en inglés; este texto es una interpretación propia de Tisa, no una traducción.
