La mayoría de los proyectos de inteligencia artificial no fracasan por falta de tecnología: fracasan porque nadie los usa. Se lanza una herramienta, se hace la demo, hay entusiasmo durante dos semanas y luego el equipo vuelve a su forma de trabajar de siempre. Por eso resulta interesante el caso de Fyxer, una empresa que ha construido un asistente de IA para tareas de dirección —correo, reuniones, seguimiento de compromisos— y que publica dos datos que hablan de adopción real, no de expectativas: el 53 % de los borradores que genera se envían tal cual y más del 90 % de sus usuarios siguen pagando y usándolo a los 90 días (fuente: caso de estudio de OpenAI, How Fyxer built an AI executive assistant people trust, openai.com/index/fyxer).
No vamos a traducir su historia. Lo interesante es otra cosa: qué decisiones de diseño explican esa confianza y cómo se traducen a una empresa privada española que se plantea su primer proyecto de IA.
El problema real: lo fácil para una persona es difícil para una máquina
Dos personas pueden recibir el mismo correo y necesitar respuestas completamente distintas, según la relación con el remitente, lo que se habló hace tres semanas y el objetivo de cada una. Un buen asistente humano lo resuelve sin pensar; un modelo de lenguaje, sin contexto, escribe algo correcto y perfectamente inútil.
Es una situación que reconocerá cualquiera que gestione una empresa. El conocimiento crítico —qué cliente aguanta un retraso, qué proveedor hay que perseguir, qué pedido no se sirve sin confirmar crédito— no está escrito en ningún sitio. Vive en la cabeza de tres o cuatro personas. Cualquier proyecto de IA que ignore ese contexto produce resultados genéricos, y los resultados genéricos no se usan.
Cuatro claves para construir un asistente de IA que la gente use
1. Trocea la tarea en decisiones pequeñas
Fyxer no pidió a un único modelo "escribe un buen correo". Descompuso el trabajo en decenas de modelos especializados, cada uno responsable de una parte estrecha: ¿esto requiere respuesta o solo información?, ¿hacia dónde va la conversación?, ¿qué detalles de intercambios anteriores son relevantes ahora?
La lección es transferible y muy práctica: en lugar de plantear "queremos IA para el departamento comercial", conviene aislar decisiones concretas y evaluables. Clasificar correos de pedidos. Extraer datos de un albarán. Detectar qué presupuestos merecen seguimiento esta semana. Cada trozo se puede medir por separado y, si falla, se sabe exactamente dónde.
2. Entrena con el conocimiento del oficio, no con teoría
Antes de vender software, Fyxer operaba un servicio de asistentes humanos. De ahí salió su ventaja: un conjunto de datos construido sobre más de 500.000 horas de trabajo real anotado, que recoge los pequeños juicios de valor de un buen asistente —cuándo responder rápido, cuándo esperar, qué conversación anterior importa—.
Traducción para una pyme: tu ventaja competitiva en IA no está en el modelo, que es el mismo al que accede cualquiera. Está en tus datos y en tu criterio operativo. El histórico del ERP, las pautas no escritas de tus responsables de almacén o de tu jefe de obra, la forma en que tu equipo comercial cualifica una oportunidad. Ahí es donde un proyecto se vuelve difícil de copiar.
Y ahí está también la parte incómoda: si esos datos están dispersos en hojas de cálculo, duplicados o sin dueño, la IA no rinde. Por eso en Tisa empezamos por lo aburrido —identificar qué datos son relevantes y poner protocolos de gobernanza de datos— antes de hablar de modelos.
3. Convierte la corrección del usuario en aprendizaje
Cuando alguien edita un borrador antes de enviarlo, está dando una lección gratis: la diferencia entre lo que la máquina propuso y lo que la persona envió es la señal más honesta que existe. Fyxer captura esa diferencia y la usa para mejorar el sistema, y cada cambio pasa por una prueba A/B antes de desplegarse: solo se publica si mejora de forma estadísticamente significativa.
Para una empresa de 50 o 200 empleados, la versión realista de esto no es un pipeline de reentrenamiento continuo. Es algo más modesto y perfectamente alcanzable: un canal donde el usuario marque "esto está mal", alguien que revise esas correcciones cada semana y una rutina de ajuste del sistema. Sin ese circuito, la herramienta se congela en el día del lanzamiento y pierde credibilidad a la primera equivocación.
4. Mide adopción y confianza, no solo entusiasmo
El cofundador de Fyxer lo resume bien: todo el mundo habla de facturación, pero la retención es la prueba de fuego. Conviene copiar ese criterio al evaluar cualquier piloto de IA.
Antes de arrancar, define dos o tres indicadores: porcentaje de propuestas aceptadas sin cambios, minutos ahorrados por expediente, errores detectados antes de facturar, usuarios activos a los 60 días. Si al cabo de tres meses nadie usa la herramienta, el proyecto ha fallado, aunque la tecnología funcione impecablemente. Un caso de uso medible es la diferencia entre un proyecto y una anécdota.
Cómo aterrizamos esto en Tisa
Nuestra línea de inteligencia artificial y datos trabaja por niveles, según la madurez de cada empresa, y siempre con el negocio delante de la tecnología:
- Asesoramiento en IA: identificar los conjuntos de datos relevantes, evaluar herramientas según la capacidad real de inversión, definir gobernanza de datos alineada con la normativa y capacitar al equipo.
- Análisis de datos: desde poner orden y visualizar la información con Power BI hasta trabajar con múltiples fuentes para decidir con datos y no por intuición.
- Desarrollo y ejecución de un caso de uso adaptado al negocio: un problema concreto, un alcance acotado y métricas acordadas antes de empezar.
Todo eso encaja sobre la base que ya conocemos: Microsoft Dynamics 365 Business Central como sistema de gestión y Power Platform para automatizar y extender procesos. Llevamos desde 1987 implantando soluciones en retail, distribución, construcción, industria alimentaria, hostelería, centros deportivos y flotas, y esa experiencia sectorial es la que permite distinguir qué automatización aporta margen y cuál solo añade ruido. Puedes ver algunos ejemplos en nuestros casos de éxito.
Una advertencia honesta: no todo lo que se anuncia hoy está maduro. Los asistentes integrados en el propio ERP avanzan rápido, pero conviene verificar capacidades concretas en cada versión antes de construir un proceso crítico sobre ellas
Por dónde empezar
Si estás valorando tu primer proyecto de IA, el orden que recomendamos es sencillo: elige un proceso que duela de verdad, comprueba en qué estado están los datos que lo alimentan, acota un piloto con métricas y decide a los tres meses si escala o se descarta. Un asistente de IA útil no nace de un gran despliegue, sino de un problema pequeño resuelto muy bien.
¿Quieres una valoración sin compromiso de tu caso? Hablemos: (+34) 971 305 885 · info@grupotisa.com · grupotisa.com.
Fuente del caso comentado: OpenAI, "How Fyxer built an AI executive assistant people trust" (openai.com/index/fyxer). Las cifras citadas son de esa publicación y no de proyectos de Tisa.
