Según McKinseyel 88 % de las empresas utilizan ya la IA en al menos una función de negocio. Sin embargo, solo el 7 % la han desplegado verdaderamente a escala. Entre el entusiasmo de los primeros prototipos y la realidad de un chatbot que funciona en el día a día, hay un abismo que muchos subestiman.
Es precisamente ese abismo el que hemos querido explorar en una guía completa, redactada con la consultora Acemis, especialista en transformación a través de la experiencia de clientes y colaboradores.
Lo que viven las organizaciones, más allá del bombo mediático
El escenario se ha vuelto familiar. Un equipo técnico monta un prototipo de chatbot en unos pocos días. El resultado impresiona: el bot responde a preguntas, cita fuentes, todo con una fluidez asombrosa. La dirección valida el presupuesto. Se establece un calendario. Y luego, seis meses después, el chatbot confunde dos gamas de productos, da información caducada con total aplomo, y los equipos de atención al cliente dedican más tiempo a corregir sus errores que a responder ellos mismos.
No es un caso aislado. Segun un análisis presentado en la AI conference SSON 2025, el 42 % de los proyectos de IA en empresas fracasaron en 2025, es decir, 2,5 veces más que el año anterior. Para los proyectos de chatbots basados en la técnica RAG (Retrieval-Augmented Generation) — la que permite al chatbot recurrir a sus propios documentos para formular sus respuestas — el diagnóstico es aún más severo: solo el 30 % de los pilotos llegan a producción, y de estos, apenas un 10 a 20 % demuestran un retorno de inversión medible.
Para una organización de unos cientos de personas, que no tiene ni departamento de IA dedicado ni un ejército de data engineers, estas cifras interpelan. No dicen que el chatbot sea una mala idea. Dicen que no se puede abordar como un simple proyecto técnico.
Lo que separa un prototipo de un chatbot que aguanta en producción
Montar un prototipo es rápido. Conectar un modelo de lenguaje a unos cuantos documentos, obtener respuestas que se sostienen en una demo — un equipo motivado puede lograrlo en unos días, incluso en unas horas. El problema es que entre una demostración que impresiona en la sala de reuniones y un sistema fiable, integrado en los procesos, que responde correctamente a los casos reales del día a día, hay un trabajo de transformación que la tecnología sola no hace.
Trabajando con clientes junto a Acemis, hemos identificado cuatro realidades que los prototipos disimulan muy bien.
La primera: un chatbot RAG en producción no es simplemente «una IA que tiene acceso a nuestros datos». Es un sistema que exige gobernanza, una gestión rigurosa de los datos, un alineamiento con los procesos de negocio y una verdadera estrategia de despliegue. La tecnología es solo un ingrediente entre otros — y rara vez el que marca la diferencia.
La segunda: un chatbot no comprende inmediatamente las especificidades de una organización, en detalle. Hay que contar con tres a seis meses de calibración y ajustes para alcanzar un nivel de rendimiento aceptable, con ciclos de mejora basados en los comentarios del terreno. Un prototipo da la ilusión de madurez; la producción, en cambio, revela todas las sutilezas que la demo no ponía a prueba.
La tercera, quizás la más costosa: un chatbot no funciona solo una vez desplegado. El mantenimiento representa aproximadamente el 70 % del esfuerzo total del proyecto. Actualizaciones de la base de conocimientos, ajustes de las reglas de comportamiento, vigilancia del rendimiento — es un trabajo continuo, no un entregable puntual. Es precisamente ahí donde la lógica de «superponer una herramienta» alcanza sus límites: sin transformación de los modos de funcionamiento alrededor del chatbot, este se convierte pronto en un gadget costoso.
La cuarta: inyectar más datos — o demasiados datos — no mejora el chatbot, lo degrada. Cien documentos bien estructurados y actualizados son más eficaces que mil documentos obsoletos o mal organizados. El reto no es el volumen, es la curación. Y es mucho trabajo.
McKinsey observa el mismo fenómeno a gran escala : entre las empresas que realmente extraen valor de la IA, el factor diferenciador no es la sofisticación de los modelos. Es la transformación de los procesos de trabajo y la implicación activa de la dirección. Esta constatación, formulada para grandes grupos, se aplica aún más a las organizaciones de tamaño intermedio, donde cada decisión pesa más y donde los márgenes de maniobra para absorber un fracaso son más estrechos.
Por qué es difícil (y por qué es normal)
El primer obstáculo es la calidad de los datos. Forbes informa de que el 85 % de los proyectos de IA fallidos citan la calidad o la disponibilidad de los datos como causa principal. No es sorprendente: la mayoría de las organizaciones nunca han necesitado estructurar su documentación para que una máquina la entienda. Las FAQ están dispersas, los procedimientos internos existen en tres versiones, la información de productos está plagada de jerga técnica que solo algunos expertos comprenden. Antes incluso de hablar de chatbot, hay que hablar de puesta en orden, e incluso de "principio de orden"... es decir, responder a la pregunta "¿puesta en orden con respecto a qué?" Y es un trabajo que muchos prefieren no abrir, lo cual es perfectamente comprensible cuando ya se tienen cien prioridades sobre la mesa.
El segundo obstáculo es la subestimación de la dimensión humana y organizativa. Nos concentramos en la tecnología y olvidamos que el chatbot va a modificar los hábitos de los equipos, redistribuir ciertas tareas y suscitar inquietudes legítimas — en particular el temor a ser reemplazado o el temor a una pérdida de calidad respecto a las respuestas humanas, y por tanto una degradación de la reputación que se ha contribuido a construir durante años. Sin un trabajo serio de gestión del cambio, incluso un chatbot técnicamente impecable acabará en un rincón, ignorado por aquellos a quienes debía ayudar.
El tercer obstáculo es la ausencia de una gobernanza clara. ¿Quién decide las reglas de comportamiento del chatbot? ¿Quién valida las actualizaciones de la base de conocimientos? ¿Quién vigila las métricas de rendimiento? Sin respuestas a estas preguntas, el chatbot se vuelve rápidamente obsoleto. Gartner estima, por cierto, que cerca de un tercio de los proyectos de IA generativa serán pura y simplemente abandonados, a menudo precisamente por estas razones no técnicas.
Y luego hay un obstáculo más sutil: la tentación de querer hacerlo todo de una vez. Cubrir todos los motivos de contacto, desplegar en todos los canales, integrar todos los sistemas. Lo que funciona es lo contrario: empezar pequeño, en un perímetro controlado, y ampliar progresivamente apoyándose en los comentarios reales.
Puntos de referencia concretos para avanzar
Lo que hemos formalizado en la guía es un enfoque por etapas que parte de la necesidad de negocio, no de la tecnología.
De él se extraen algunos principios clave.
Primero, enmarcar con rigor. Identificar los casos de uso prioritarios con objetivos medibles — por ejemplo, tramitar el 60 % de las solicitudes de nivel 1 de forma autónoma, o reducir el volumen de correos electrónicos un 40 %. Un encuadre claro evita las desviaciones de perímetro, que son la primera causa de estancamiento. Esto implica también calcular un retorno de inversión realista: coste de una llamada evitada, tiempo de agente liberado, impacto en la satisfacción del cliente. Sin estos puntos de referencia cifrados, se navega a ciegas.
Después, invertir en la base de conocimientos como en un activo estratégico. Auditar las fuentes existentes, estructurar los documentos en fragmentos explotables, enriquecer los metadatos, y sobre todo crear «fichas de desambiguación» para los conceptos próximos que pueden generar confusiones. Es un trabajo ingrato, pero es el cimiento de todo lo demás.
Luego, definir reglas de comportamiento claras: cuándo el chatbot debe formular una pregunta de clarificación, cuándo debe buscar en su base, cuándo debe pasar el relevo a un humano, y cómo lo hace. Estas reglas son el fundamento sobre el que se construye la confianza de los usuarios.
Por último, desplegar progresivamente. Una fase piloto de unas semanas con un grupo reducido, y luego una extensión por oleadas con un acompañamiento adaptado a cada grupo. Formar a los equipos de soporte en las reglas de escalado, darles acceso a los cuadros de mando de seguimiento y crear un canal de feedback permanente. El mensaje a transmitir internamente cabe en una frase: el chatbot complementa al equipo humano, no lo reemplaza. Lo ideal es incluso implicar a los colaboradores desde la fase de concepción, nombrando «champions» en cada equipo. Quienes participan en la construcción de la herramienta rara vez son quienes la rechazan.
¿Y ahora?
El mercado de los chatbots IA sigue acelerando — debería alcanzar los 47.000 millones de dólares de aquí a 2030. En Francia, la adopción de la IA en empresas se disparó un 146 % en un año. No es solo un efecto de oferta e inversión empresarial… la demanda existe: el 82 % de los consumidores prefieren interactuar con un chatbot antes que esperar a un agente humano%.
La pregunta ya no es «¿hay que hacerlo?» sino «¿cómo hacerlo sin estrellarse?». Lo que falta no es la tecnología — es el método para implementarla correctamente.
Esa es toda la ambición de la guía que hemos redactado con Acemis: ofrecer una hoja de ruta completa, desde el encuadre inicial hasta el pilotaje a largo plazo, pasando por la construcción de la base de conocimientos, la definición de las reglas de comportamiento, la gestión del cambio y la medición del rendimiento. También abordamos los roles clave — del data steward al product owner de negocio — y los indicadores a seguir para no pilotar a ciegas. No es un documento técnico más, sino un compañero de ruta para los sponsors y jefes de proyecto que quieren avanzar con lucidez.
¿Quiere consultarlo? La guía «Crear un chatbot IA: ¿por qué no es magia?» está disponible para descarga aquí: Libro Blanco Facil - Crear un Chatbot IA RAG.pdf
Libro-blanco-FACIL_CREAR UN CHATBOT IA RAG-ES.pdf
Y si desea hablarlo, es exactamente el tipo de acompañamiento que propone Facil — desde la clarificación de la necesidad hasta la autonomía de sus equipos.
Fuentes
Los datos citados en este artículo proceden de los siguientes estudios e informes:
Consultora / Fuente | Informe | Año |
|---|---|---|
McKinsey | The State of AI in 2025: Agents, Innovation, and Transformation | 2025 |
Analytics Vidhya / SSON | 2025 | |
Binariks | 2026 | |
Gartner (via Pureinsights) | 2025 | |
Dydu | 2025 | |
OpenAI (via Blog du Modérateur) | 2025 | |
Makebot / Forbes | 2025 | |
Facil × Acemis | Créer un chatbot IA : pourquoi ce n'est pas de la magie ? (guide complet) | 2025 |