Durante muchos años hemos pedido prácticamente lo mismo a un ERP: que registre correctamente lo que ocurre en la empresa.
Un pedido entra, una factura se emite, un material llega al almacén, un cliente modifica una dirección, un comercial abre una oportunidad o un proveedor comunica una nueva fecha de entrega. Todo queda registrado y, a partir de ahí, podemos consultar qué sucedió, cuándo ocurrió y quién intervino.
Esa función sigue siendo imprescindible.
Pero empieza a quedarse corta.
El cambio que estamos viendo ahora no consiste simplemente en añadir inteligencia artificial a una pantalla o incorporar un asistente que responda preguntas. El cambio importante aparece cuando el sistema empieza a interpretar lo que sucede y a relacionarlo con lo que debería ocurrir después.
Y ahí el ERP empieza a convertirse en algo bastante diferente.
Ya no se limita a almacenar información. Empieza a ayudarnos a decidir.
De registrar el problema a entender sus consecuencias
Imaginemos una situación bastante normal.
Un proveedor nos comunica que un pedido importante llegará cinco días más tarde de lo previsto.
En un ERP tradicional podemos cambiar la fecha de entrega y dejar constancia de la incidencia. Si el sistema dispone de ciertas automatizaciones, quizá también podamos generar una alerta para compras o para el responsable de almacén.
Pero una IA integrada con el ERP podría ir bastante más lejos.
Podría analizar qué pedidos de clientes dependen de ese material, qué entregas quedarían comprometidas, qué stock existe en otras ubicaciones, qué clientes tienen mayor prioridad, si existe algún proveedor alternativo y qué efecto tendría cada opción sobre el margen o el plazo de entrega.
A partir de ahí podría preparar una propuesta de acción.
Eso cambia bastante la naturaleza del sistema.
La pregunta ya no sería únicamente:
¿Qué ha ocurrido?
Pasaría a ser:
¿Qué significa lo que ha ocurrido y qué deberíamos hacer ahora?
Esa transición, de sistema de registro a sistema de acción, probablemente será uno de los cambios más importantes que veremos en el software de gestión durante los próximos años.
El problema no es tener IA. El problema es tener algo útil que hacer con ella
Existe una tentación comprensible en muchas empresas.
Aparece una nueva tecnología y enseguida surge la pregunta: “¿Cómo podemos utilizarla?”
Pero quizá convendría invertir el orden.
La primera pregunta debería ser:
¿Qué problema queremos resolver?
Porque una IA conectada a un proceso mal organizado no convierte automáticamente ese proceso en bueno.
Puede incluso hacer lo contrario.
Puede ejecutar más rápido algo que ya estaba mal diseñado.
Si los costes están mal imputados, la IA analizará información incorrecta. Si el CRM tiene oportunidades duplicadas o etapas comerciales que cada vendedor interpreta de una manera diferente, el agente trabajará con una realidad distorsionada. Si parte de la información está en el ERP, otra en Excel y otra en conversaciones de WhatsApp, la inteligencia artificial no hará desaparecer mágicamente ese problema.
Lo automatizará.
Y eso puede ser todavía peor.
Por eso creo que la llegada de la IA va a poner de nuevo sobre la mesa una cuestión que lleva años estando ahí: la calidad de los procesos.
La inteligencia artificial puede ser extraordinariamente potente, pero necesita contexto. Necesita saber qué significa cada dato, qué reglas existen, qué excepciones pueden producirse y qué decisiones son aceptables dentro de una empresa.
Y eso no lo resuelve un modelo de IA por sí solo.
La IA en ERP empieza por situaciones bastante normales
No hace falta imaginar una empresa completamente autónoma para entender dónde puede aparecer valor.
Pensemos, por ejemplo, en un equipo comercial.
Un CRM puede contener cientos de oportunidades abiertas. Algunas están activas, otras llevan semanas sin seguimiento y otras quizá deberían haberse cerrado hace tiempo. Hoy un comercial o un responsable de ventas tiene que revisar esa información, identificar prioridades y decidir dónde invertir su tiempo.
Un agente podría analizar esas oportunidades, detectar cuáles están estancadas, identificar qué operaciones tienen mayor potencial y proponer el siguiente paso.
No estaría sustituyendo al comercial.
Estaría evitando que el comercial dedique parte de su jornada a buscar qué debería hacer.
Y esto es especialmente relevante en venta B2B, donde una oportunidad puede necesitar varias conversaciones, propuestas, reuniones y seguimientos antes de convertirse en pedido.
En ese contexto, el problema muchas veces no es que falten contactos.
Es que se pierde continuidad.
Un sistema capaz de detectar que una oportunidad importante lleva veinte días sin actividad, que el cliente abrió una propuesta pero nadie hizo seguimiento o que determinadas oportunidades tienen un patrón similar a otras que terminaron perdiéndose puede aportar mucho más que otro cuadro de mando.
En vehículo de ocasión, el dato aislado sirve de poco
Pensemos ahora en una compraventa de vehículo de ocasión.
Comprar un coche por 15.000 euros y venderlo por 18.000 no significa haber ganado 3.000.
Entre una cifra y otra puede haber transporte, reacondicionamiento, neumáticos, mecánica, carrocería, documentación, fotografía, publicidad, financiación del stock, garantía, preparación y posibles incidencias posteriores.
En muchas empresas parte de esos costes está perfectamente registrada y otra parte aparece tarde, mal imputada o repartida entre distintos sistemas.
Aquí la IA puede tener sentido si existe una base de datos bien estructurada.
Podría detectar, por ejemplo, que determinados modelos están generando más incidencias de taller de las previstas, que una familia de vehículos aparentemente rentable está perdiendo margen real por costes de reacondicionamiento o que algunas unidades permanecen demasiado tiempo en stock y empiezan a consumir rentabilidad.
El dato interesante no sería únicamente:
“Este coche lleva 82 días en stock.”
Sería algo más parecido a:
“Esta unidad lleva 82 días en stock, tiene un margen previsto inferior al objetivo y, si permanece otras cuatro semanas, el coste financiero y la depreciación pueden convertirla en una operación poco rentable.”
Entonces sí estamos utilizando información para decidir.
Transporte y logística: una incidencia rara vez afecta a una sola operación
En transporte ocurre algo parecido.
Un retraso de un vehículo, una incidencia con un conductor, una ruta mal planificada o un cambio de última hora puede afectar a varios clientes, entregas y costes.
El sistema tradicional registra lo ocurrido.
Un sistema más inteligente podría analizar qué expediciones quedan comprometidas, cuáles tienen mayor penalización, qué alternativas existen y qué clientes deberían ser avisados primero.
Imaginemos una ruta que empieza a acumular retraso.
El valor no está en recibir una alerta roja.
Eso ya lo hacen muchos sistemas.
El valor aparece cuando el software puede decir:
“Con el retraso actual, tres entregas incumplirán la ventana comprometida. Una tiene penalización contractual, otra puede reasignarse a otro vehículo y la tercera debería comunicarse al cliente antes de las 12:00.”
Eso ya es otra cosa.
No sustituye al responsable de tráfico.
Le ayuda a llegar antes al problema.
Y en operaciones donde cada minuto cuenta, llegar antes puede ser la diferencia entre gestionar una incidencia y simplemente explicarla cuando ya ha ocurrido.
Distribución: vender más puede ocultar un problema
En distribución he visto durante años una situación recurrente.
La facturación crece y todo parece ir bien.
Hasta que se analiza el margen.
Algunos clientes compran más, pero también exigen más entregas, más urgencias, más descuentos, más devoluciones o condiciones especiales que terminan reduciendo la rentabilidad real.
Si la información está correctamente integrada, una IA puede ayudar a encontrar esas situaciones antes.
No basta con saber qué clientes facturan más.
Conviene saber cuáles dejan mejor resultado.
Una consulta como:
“Muéstrame los clientes cuya facturación ha crecido este trimestre pero cuyo margen real ha empeorado”
puede ser mucho más útil para dirección comercial que veinte informes separados.
Y todavía lo sería más si el sistema pudiera explicar la causa.
Mayor descuento.
Incremento de transporte.
Pedidos más pequeños.
Más devoluciones.
Más frecuencia de entrega.
Ahí el ERP empieza a responder preguntas de negocio, no únicamente consultas contables.
En servicios, el tiempo también es coste
En empresas de servicios el problema es diferente, pero la lógica es la misma.
Una operación puede parecer rentable porque se ha facturado correctamente, pero perder dinero por horas no previstas, desplazamientos, retrabajo o incidencias.
El ERP puede saber cuánto se facturó.
Pero si lo conectamos con planificación, partes de trabajo, incidencias y costes internos, empieza a aparecer una visión más real.
Por ejemplo:
“Este tipo de servicio tiene buen precio de venta, pero el 35 % de las operaciones supera las horas previstas.”
Eso abre inmediatamente otra conversación.
¿Está mal calculado el precio?
¿La planificación no es realista?
¿Hay un problema de formación?
¿Existe una tarea que podría automatizarse?
La inteligencia artificial no debería darnos simplemente una conclusión.
Debería ayudarnos a encontrar las preguntas correctas.
El margen puede ser un buen ejemplo
Una empresa puede vender más y, sin embargo, ganar menos.
Es algo que ocurre con bastante frecuencia.
La facturación aumenta, pero también lo hacen los descuentos, los costes de transporte, las horas internas, las incidencias, las devoluciones o los costes asociados al servicio.
Si esa información está correctamente estructurada, un sistema podría empezar a detectar patrones que hoy necesitan bastante trabajo manual.
Por ejemplo:
“Las ventas de esta familia han aumentado un 12 %, pero el margen real ha caído cuatro puntos.”
Eso ya es útil.
Pero todavía sería más interesante si añadiera:
“La caída se concentra en tres clientes, principalmente por incremento de transporte y descuentos comerciales.”
Y todavía más si pudiera proponer:
“Conviene revisar condiciones antes de la próxima renovación.”
En ese punto el ERP deja de ser simplemente una base de datos sofisticada.
Empieza a convertirse en una herramienta de decisión.
Pero que pueda hacerlo no significa que deba hacerlo
Aquí aparece una parte mucho menos espectacular, pero probablemente más importante.
La autonomía.
Un agente puede detectar una situación.
Puede analizarla.
Puede recomendar una acción.
Puede incluso preparar esa acción.
Pero eso no significa necesariamente que deba ejecutarla.
Conviene pensar en distintos niveles.
Primero leer.
Después detectar.
Después recomendar.
Después preparar.
Después pedir aprobación.
Y finalmente ejecutar.
No todos los procesos necesitan llegar hasta el último paso.
Un agente puede clasificar automáticamente una consulta comercial sin demasiado riesgo.
Puede incluso preparar una respuesta.
Pero quizá no debería modificar las condiciones de un cliente por su cuenta.
Mucho menos aceptar una operación con un margen inferior al autorizado.
Y desde luego existen procesos financieros o legales donde la intervención humana seguirá siendo imprescindible.
La cuestión importante no será únicamente qué puede hacer la IA.
Será qué queremos permitirle hacer.
Y bajo qué condiciones.
Probablemente utilizaremos menos pantallas
Durante años hemos diseñado ERP alrededor de menús.
Clientes.
Pedidos.
Facturas.
Compras.
Almacén.
CRM.
Incidencias.
Informes.
Para entender qué sucede con un cliente quizá tengamos que entrar en cuatro o cinco apartados distintos.
Es bastante probable que esto empiece a cambiar.
No porque desaparezcan las pantallas.
Sino porque en muchas situaciones no necesitaremos recorrerlas.
Podremos preguntar:
“¿Qué está pasando con este cliente?”
Y recibir una visión conjunta.
Ventas recientes, margen, pedidos pendientes, incidencias abiertas, facturas vencidas, oportunidades comerciales y cualquier otro dato relevante.
Eso cambia mucho la experiencia de uso.
El usuario deja de tener que conocer dónde está almacenada cada información.
Empieza a trabajar más cerca de la intención.
Es decir:
qué quiere saber,
qué quiere resolver,
o qué decisión necesita tomar.
El software se ocupa de localizar el resto.
El ERP puede acabar siendo todavía más importante
Existe una idea bastante extendida según la cual la inteligencia artificial hará que los ERP pierdan relevancia.
No estoy demasiado convencido.
Puede ocurrir precisamente lo contrario.
Cuanto más capaces sean los agentes, más necesitarán acceder a información fiable.
Clientes.
Productos.
Condiciones comerciales.
Pedidos.
Costes.
Stocks.
Permisos.
Procesos.
Históricos.
Responsabilidades.
Todo eso ya vive, en gran parte, dentro del ERP.
La interfaz puede cambiar radicalmente.
Pero la lógica de negocio seguirá siendo necesaria.
Y posiblemente tendrá todavía más valor.
Un agente puede ser muy inteligente.
Pero necesita saber qué significa una venta, cuándo un pedido puede considerarse confirmado, qué descuentos puede aceptar un comercial, cuándo una factura debe bloquearse o qué usuario tiene autoridad para aprobar una determinada compra.
Eso es negocio.
Y el ERP lleva décadas intentando representar precisamente eso.
El conocimiento sectorial puede volver a ser una ventaja competitiva importante
Aquí aparece otro punto que me parece especialmente interesante.
Durante años muchos proveedores de software han competido por funcionalidades.
Más módulos.
Más integraciones.
Más informes.
Más opciones de configuración.
Con la IA puede aparecer otra forma de competir:
entender mejor el negocio.
Un ERP para vehículo de ocasión tiene que entender compra, reacondicionamiento, documentación, costes, stock, comercialización, financiación y postventa.
Un software de transporte necesita comprender rutas, tiempos, incidencias, capacidad, conductores, costes y compromisos de entrega.
Una empresa de distribución necesita controlar precios, descuentos, rotación, entregas, márgenes y condiciones comerciales.
Una empresa de servicios necesita entender planificación, horas, recursos, incidencias y rentabilidad por operación.
La inteligencia artificial puede ser parecida en todos ellos.
El contexto no.
Por eso creo que muchos productos verticales tendrán una oportunidad especialmente interesante.
No necesitarán decir simplemente:
“Tenemos IA.”
Podrán decir algo mucho más valioso:
“Nuestro sistema entiende cómo funciona realmente tu negocio.”
Y probablemente ahí estará una parte importante de la diferenciación.
También cambia el trabajo del consultor y del partner ERP
Esto afectará igualmente a quienes trabajamos alrededor del software empresarial.
Durante muchos años la implantación de un ERP ha consistido en entender procesos, parametrizar módulos, migrar datos, integrar sistemas, formar usuarios y desarrollar aquellas partes que el estándar no cubría.
Todo eso seguirá existiendo.
Pero habrá una nueva capa de trabajo.
Habrá que identificar qué procesos merece la pena automatizar.
Qué datos necesita un agente.
Qué decisiones puede tomar.
Qué excepciones existen.
Dónde necesita autorización.
Qué riesgos aparecen.
Y cómo medimos si realmente está aportando valor.
Eso convierte la implantación de IA en algo bastante menos tecnológico de lo que puede parecer.
Para automatizar bien un proceso primero hay que entenderlo.
Y muchas empresas todavía tienen ahí bastante trabajo pendiente.
Antes de hablar de IA haría estas preguntas
Si una empresa me dijera hoy que quiere incorporar inteligencia artificial a su ERP o CRM, no empezaría preguntando qué proveedor está considerando.
Empezaría por algo bastante más básico.
¿Qué proceso queremos mejorar?
¿Qué problema concreto existe?
¿Qué información utilizamos hoy para tomar esa decisión?
¿Los datos son fiables?
¿Qué parte del proceso queremos automatizar?
¿Qué debería seguir aprobando una persona?
¿Qué ocurre cuando aparece una excepción?
Y, sobre todo:
¿cómo sabremos si esta automatización realmente mejora el negocio?
Si estas preguntas no tienen una respuesta clara, probablemente todavía sea pronto para hablar de agentes.
No porque la tecnología no esté preparada.
Sino porque quizá el proceso tampoco lo esté.
De registrar lo ocurrido a intervenir en lo que ocurre
Durante décadas las empresas han invertido en sistemas para registrar mejor su actividad.
Y ha sido necesario.
Sin datos fiables no existe gestión.
Pero estamos entrando en una etapa distinta.
Los sistemas empezarán a detectar situaciones antes.
Relacionarán información que ahora revisamos manualmente.
Propondrán acciones.
Prepararán decisiones.
Y en determinados procesos podrán empezar a ejecutarlas.
Eso puede mejorar mucho la productividad.
Pero también puede obligarnos a entender mejor nuestra propia empresa.
Porque antes de conectar un agente de IA a un ERP existe una pregunta bastante menos tecnológica que deberíamos responder:
¿Tenemos suficientemente claro el proceso como para permitir que una máquina participe en él?
Si la respuesta es no, quizá todavía no tengamos un problema de inteligencia artificial.
Tenemos un problema de proceso.
Una última reflexión
Quizá una buena forma de empezar sea hacerse una pregunta sencilla:
Si mañana nuestro ERP pudiera detectar una situación y actuar sobre ella automáticamente, ¿qué proceso le confiaríamos primero?
Probablemente la respuesta no sea el proceso más espectacular.
Puede ser algo bastante más sencillo.
Una incidencia repetitiva.
Un seguimiento comercial olvidado.
Una comprobación administrativa.
Una alerta sobre margen.
Un vehículo que empieza a permanecer demasiado tiempo en stock.
Una ruta que probablemente incumplirá una entrega.
Un cliente cuya facturación sube mientras su rentabilidad cae.
Un servicio que consume sistemáticamente más horas de las previstas.
Y seguramente ahí está la clave.
La mejor aplicación de la IA empresarial no será necesariamente la que más impresione en una demostración.
Será la que elimine una fricción real, reduzca errores y permita tomar una decisión mejor.
¿Dónde puede aportar realmente la IA en tu ERP o CRM?
Antes de añadir otra herramienta conviene revisar el proceso, los datos y la decisión que queremos mejorar.
La tecnología puede venir después.
Si estás revisando tu ERP, CRM o algún proceso de gestión, podemos analizar dónde existe una oportunidad real de mejora y dónde simplemente estaríamos añadiendo una nueva capa de complejidad.
Revisemos primero el proceso. Después decidimos qué tecnología necesita.
