Blog · IA
Todos los vendors están vendiendo IA. La mayoría de lo que se le vende a pymes como IA está resolviendo un problema que la automatización tradicional ya resolvió más barato. Acá tenés el framework que usamos para decidir qué procesos merecen IA y cuáles no.
La IA paga cuando la entrada del proceso es no-estructurada (texto libre, imágenes, PDFs con layouts raros, voz) y el costo de equivocarse es bajo. La IA es la herramienta equivocada — y casi siempre más cara — cuando la entrada es estructurada (formularios, registros de base de datos, payloads de API) y las reglas son estables. Aproximadamente el 70% de los pedidos de 'necesitamos IA' que recibimos de pymes se resuelven más barato y más confiable con automatización tradicional. El 30% que realmente se beneficia de IA usualmente paga back en 3-9 meses. El 70% que no, hubiera pagado back en 2-4 meses con automatización sin IA y hubiera costado 60-80% menos.
Hoy hay un impuesto en cada conversación de automatización que tenemos con dueños de pymes. Alguien — un vendor, un consultor, un thought leader de LinkedIn — les dijo que necesitan IA. Llegan pidiendo IA antes de haber descrito el problema. La conversación ahora tiene que retroceder a "¿qué estás tratando de hacer realmente?" antes de poder dar una respuesta real.
Ese es el impuesto del hype de IA: los ciclos de scoping desperdiciados, los presupuestos inflados, y la decepción que sigue cuando un agente de IA de $25.000 hace peor el trabajo que un workflow de Zapier de $5.000 hubiera hecho. No estamos contra la IA — entregamos features de IA. Estamos contra gastar en IA cuando la automatización tradicional resuelve el mismo problema más barato, más rápido y con mejor uptime.
Abajo está el framework que usamos internamente para decidir qué procesos merecen IA. Lleva unos 10 minutos y te ahorra comprar una Ferrari para repartir pizza.
La IA se gana su premium en problemas que el código tradicional no resuelve limpio. El hilo común: la entrada es demasiado desordenada o variada para escribir reglas, pero los humanos lo hacen por instinto. Ese es el sweet spot de IA.
Emails entrantes o mensajes de chat necesitan triagearse: ¿esto es una pregunta de facturación, un reporte de bug, un pedido de feature, una oportunidad comercial? Escribir reglas para esto es una batalla perdida — los clientes no usan tus nombres de categorías, describen el síntoma. Un LLM puede clasificar esto con 90%+ de precisión en menos de un segundo.
Los proveedores mandan facturas en 47 layouts distintos de PDF. Los acuerdos con clientes vuelven con marcas de corrección como PDFs. Los recibos llegan por email. El OCR tradicional funciona para facturas limpias pero se rompe en casos borde. Los LLMs con visión manejan el 20% desordenado que antes requería ojo humano.
"Tomá esta data del CRM + esta conversación previa y escribí un borrador de email de seguimiento en la voz que usamos." Este es el uso de IA de más alto leverage que vemos en pymes. La salida siempre la revisa un humano, así que el costo de equivocarse es "tenés que editar un párrafo" — un costo de 30 segundos.
"Acá tenés un lead form de 4 párrafos en texto libre. ¿A quién va, con qué urgencia y cuál es la respuesta sugerida?" Las reglas de ruteo se pueden escribir para inputs estructurados (dropdown de industria, dropdown de urgencia). Se caen cuando el input es "contanos qué necesitás". La IA cierra esa brecha.
Estas son las conversaciones donde "deberíamos sumar IA" es casi siempre la respuesta equivocada. La automatización tradicional es más barata, más confiable y más rápida de entregar.
Submit de formulario → fila en CRM → email de notificación. Cero ambigüedad, input estructurado, reglas claras. Sumar un LLM acá es usar una herramienta de $5/token para hacer lo que un if-else de $0/run hace. Hemos visto agencias proponiendo "intake de leads con IA" por $15K cuando el trabajo real es una integración de Zapier o custom de $4K.
"Calculá la comisión según estos tiers." "Aplicá el descuento si el pedido ≥ $500 Y el cliente es VIP." "Conciliá el pago contra la factura." Todos estos tienen reglas crispas. El código hace esto perfectamente, de forma determinista y trazable. Los LLMs lo hacen de forma no-determinista con riesgo de alucinación. El audit trail de "el LLM decidió aplicar un descuento del 12% porque…" es una pesadilla de compliance.
"Cuando el pedido se envía, mandale al cliente un email de tracking." "Cuando un deal pasa a closed-won, notificá Slack y creá la factura." Estos procesos son predecibles, estructurados y de alto volumen. Cada dólar gastado en IA acá es desperdiciado. La versión más barata es un template + una herramienta de workflow ($0-$50/mes all-in).
Montos de reporte financiero. Campos de registros médicos. Campos de documentos legales. Cualquier cosa donde equivocarse un poco tiene exposición a penalidad regulatoria o financiera. Los LLMs son probabilísticos; el compliance requiere determinismo. Si tu auditor pregunta "¿por qué cambió este número?", "la IA decidió" es una mala respuesta. Usá IA para el trabajo desordenado upstream (extraer campos de PDFs), después usá código determinista para cualquier cosa que termine en un sistema regulado.
De cuánto cuesta realmente un proyecto de automatización en 2026, acá está el delta específico de IA sobre un proyecto de automatización base. Estos son los rangos que cotizamos en Kivolaro.
| Tier de IA | Cómo se ve | Adder al build | Tokens mensuales |
|---|---|---|---|
| Ninguno | Automatización pura — reglas, integraciones, sin LLM. | $0 | $0 |
| Liviano | Clasificación, drafting, parsing — llamadas LLM de un solo paso con salidas estructuradas. | +$1.500 | +$80 |
| Pesado | Razonamiento multi-paso, agentes que toman acciones, RAG sobre tus docs, visión sobre PDFs. | +$5.000 | +$350 |
Estos son números a escala pyme (1–50 empleados, 200–5.000 llamadas LLM/mes). A escala enterprise la cuenta cambia — los costos de tokens crecen lineales, y la inversión de ingeniería en guardrails crece no-lineal.
El número mensual de tokens asume que estás usando modelos costo-efectivos (Claude Haiku, GPT-4o-mini, Gemini Flash) para el grueso de las llamadas y los modelos frontier más pesados (Claude Opus / Sonnet, GPT-4o) solo para las llamadas que los necesitan. Las agencias que proponen "usamos el mejor modelo para todo" te están firmando para una factura de tokens 5-10× más alta.
Corré cualquier idea de "deberíamos sumar IA" por estas cinco preguntas. Si 4+ respuestas apuntan a IA, es la decisión correcta. Si 2 o menos, la automatización tradicional es casi seguro más barata y mejor.
Para una evaluación guiada de 9 preguntas que mapea la AI-readiness de tu proceso, el AI Readiness Quiz en /resources recorre la misma lógica más data, proceso, equipo, herramientas y riesgo.
✏️ Nota: composiciones ilustrativas, no clientes específicos. Mismo proceso de fondo (intake de leads entrantes), tres alcances diferentes, tres respuestas correctas diferentes.
Misma forma de problema, tres respuestas distintas. La variable que define la respuesta es volumen × variabilidad, no la densidad de buzzwords en la conversación.
A veces, pero rara vez como prioridad #1. A escala de menos de 10 empleados, las jugadas de más ROI usualmente son automatización básica (form-to-CRM, reemplazo de planilla, conciliación de pagos) — no IA. La IA se vuelve valiosa cuando tenés un proceso manejando input no-estructurado a volumen (200+ items/mes) y ahorrando 4+ horas/sem. Por debajo de eso, el costo de build y el gasto mensual de tokens rara vez paga back.
A escala pyme (1–50 empleados): integración liviana de IA suma ~$1.500 al costo de build y ~$80/mes en tokens; integración pesada de IA suma ~$5.000 al costo de build y ~$350/mes en tokens. Entonces un workflow 'con IA' típico cae en $7K–$22K all-in para build, $200–$500/mes ongoing. Cualquier cosa cotizada en $50K+ a escala pyme está incluyendo servicios que no necesitás o asumiendo volúmenes enterprise.
Un chatbot es una UI; la automatización con IA es un patrón de backend. Los chatbots hablan con usuarios; la automatización con IA procesa data detrás de escena. Se superponen cuando construís un chatbot de cara al cliente que usa LLMs para contestar preguntas de soporte — pero el uso de IA de más alto ROI en pyme es casi siempre detrás de escena (clasificación, ruteo, drafting), no chatbots de cara al cliente.
No, las aumenta. Zapier (y Make, n8n) son geniales en workflows de input-estructurado → output-estructurado; la IA suma la capacidad de manejar inputs no-estructurados y ruteo ambiguo. La combinación es más poderosa que cualquiera de los dos sola — y usualmente construimos workflows de IA productivos arriba de una de estas plataformas cuando el fit pyme es correcto.
Tres tests rápidos. (1) ¿Podés describir las excepciones del proceso en lenguaje claro? Los proyectos de IA fallan cuando nadie puede articular los casos borde. (2) ¿Tu data es accesible? Si el input vive en 3 sistemas desconectados sin API, la plomería de data domina el proyecto, no la IA. (3) ¿Tenés a alguien que pueda revisar outputs? Los proyectos de IA necesitan un humano en el loop los primeros 30-90 días para ajustar los prompts y cazar modos de falla. El AI Readiness Quiz en /resources te scorea en estas cinco dimensiones en 9 preguntas.
Comprar 'IA' antes de definir el proceso. La conversación usualmente va: 'necesitamos un chatbot de IA' → el vendor construye un chatbot de IA → 6 meses después nadie lo usa porque resolvió un problema que no era un cuello de botella real. El fix: gastá 1–2 semanas mapeando los procesos reales y sus volúmenes ANTES de decidir qué es IA vs tradicional. Los vendors que lideran con la conversación del proceso son con los que hay que trabajar; los que lideran con la tecnología usualmente están vendiendo hype.
Blog
Mandanos el proceso — qué lo dispara, qué hace, cuán seguido corre y cuál es la parte desordenada. Volvemos con un veredicto: IA, automatización tradicional, o híbrido. Sin venta agresiva en ninguna dirección.
Contanos tu problema →
