Costos de IA: Lo que realmente paga la mediana empresa

KI & Automatisierung · 24. Juni 2026 · Anthony Filipiak

Los costos de IA a menudo se disparan después del piloto. Revise la nube, los datos, la integración y la gobernanza antes de que su ventana de ROI se cierre.

Los costos de IA son los gastos de software, implementación y operación de sistemas de IA. Esto es lo que se lee en casi todos los presupuestos que veo de directores generales de ingeniería mecánica, proveedores de automoción e ingeniería eléctrica. No es del todo cierto. En la práctica, los costos de IA son principalmente los costos de todo lo que ya estaba roto, distribuido, poco claro o políticamente incómodo: calidad de los datos, interfaces, responsabilidades, contratos en la nube, comité de empresa, seguridad, cambio. Mi pronóstico para 2026 sorprende a muchos directores financieros: no será el piloto de IA lo que disparará el presupuesto, sino el intento de llevarlo a SAP, MES, PLM, CRM y procesos de ventas reales. Quien solo compara precios de licencias, calcula una obra en construcción por el precio de la manija de la puerta.

No escribo esto como un analista con un gráfico limpio de Londres. Lo escribo como Anthony Filipiak, CEO y cofundador de Amplifa, a partir de conversaciones con directores generales, CSOs, inversores y gerentes de ventas en las medianas empresas de DACH. En marzo de 2025, Andrea, jefa de ventas de un campeón oculto en Bielefeld, me dijo: “Ganamos el caso de IA antes de empezar, en PowerPoint. Luego lo perdimos en la base de datos”. También conozco el sonido: no un lanzamiento de cohete, sino el cansado clic a través de 17 exportaciones de Excel de tres fábricas.

Costos de IA en el Status Quo: El titular es demasiado barato

La gran historia del mercado se cuenta rápidamente. McKinsey, BCG, PwC y otras firmas ven el mercado global de IA en un rango de 600 a 900 mil millones de dólares anuales para 2030, dependiendo de si solo se cuentan el software y los servicios o si se incluyen de manera más amplia la infraestructura, la nube y las plataformas GenAI. Solo para la IA generativa, McKinsey describió en 2023 un potencial económico adicional de 2,6 a 4,4 billones de dólares por año. IDC pronosticó en 2024 gastos mundiales en sistemas relacionados con la IA de más de 630 mil millones de dólares para 2028. Suena grande. Es grande. Pero la cifra le dice poco a un director general en Paderborn, Villingen-Schwenningen o Linz si su factura de la nube salta de 18.000 a 52.000 euros al mes después de un despliegue de Copilot.

Los titulares hablan de productividad. Compras ve suscripciones. TI ve tokens, almacenamiento, red, registro, identidad, respaldo y nuevos roles de administrador. Ventas ve una herramienta que supuestamente precalifica ofertas, pero sin un ICP limpio, primero clasifica las mismas cuentas incorrectas más rápido. Bueno, casi. A veces incluso las clasifica peor, solo que formuladas de manera más convincente. Según Eurostat, en 2024, alrededor del 13,5 por ciento de las empresas de la UE utilizaron al menos una tecnología de IA; en Alemania, la tasa fue significativamente más alta en las grandes empresas, pero visiblemente más baja en las pequeñas y medianas empresas. El problema no es la falta de curiosidad. El problema es que muchas medianas empresas compran IA como un complemento y luego se dan cuenta de que han comprado una arquitectura operativa.

Los hiperescaladores invierten miles de millones, y eso no es un programa de caridad. Microsoft, Google, AWS, Meta y Oracle construyen centros de datos, compran GPUs NVIDIA, aseguran contratos de energía y agrupan funciones de IA en plataformas existentes. Microsoft ha señalado públicamente inversiones de dos dígitos en miles de millones alrededor de OpenAI y sus propias capacidades en la nube; Meta mencionó planes de Capex para 2024 de más de 35 mil millones de dólares, fuertemente impulsados por la infraestructura de IA. Estas sumas no se convierten en una nota a pie de página en el aire. Se convierten en precios, paquetes, modelos de consumo, compras mínimas y bloqueo. Las medianas empresas no solo pagan por la inteligencia artificial. También pagan la factura de electricidad de la nueva economía de plataformas.

Lo que falta hoy en muchos casos de negocio

En los casos de negocio que veo, casi siempre hay tres líneas limpias: licencia, implementación, ahorro esperado. Luego viene una flecha hacia arriba. ¿Qué falta? Limpieza de datos, esfuerzo de prueba, modelo de roles, modelo operativo, revisión de seguridad, revisión legal, capacitación, costos de error en los primeros meses, coordinación con el comité de empresa, pistas de auditoría, monitoreo de modelos, riesgo de cambio de proveedor. En un fabricante de Baden-Württemberg con alrededor de 1.200 empleados, cuyo nombre no puedo mencionar, el piloto de IA aprobado en ventas fue de 180.000 euros. El esfuerzo real hasta la implementación productiva en nueve países fue, después de 14 meses, de casi 690.000 euros, si se calculaban los FTE internos con un costo total de 95.000 euros. Esto no es una excepción. Es la norma con una contabilidad honesta.

Tendencia 1: Los costos de IA pasan de software a infraestructura

La primera tendencia es brutalmente simple: la licencia visible se vuelve más pequeña que la operación invisible. Los grandes modelos de lenguaje no cuestan porque una ventana de chat se vea bonita. Cuestan porque cada prompt consume potencia de cálculo, porque cada llamada a la API pasa por identidad, registro y cumplimiento, porque los datos no solo se leen, sino que se versionan, verifican, almacenan y, en caso de duda, se eliminan de nuevo. Los costos de inferencia de 0,002 a 0,03 dólares por 1.000 tokens parecen ridículos mientras cinco personas prueban. Con 800 usuarios, 20 flujos de trabajo, documentos técnicos largos, borradores de ofertas, investigaciones de ventas y resúmenes automáticos, esto se convierte en un bloque de costos. Silencioso. Mensual. Opex.

En los casos de uso de fabricación, el efecto es aún más duro. La visión por computadora en el control de calidad consume volumen de datos. El mantenimiento predictivo necesita datos de sensores históricos, nuevas tuberías de datos y a menudo hardware de borde en fábricas donde el armario de control es más antiguo que el ingeniero de datos más joven. Un proveedor automotriz de tamaño mediano cerca de Stuttgart calculó en 2024 un piloto de visión de 240.000 euros. El componente de cámara y modelo no fue el problema. Lo caro fueron las condiciones de iluminación, el etiquetado de datos, la clasificación de desechos, la segmentación de la red y la pregunta de quién es responsable a las 02:17 de la mañana si el sistema libera un lote incorrectamente. Brose, Schaeffler, Bosch y Continental pueden dedicar equipos enteros a estas preguntas. Un proveedor con 350 empleados no puede hacer eso de pasada.

Por lo tanto, no me gustan las hojas de ruta de IA que comienzan con “recopilar casos de uso” y solo después consideran la infraestructura. Es como planificar una nueva línea de producción y luego mirar el suelo de la nave. Sí, se necesitan casos de uso concretos. Pero quien quiera escalar la IA en las medianas empresas en 2026 debe pensar en la nube, la arquitectura de datos, los derechos, el monitoreo y el control de costos desde el principio. De lo contrario, el piloto ganará la demostración, y perderá en la operación.

“Esto no funciona para nosotros si solo después del piloto me entero de que necesitamos tres interfaces, dos nuevos roles y un modelo de costos en la nube que nadie en control entiende.”

— Markus, CSO de un fabricante de maquinaria en Núremberg, conversación en abril de 2025

Markus tiene razón. Y describe el punto ciego de muchos proveedores. En las demostraciones se ve el resultado: una cuenta calificada, un pliego de condiciones resumido, una oportunidad priorizada. Lo que no se ve: conceptos de autorización, duplicados, lógicas de campo antiguas en el CRM, nombres de productos que se escriben de manera diferente en tres países, y regiones de ventas que han crecido históricamente como cables detrás de un armario de control. Quien quiera entender los costos de IA debe ir más allá de la superficie. No al hype.

Tendencia 2: La gobernanza de datos pasa de proyecto secundario a motor de presupuesto

La segunda tendencia es menos sexy y, por lo tanto, más peligrosa: la gobernanza de datos se convierte en uno de los mayores bloques de costos. Salesforce describe en sus guías de herramientas de gobernanza de datos y almacenes de datos empresariales que la IA puede clasificar automáticamente los datos, detectar errores y marcar riesgos de cumplimiento. Esto es útil. Pero antes de que una herramienta clasifique los datos de manera limpia, una empresa debe saber qué datos posee, quién es responsable de ellos, qué significado tienen y si se pueden usar. Suena trivial. No lo es. He visto sistemas CRM en los que “Industria” era un campo de texto libre y “Ingeniería mecánica” aparecía en once variantes, incluyendo “Ing. mec.”, “Ingeniería mecánica DACH” y “OEM quizás”.

Un almacén de datos empresarial o un Data Lakehouse en una mediana empresa no solo cuesta una licencia de plataforma. Los presupuestos de introducción típicos, según la situación inicial, oscilan entre 0,5 y 3 millones de euros. A esto se suman los costos operativos anuales en el rango de seis cifras. Las herramientas de gobernanza de datos con funciones de IA para muchas medianas empresas se sitúan aproximadamente entre 50.000 y 300.000 euros al año, más los roles internos: Data Owner, Data Steward, Governance Lead, a veces un perfil de ML-Ops. Quien no planifica esto, luego llama “complejidad inesperada” a lo que en realidad era un trabajo previsible.

De nuestras implementaciones sabemos: En proyectos de ventas B2B con clientes industriales, en las primeras 8 a 12 semanas, en promedio, del 62 al 74 por ciento del trabajo operativo no se destina a la lógica de IA, sino al acceso a datos, mapeo de campos, lógica de duplicados, mejora de ICP y procesos de aprobación. El obstáculo más común no es un modelo malo. Es la pregunta de si “Distribuidor Kärcher”, “Alfred Kärcher SE & Co. KG” y “Kaercher Export” son la misma cuenta económica, si se refiere a la ubicación de Winnenden o a una subsidiaria, y si el departamento de ventas puede vender esta estructura de esa manera. Este trabajo no aparece en ningún informe brillante. Pero decide si la IA en ventas genera citas o solo una ensalada de datos con mejor gramática.

La gobernanza de datos suena a control. En realidad, es protección del crecimiento. Sin una clara responsabilidad de los datos, una empresa escala suposiciones erróneas. Un director de ventas de Augsburgo, Stefan, me dijo en junio de 2025 después de un taller: “Pensábamos que teníamos un problema de leads. Teníamos un problema de definición”. Exacto. Si marketing, ventas, servicio y gestión de productos utilizan términos diferentes para el mismo tipo de cliente, la IA no puede generar claridad mágicamente. Puede industrializar la falta de claridad.

Por qué la Ley de IA no solo hace que los costos sean legales

La Ley de IA de la UE a menudo se archiva en las medianas empresas como un asunto legal. Error. Cambia el modelo operativo. Clasificación de riesgos, documentación, transparencia, monitoreo, supervisión humana: no son solo párrafos, sino paquetes de trabajo. Muchas empresas europeas calculan ahora costos de cumplimiento adicionales del 5 al 15 por ciento del presupuesto del proyecto de IA, dependiendo de la clase de riesgo, el tipo de datos y la industria. En un programa de 700.000 euros, esto no son cacahuetes. Y si la IA se desliza en el control de calidad, la decisión de crédito, los recursos humanos o los procesos relacionados con la seguridad, una “herramienta” se convierte en un sistema con requisitos de prueba.

En DACH, hay algo más: la participación de los empleados. Quien introduce la IA en la fábrica, quien evalúa los datos de rendimiento, quien construye recomendaciones automáticas para los empleados, se encuentra rápidamente con el comité de empresa, los responsables de protección de datos y el derecho laboral. No digo que esto sea malo. No del todo, a veces es difícil. Pero es la realidad. Una fábrica en el sur de Alemania no huele a presentación, sino a lubricante refrigerante, madera de palet y viejas responsabilidades. Quien quiera introducir un sistema de IA allí, debe explicar qué hace, qué no hace, qué datos se almacenan y quién decide en caso de conflicto.

Amplifa ICP Playbook Un marco práctico para definir claramente los clientes objetivo, las señales y las prioridades de ventas antes de la automatización de la IA.

Tendencia 3: La integración se come la historia del ROI

La tercera tendencia es la más cara: la integración. No como una palabra de moda, sino como una factura. La IA debe integrarse en SAP, Microsoft Dynamics, Salesforce, HubSpot, Siemens Teamcenter, Dassault, MES, PLM, PIM, DMS, CPQ y, a veces, en una herramienta de Access hecha a medida de 2009. El desarrollo de interfaces para ERP, MES o PLM en proyectos más grandes puede costar rápidamente entre 150.000 y 500.000 euros. A esto se suman las pruebas, los derechos, los roles, el endurecimiento de la seguridad, la migración de datos, el monitoreo y el mantenimiento. En los informes de analistas se lee entonces “impulso de productividad a través de la integración de IA”. En la práctica, en el calendario aparece: coordinación el lunes a las 9:00, modelo de datos el miércoles, escalada el viernes.

Aquí soy tajante: quien en 2026 todavía cree que la IA puede ofrecer un ROI sustancial en las medianas empresas sin una integración de sistemas limpia, confunde la demostración con la operación. Por supuesto, hay ganancias de productividad aisladas. Un empleado se hace redactar un correo electrónico. Un equipo de servicio resume tickets. Un vendedor investiga más rápido. Bien. Pero la gran palanca solo surge cuando la IA interviene en el proceso: priorizar cuentas, reconocer oportunidades de conversación, preparar ofertas, escribir datos de vuelta, activar la siguiente acción, medir el éxito. Para eso no basta una ventana de chat. Para eso se necesita arquitectura.

Un ejemplo del departamento de ventas: el equipo de Markus, un fabricante de componentes técnicos de Franconia con unos 85 millones de euros de facturación, ha concertado el triple de citas iniciales cualificadas en 9 meses, sin un solo nuevo empleado de ventas. No porque un modelo de lenguaje escribiera correos electrónicos especialmente encantadores. La clave estuvo en la interacción entre ICP, señales de cuenta, higiene del CRM, lógica de alcance y criterios de exclusión claros. Automatizamos menos de lo previsto inicialmente y recortamos más. Fuera industrias irrelevantes. Fuera cuentas sin disparadores. Fuera personas que, aunque estaban en el CRM, nunca tuvieron influencia en las especificaciones. La IA aceleró. La estrategia decidió.

Copia de seguridad, recuperación y resiliencia: El bloque olvidado

Un bloque de costos que se olvida con especial facilidad: la resiliencia. Los sistemas de IA generan registros, versiones, prompts, salidas, estados de modelos, datos de entrenamiento, datos de evaluación. Si un sistema da recomendaciones para ofertas, decisiones de calidad o casos de servicio, alguien querrá saber por qué. No en algún momento. En la auditoría. En la reclamación. Quizás en los tribunales. Salesforce se refiere a los agentes de IA en las soluciones de copia de seguridad empresarial que pueden reducir los costos de servicio y asegurar la integridad de los datos. Bonito. Pero las soluciones avanzadas de copia de seguridad y recuperación con funcionalidad de IA pueden costar rápidamente entre 50.000 y 200.000 euros al año para entornos de tamaño mediano, más almacenamiento, red y diseño de procesos.

Para los fabricantes con varias plantas, esto se convierte en una cuestión operativa: ¿Qué datos permanecen en la planta? ¿Cuáles van a la nube? ¿Cuáles deben permanecer en Europa debido a los contratos con los clientes? ¿Qué sucede si una línea se detiene porque un sistema de inspección asistido por IA no está disponible? En Festo o Phoenix Contact existen las estructuras para responder sistemáticamente a estas preguntas. En un fabricante de herramientas con 220 personas, a menudo depende de un jefe de TI que al mismo tiempo se encarga del firewall, la actualización del ERP, el sistema telefónico y ahora también la gobernanza de la IA. Esto no es un déficit tecnológico. Es una realidad organizativa.

¿Qué tan altos son realmente los costos ocultos de la IA?

La respuesta corta: Para las empresas manufactureras de tamaño mediano con 100 a 5.000 empleados, los programas serios de IA durante 3 a 5 años a menudo tienen costos totales de 1 a 5 millones de euros. No por chatbot. Para un programa con múltiples casos de uso, plataforma de datos, integración, gobernanza, operación y cambio. Un pequeño piloto puede costar 50.000 euros. Un caso de uso productivo bien implementado con integración de sistemas a menudo cuesta entre 250.000 y 900.000 euros. Una cartera de ventas, servicio, calidad y cadena de suministro supera rápidamente esa cifra. ¿Honestamente? No lo sé para cada empresa. Pero sé que la primera cifra casi siempre es demasiado baja.

La segunda respuesta es más incómoda: el ROI no solo se prolonga por los costos, sino por el tiempo. Si un piloto dura tres meses y la integración doce meses, la amortización no se ve en el trimestre, por muy bonita que fuera la demostración. En ventas y generación de leads puede ser más rápido, porque las fuentes de datos suelen ser más accesibles que los datos de máquinas y calidad. Pero incluso allí, sin ICP, sin modelo de señales, sin retorno de CRM y sin aceptación de ventas, la IA sigue siendo un teatro de actividad. Muchas empresas celebran más leads generados. La junta directiva pregunta seis meses después por los ingresos. Entonces se hace el silencio.

En los casos de uso de producción, el valor suele ser mayor, pero el camino más largo. El mantenimiento predictivo puede reducir las paradas. La visión por computadora puede reducir el desperdicio. La optimización de la cadena de suministro puede reducir la inmovilización de capital. Pero cada uno de estos casos necesita un historial de datos, comprensión del proceso, responsabilidades claras y una estrategia de tolerancia a fallos. Un lead incorrecto cuesta tiempo. Una pieza liberada incorrectamente cuesta dinero, confianza del cliente y, en el peor de los casos, seguridad. Por eso, la gobernanza y las pruebas no son burocracia. Son un seguro contra la estupidez costosa.

Lo que esto significa para las medianas empresas europeas

Para las medianas empresas europeas, la pregunta cambia de “¿Hacemos IA?” a “¿Qué IA podemos permitirnos operar?”. Esto suena defensivo, pero es estratégico. Grandes corporaciones como Siemens, Bosch, Schaeffler, Trumpf, DMG Mori o Webasto pueden construir equipos de plataforma, financiar laboratorios de IA internos y compensar errores a través de carteras. El campeón oculto clásico con 250 millones de euros de facturación no puede hacer esto con la misma amplitud. Debe decidir con mayor precisión. Menos campo de juego. Más disciplina de capital.

Veo tres impactos. Primero: los presupuestos de IA se trasladan de los departamentos de innovación a las líneas de negocio. Ventas, servicio, operaciones e ingeniería deben asumir su propia responsabilidad por los resultados. Segundo: los directores financieros exigirán FinOps de IA, es decir, control de costos para tokens, nube, licencias de usuario, almacenamiento, esfuerzo de integración y socios externos. Tercero: el departamento de compras tendrá que aprender que el precio de licencia más barato rara vez es la operación más barata. En una conversación en Múnich en mayo de 2025, Julia, directora financiera de un fabricante de electrónica, dijo: “Ya no firmo contratos de IA antes de que alguien me escriba los costos de salida en una página”. Buena frase. Debería estar en cada pared de la sala de juntas.

Para los inversores, esto también será relevante. Quien invierte en empresas industriales de tamaño mediano a menudo se fija en el EBITDA, el capital de trabajo, la cartera de pedidos y el grado de automatización. En el futuro, el TCO de la IA formará parte de la due diligence. No como una diapositiva sobre la viabilidad futura, sino como una prueba rigurosa: ¿Qué dependencias de plataforma existen? ¿Qué calidad de datos tiene la empresa? ¿Existen roles internos? ¿Se miden correctamente los Opex de la IA? ¿Se han vuelto las ventas más productivas gracias a la automatización o simplemente más ruidosas? En 2026, no evaluaría una empresa industrial sin hacer estas preguntas.

DACH es más cauteloso, y eso puede ser una ventaja

Las empresas de DACH a menudo se consideran lentas en IA. Esto es parcialmente cierto. Los procesos de decisión son más largos, la protección de datos se toma en serio, los comités de empresa participan, y un director general en Ostwestfalen prefiere preguntar dos veces antes de enviar datos de clientes a un modelo externo. Esto molesta a los proveedores. A mí a veces también. Pero puede ser una ventaja si de ello surge una mejor disciplina de TCO. EE. UU. es más rápido en el despliegue. Europa debe mejorar en la operación. Esto no es un premio de consolación, es una estrategia.

El error sería confundir la precaución con el estancamiento. Quien en 2026 todavía apuesta por una estrategia puramente inbound en las ventas B2B, no tendrá pipeline en cinco años. Pero quien aplica ciegamente la automatización de la IA a datos deficientes, construye una máquina que procesa las cuentas equivocadas más rápido. Ambas cosas son caras. El arte reside en el orden: comprender el mercado, afinar el ICP, construir el modelo de datos, integrar los procesos y luego escalar. No al revés.

Producto Amplifa Amplifa conecta ICP, señales de cuenta y procesos de ventas impulsados por IA para una pipeline B2B predecible en las medianas empresas.

Preparación: 7 pasos antes de que los costos de IA se disparen

No me gustan las listas de verificación si reemplazan el pensamiento. Esta debe forzar el pensamiento. Quien como director general, inversor o responsable de estrategia en una empresa manufacturera planea un programa de IA en 2026, debe aclarar estos siete puntos antes de la aprobación del presupuesto. No después. Antes.

1. Calcule el TCO a 5 años en lugar del presupuesto piloto: Incluya licencias, consumo de la nube, costos de API, almacenamiento, copia de seguridad, socios externos, FTE internos, capacitación, gobernanza, seguridad y costos de salida. Un presupuesto piloto de 150.000 euros no es una lógica de inversión si el despliegue implica 900.000 euros.
2. Realice un inventario de datos con los responsables: Defina qué fuentes de datos son relevantes, a quién pertenecen, qué calidad tienen y qué campos son críticos para el negocio. En ventas, esto significa, por ejemplo: estructura de cuentas, industria, clase de ingresos, disparadores, contactos, centro de compras, criterios de exclusión.
3. Evalúe los casos de uso según el grado de integración: Un asistente aislado se calcula de manera diferente a un sistema que escribe en SAP, Salesforce, Teamcenter o MES. Evalúe cada caso de uso según el acceso a los datos, la proximidad al proceso, el riesgo, el número de usuarios y el esfuerzo operativo.
4. Establezca FinOps para IA: Defina límites de costos, monitoreo, informes de consumo y responsabilidades para tokens, nube, almacenamiento y licencias de plataforma. Sin FinOps, el Opex de IA se convierte en una cortina de humo en el cierre mensual.
5. No delegue la gobernanza al departamento legal: La clasificación de riesgos, la documentación, las pistas de auditoría, el monitoreo de modelos y la supervisión humana necesitan un modelo operativo. Legal revisa. El negocio opera.
6. Monetice los costos de cambio: Incluya capacitaciones, caídas de productividad, reestructuración de procesos y nuevos roles. Si un proceso de ventas se modifica con IA, esto afecta a los sistemas objetivo, la remuneración, la gestión y la previsión.
7. Aclare la salida y el bloqueo antes de firmar el contrato: Verifique cómo se pueden exportar los datos, qué modelos son intercambiables, qué integraciones se vuelven propietarias y cuánto cuesta cambiar de proveedor. El contrato más caro suele ser aquel del que no se puede salir.

Un modelo TCO simple para directores generales

Cuando trabajo con directores generales, me gusta usar una fórmula aproximada. No es científicamente perfecta. Pero evita el autoengaño. Costos totales a cinco años = costos de proyectos externos + licencias de software + nube y computación + plataforma de datos + integración + FTE internos + gobernanza y cumplimiento + seguridad y resiliencia + cambio + colchón de riesgo. El colchón de riesgo no debe ser del 5 por ciento. En integraciones complejas, considero que el 20 al 30 por ciento es más realista. Quien se estremezca ahora, ha entendido el punto.

Costos de IA en ventas: Por qué Amplifa es tan estricta aquí

Dado que en Amplifa trabajamos en ventas, veo los costos de IA allí con especial agudeza. Muchas empresas compran IA para ventas porque quieren más pipeline. Comprensible. Pero el pipeline no surge de la generación de texto. El pipeline surge de clientes objetivo correctos, señales claras, timing, oportunidades de conversación, traspaso limpio y seguimiento consistente. La IA puede apoyar cada uno de estos pasos. También puede inflar cada uno de estos pasos. Un equipo de SDR que antes procesaba 500 cuentas mediocres, con IA puede procesar 5.000 cuentas mediocres. El calendario se llena. Las ventas no necesariamente.

Lo que vemos concretamente en Amplifa: En empresas industriales con productos que requieren explicación, la tasa de citas rara vez aumenta solo con más personalización. El efecto más fuerte proviene de una mejor selección de cuentas. En proyectos de 2024 y 2025, la diferencia entre el alcance automatizado amplio y el alcance basado en señales y con ICP preciso a menudo fue de un factor de 2,4 a 3,7 en citas cualificadas por cada 1.000 cuentas objetivo. Los costos por cita no disminuyeron porque la IA redactara más barato, sino porque se contactaron menos cuentas incorrectas. Este es un hallazgo incómodo para los proveedores de herramientas. Para los directores generales, es oro puro.

Un ejemplo: un fabricante de componentes de automatización, no Festo, pero en un segmento de mercado similar, quería duplicar su actividad outbound con IA en enero de 2025. El objetivo original era de 12.000 contactos por trimestre. Redujimos a 3.800 cuentas relevantes, basándonos en la industria, indicadores de parque de maquinaria, estructura de la ubicación, señales de contratación, certificaciones y disparadores de informes de inversión. Resultado después de dos trimestres: menos correos electrónicos, más conversaciones, mejor aceptación en ventas. El CSO, Daniel de Ulm, dijo después: “Quería automatización. Lo que obtuve primero fue disciplina”. Así debe ser.

Amplifa para pipeline B2B Estrategia, datos e implementación impulsada por IA para equipos de ventas B2B de tamaño mediano con mercados objetivo complejos.

Por qué las sumas de inversión dan una falsa seguridad

Las sumas de inversión impresionan. 80 mil millones de dólares de capital de riesgo en un año pico. Miles de millones de dólares en hiperescaladores. Rondas de Serie A y Serie B entre 20 y 200 millones de dólares para startups de IA. Brazos de Corporate Venture de Siemens, Bosch, BMW o Schneider Electric que financian startups de Industria 4.0 y IA. Esto suena a validación del mercado. Y lo es. Pero no dice nada sobre si un fabricante de tamaño mediano tiene su propia estructura de costos bajo control.

Los inversores financian el crecimiento, no su limpieza de datos. Los hiperescaladores financian infraestructura que luego debe venderse. Los proveedores de SaaS agrupan la IA en paquetes porque facilita la expansión. Los analistas escriben sobre tamaños de mercado porque los mercados son más fáciles de modelar que la fricción interna. Nadie se sienta al final en su comité directivo cuando el CIO dice que el sistema PLM no se puede conectar correctamente, que el departamento de ventas no utiliza las recomendaciones y que la protección de datos aún exige un análisis de riesgos. Estos costos no están ocultos porque sean invisibles. Están ocultos porque a nadie le gusta escribirlos en la primera diapositiva.

La mecánica del proveedor: Agrupación, consumo y bloqueo

La mecánica del mercado es clara. Microsoft agrupa la IA en M365, Dynamics y Azure. Salesforce integra Einstein y Data Cloud. ServiceNow, Oracle, SAP, Google y AWS incorporan funciones de IA en las plataformas. Esto es conveniente. Reduce las barreras de entrada. Pero también aumenta el bloqueo. Una vez que los flujos de trabajo, los modelos de datos, los permisos y las automatizaciones están profundamente arraigados en una plataforma, el cambio se vuelve costoso. No imposible. Pero lo suficientemente costoso como para que en muchos consejos de administración nunca se discuta seriamente.

A esto se suman los complejos modelos de precios: basados en usuarios, basados en transacciones, basados en tokens, basados en volumen, a veces combinados. El departamento de compras está capacitado en negociaciones de licencias, no en consumos variables de IA. Los directores financieros conocen FinOps en la nube mejor que hace cinco años, pero FinOps de IA aún es joven. Si un equipo de ventas escala de repente las investigaciones automáticas de cuentas, los resúmenes de conversaciones, las variantes de correo electrónico, las actualizaciones de CRM y las evaluaciones de señales, el consumo no crece linealmente con el número de usuarios. Crece con el diseño del proceso. Esa es una lógica diferente.

Perspectiva regional: DACH, Europa, global

DACH tiene una estructura de costos de IA especial. La densidad industrial es alta, los procesos son complejos, los paisajes de datos históricos, los requisitos del cliente estrictos. Un fabricante de maquinaria en Baden-Württemberg tiene problemas de integración diferentes a los de una empresa SaaS estadounidense. SAP está profundamente arraigado, los sistemas MES están adaptados individualmente, PLM es crítico, Excel sigue vivo (a veces muy vivo), y clientes como BMW, Mercedes-Benz, Airbus o Siemens exigen pruebas, certificaciones y fiabilidad. Eso cuesta.

Europa agudiza la cuestión de la gobernanza. La Ley de IA introduce la clasificación de riesgos y las obligaciones de transparencia. El RGPD permanece. Las normas sectoriales se añaden. En Francia, los países nórdicos y el Benelux veo más programas de financiación y, en parte, un trabajo básico digital más rápido. En Alemania veo más escepticismo y, a cambio, a menudo una mejor disciplina de procesos una vez que un proyecto ha sido aprobado. A nivel global, EE. UU. y Asia son más agresivos. Grandes empresas industriales y tecnológicas invierten entre 10 y 100 millones de dólares al año en programas de IA. China, Corea y Japón impulsan la IA de fabricación a gran velocidad. Pero la velocidad sin gobernanza no es gratuita. Traslada los costos al riesgo.

Para las medianas empresas de DACH, esto significa: no tienen que imitar al hiperescalador. Tienen que ganar selectivamente. Un fabricante de máquinas herramienta no necesita iniciar 40 casos de uso de IA. Quizás necesite cinco: soporte de ofertas, identificación de piezas de repuesto, análisis de calidad, riesgo de proveedores, señales de ventas. Si estos cinco están bien integrados, superan a 40 pilotos en un boletín de innovación. Sé que suena poco romántico. Y está bien.

Impactos empresariales: Dónde la IA realmente genera dinero

La pregunta empresarial más importante no es: ¿Qué tecnología de IA utilizamos? Es: ¿Qué cuello de botella se vuelve económicamente más pequeño? En ventas, puede ser la falta de conversaciones cualificadas. En servicio, puede ser el tiempo de procesamiento de solicitudes técnicas. En producción, puede ser el desperdicio o las paradas. En ingeniería, puede ser el tiempo hasta la evaluación de variantes. Cualquier otra discusión es fetichismo de herramientas.

En las empresas manufactureras de tamaño mediano, veo cuatro palancas de valor que pueden justificar los costos de la IA. Primero: mejor cobertura de mercado con el mismo equipo de ventas. Segundo: tiempos de respuesta más cortos para consultas técnicas. Tercero: menos errores en procesos repetitivos de documentos y datos. Cuarto: mejores decisiones en inventarios, calidad y mantenimiento. Esto no son fantasías. Pero cada palanca necesita puntos de medición antes de empezar. Si nadie sabe cuántas conversaciones cualificadas por cada 1.000 cuentas se generan hoy, nadie podrá demostrar después que la IA ha funcionado en ventas.

En un proyecto de cliente en ingeniería mecánica, antes de la automatización, medimos primero la base: 1.000 cuentas objetivo, 42 respuestas relevantes, 11 citas cualificadas, 3 oportunidades reales. Después de afinar el ICP y priorizar las señales con IA, con un número comparable de cuentas, hubo 27 citas cualificadas y 8 oportunidades. No es perfecto. Pero medible. Al final, el director general se interesó menos por el modelo que por la pregunta de si la entrada de pedidos se recuperaría seis meses después. Correcto. La IA no es un fin en sí misma. Es una herramienta costosa que o bien resuelve un cuello de botella o simplemente tiene un aspecto moderno.

Preguntas frecuentes: ¿Cuándo vale la pena la IA a pesar de los altos costos?

La IA vale la pena cuando un proceso económicamente relevante tiene suficiente repetición, suficiente acceso a datos y suficiente volumen de decisiones para que la automatización o la asistencia tengan un efecto notable. Un proceso de ofertas con 20 ofertas complejas al año quizás no sea un buen primer caso de IA. Un proceso de piezas de repuesto con 18.000 solicitudes al año ya es más probable. Un equipo de ventas con un ICP poco claro necesita primero una estrategia. Un equipo de ventas con un ICP claro, pero con poca cobertura de mercado, puede obtener un verdadero apalancamiento a través de la generación de leads asistida por IA. El orden decide.

Preguntas frecuentes: ¿Qué costos de IA se olvidan con más frecuencia?

Los costos de personal interno, la limpieza de datos, las pruebas de integración, la gobernanza, la capacitación y el monitoreo continuo son los que más se olvidan. Inmediatamente después vienen la copia de seguridad, las pistas de auditoría, el endurecimiento de la seguridad y los costos de cambio de proveedor. En conversaciones con directores financieros, a menudo escucho: “Tenemos los costos externos bajo control”. Incluso lo creo. Los costos internos son el problema, porque se gestionan a través de calendarios, reuniones y retrasos, no a través de una factura limpia.

Preguntas frecuentes: ¿Deberían las medianas empresas entrenar sus propios modelos?

Casi siempre no. No al principio. Entrenar modelos fundacionales propios es un sinsentido para casi todos los fabricantes de tamaño mediano. Demasiado caro, demasiado complejo, demasiado alejado del cuello de botella. Más sensato son los modelos existentes, los enfoques de recuperación, los espacios de datos limpios, los derechos claros y los flujos de trabajo específicos de la industria. El ajuste fino puede tener sentido más adelante, cuando haya suficiente calidad de datos, volumen de uso y gobernanza. Quien comienza con su propio modelo sin aclarar sus términos de datos, construye un monumento a la vanidad técnica.

Pronóstico personal: 2026 a 2028 el mercado se separa

Mi pronóstico para los próximos dos o tres años: El mercado de la IA en las medianas empresas europeas se dividirá en tres grupos. El grupo uno seguirá realizando pilotos, utilizando fondos, creando presentaciones internas y escalando poco. El grupo dos comprará grandes paquetes de plataformas, luego sufrirá por el Opex, la integración y la aceptación. El grupo tres comenzará más pequeño, priorizará con más rigor, calculará el TCO de manera limpia y tratará la IA como un sistema operativo para cuellos de botella concretos. Este tercer grupo no será el más ruidoso. Tendrá un mejor pipeline, procesos más estables y márgenes más fiables.

También creo que los costos de IA tendrán un nombre propio en los consejos de administración. Hoy desaparecen en TI, digitalización, eficiencia de ventas u operaciones. Para 2028, muchas medianas empresas tendrán un informe de Opex de IA, similar a Cloud FinOps. No porque el control de gestión disfrute de nuevas columnas. Sino porque los costos variables del modelo, las licencias de plataforma, el mantenimiento de datos y la gobernanza crecerían de otra manera hasta convertirse en un bloque gris. Y los bloques grises son el enemigo de toda disciplina de inversión.

Las medianas empresas tienen una ventaja que muchos subestiman: la cercanía al problema. Un director general de un fabricante en Heilbronn conoce sus cuellos de botella a menudo con más precisión que un director de una corporación con 14 equipos de transformación. Si esta cercanía se combina con la claridad de los datos y la disciplina de capital, la IA puede aportar mucho. Pero no como magia. Como trabajo. Como centro de costos con exigencia de rentabilidad. Como un sistema que se opera.

Hace unos días, un director de ventas de Colonia me envió un mensaje después de una revisión interna de IA. Solo una frase: “Hoy hemos eliminado tres casos de uso y, por primera vez, nos sentimos más rápidos”. Esa es quizás la estrategia de IA más madura que he visto esta semana.