¿Cómo implanta un fondo de private equity la IA en sus participadas?
Se empieza por una participada y un cuello de botella ligado al plan de creación de valor, se demuestra el cambio allí y después el método pasa a la siguiente empresa, que arranca con su propio responsable y su línea base.
La gestora necesita una visión de cartera de dónde puede la IA mover el plan, y una sola forma de reportarlo. La participada necesita a alguien que elija el problema, construya la solución con su gente y explique el cambio en los términos que el consejo reconoce. Pocas gestoras del mid-market tienen un responsable de IA en el equipo, y la mayoría todavía no necesita uno fijo.
Un AI Operating Partner cubre los dos lados durante un periodo acotado: la visión de cartera para la gestora y la ejecución en las primeras participadas. Entre empresas viajan el método, los puntos de revisión y los componentes reutilizables. Los datos, los permisos y las líneas base se quedan en cada una.
¿Construís la solución o solo asesoráis?
Las dos cosas: Javier diseña el flujo de trabajo con tu equipo y lo construye él mismo, junto a tus técnicos en la arquitectura y el código.
Para eso existe este trabajo. Un consejo que se queda en la hoja de ruta deja la parte más difícil, construir y desplegar, en manos de quien menos tiempo tiene. La aplicación de configuración de precios y ofertas (CPQ) del caso publicado en esta web la construyó Javier en unas seis semanas: arquitectura, desarrollo, pruebas y diseño.
Las herramientas de IA aceleran la construcción. Lo que corre en producción se decide paso a paso: un modelo donde aporta, reglas explícitas donde el resultado tiene que ser exacto. Si ya cuentas con un equipo de ingeniería sólido, el papel pasa a ser de diseño, revisión y decisiones sobre qué comprar, integrar o construir.
¿Qué resultados concretos habéis conseguido?
El ejemplo más claro son las ofertas comerciales en una empresa SaaS europea participada por private equity, de unas 300 personas: prepararlas pasó de unos dos días a dos horas.
Cada oferta circulaba entre ventas, preventa y finanzas con pasos manuales. Javier mapeó el proceso con los tres equipos, acordó qué se automatizaba y dónde seguía revisando una persona, y después construyó la aplicación. Los precios siguen saliendo de lógica determinista, con reglas y puntos de revisión acordados con finanzas.
En la misma empresa, preparar una revisión trimestral de negocio (QBR) con datos de seis fuentes pasó de seis horas a una, y el trabajo por cada solicitud de propuesta (RFP) bajó de 25 horas a 10, con unas 60 al año. Antes, el equipo de Sales Engineering que montó desde cero llevó el win rate en operaciones complejas del 14% al 27%.
¿Cómo funciona un encargo y qué necesitáis de mi equipo?
La mayoría de los encargos empieza con un diagnóstico de dos a tres semanas sobre un cuello de botella y sigue con la ejecución, como proyecto acotado o como mandato interino o fractional.
De tu lado hacen falta un sponsor con capacidad de decisión, las personas que llevan el proceso para unas pocas sesiones de trabajo y acceso a los sistemas implicados. Quienes llevan el proceso son los que más pesan: una o dos horas cada uno durante el diagnóstico y, después, revisiones cortas de lo que se va construyendo. Nadie tiene que redactar documentos de requisitos.
Alcance, plazos y honorarios se acuerdan tras la primera conversación, cuando el problema ya está claro.
¿Por dónde empezar con la IA en una empresa?
Empieza donde se pierde tiempo o dinero en un proceso que se repite cada semana, con un equipo que quiere el cambio y un resultado que el consejo reconocería.
Una auditoría de IA que recorre todos los departamentos suele acabar en una lista larga y poco movimiento. Un solo flujo medido antes y después deja un resultado y un método que el siguiente equipo puede reutilizar. En lo comercial: ofertas, propuestas, preparación de cuentas, seguimiento. En operaciones: reporting, revisiones con mucha documentación, trabajo que pasa a mano de un sistema a otro.
Las dos primeras semanas fijan tres cosas: dónde está la pérdida, cuánto valdría resolverla y quién será su responsable cuando esté en marcha.
¿Dónde se ejecuta el modelo y están seguros mis datos?
El trabajo corre en tus propios sistemas y cuentas, con proveedores de modelos en condiciones empresariales que no entrenan con tus datos, y el código, las instrucciones y los datos se quedan contigo.
Antes de construir nada se acuerda qué datos puede leer el flujo, qué acciones puede ejecutar, cuáles necesitan la aprobación de una persona y quién se entera cuando algo falla. Con material confidencial o sujeto a secreto profesional, eso puede significar dejar un paso fuera del modelo o usar un modelo desplegado en tu propio tenant de nube.
Tus responsables de seguridad y de datos participan en el diseño desde la primera semana.
¿Se puede comprobar y explicar lo que hace la IA?
Sí, si se diseña para ello desde el principio: los pasos que deben ser exactos funcionan con reglas explícitas que se pueden leer, y cada resultado del modelo que importa tiene un revisor con nombre y una fuente trazable.
Una caja negra que nadie puede validar te devuelve al punto de partida. El diseño separa lo que un modelo hace bien, leer y redactar a partir de información desordenada, de lo que tiene que ser exacto: precios, cifras, aprobaciones. La aplicación de ofertas es el ejemplo: se construyó con herramientas de IA, y la lógica de precios que ejecuta es determinista.
¿Qué pasa cuando termináis el mandato?
Tu equipo se queda con una función que ya trabaja, con la configuración, las instrucciones, las métricas y un responsable con nombre para cada flujo, así que quien ocupe el puesto fijo hereda algo en marcha en lugar de una hoja en blanco.
El traspaso se planifica desde el primer día. Formación, documentación y revisiones del uso avanzan junto con la construcción, y cada flujo tiene un responsable dentro de la empresa antes de entrar en producción. El acompañamiento sigue solo donde aporta, con la frecuencia que tú decidas.
¿Cómo se mide el valor de la IA en una empresa?
Se mide como el consejo ya lee el negocio, con tres indicadores: capacidad, efecto financiero y efecto comercial.
Capacidad es el tiempo que recupera cada equipo, neto de revisión y mantenimiento. El efecto financiero son cambios reales en costes, con la implantación y la operación incluidas. El efecto comercial son ingresos, medidos aparte del pipeline y la actividad. Primero va la línea base, sobre trabajo real y antes de cambiar nada.
Las horas ahorradas cuentan si sabes qué hace el equipo con ellas. En un negocio que factura por horas, ahorrar tiempo puede reducir ingresos cuando precios y capacidad no cambian con él, y eso se decide antes de construir.
¿Qué hace un director interino de IA en los primeros 90 días?
A los 90 días debería haber prioridades acordadas, responsables con nombre, una línea base por prioridad y al menos una mejora en uso diario.
El primer mes es el diagnóstico: dónde se pierden tiempo y valor, qué funciona ya y en qué va a confiar el equipo. En el segundo se construye la primera mejora con las personas que la van a operar. En el tercero se despliega, se monta la rutina que la mantiene viva (un referente de IA por equipo, un foro semanal y una revisión mensual con dirección) y se ordena lo que viene después.
Si está prevista una incorporación fija, esa persona hereda el plan y un resultado.
¿Cuánto tarda un piloto de IA en llegar a producción?
Un flujo acotado con un responsable claro puede estar en uso diario en seis a diez semanas, y la mayoría de los pilotos que tardan más están esperando decisiones.
La construcción suele ser la parte rápida: la aplicación de ofertas llevó unas seis semanas. Los pilotos se atascan cuando nadie ha acordado cómo es un buen resultado, quién es el responsable del flujo o qué casos debe cubrir. Entonces el equipo usa la herramienta para los casos fáciles, sigue con el método de siempre en los importantes, y las cifras de uso salen iguales en los dos casos.
Si el criterio de un buen resultado, el responsable y los puntos de revisión se fijan antes de construir, el calendario se cumple.
¿Cuándo se aplican las obligaciones de alto riesgo del AI Act?
Las obligaciones de alto riesgo del anexo III se aplican desde el 2 de diciembre de 2027, y las de la IA integrada en productos del anexo I, desde el 2 de agosto de 2028.
El Digital Omnibus definitivo retrasó ambas fechas. Ya están en vigor las prácticas prohibidas y la obligación de alfabetización en IA, desde febrero de 2025, y el régimen sancionador y las obligaciones de los proveedores de modelos de IA de uso general, desde agosto de 2025. La mayor parte del uso de IA en empresas medianas es de riesgo mínimo.
Lo útil ahora es un inventario de los sistemas en uso, una primera clasificación y responsables para los casos dudosos. La clasificación vinculante y la evaluación de conformidad corresponden a un abogado especializado en el AI Act y, cuando se exige, a un organismo notificado.
Calendario completo de preparación para el AI Act (en inglés)