La inteligencia artificial ha dejado de ser una promesa lejana para convertirse en una herramienta práctica para empresas de todos los tamaños. En el Maresme, fabricantes, distribuidores y empresas de servicios ya están aplicando IA para resolver problemas concretos del día a día.
Dicho esto, conviene empezar con una dosis de realidad. El Barómetro de adopción de la IA en las pymes españolas de IndesIA, en su edición de octubre de 2026 y sobre una muestra de 131.554 empresas, sitúa el uso real de IA en la pyme industrial española en el 4,1%. Es el doble que en 2024 (2,1%) y una subida clara sobre el 2,9% de 2025, pero significa que casi 96 de cada 100 pymes industriales todavía no han puesto una sola automatización con IA en producción. Cataluña queda algo por encima de la media (4,9%), solo por detrás de Madrid (6,3%).
La brecha no es tecnológica: los modelos y las herramientas están al alcance de cualquier empresa con conexión a internet y una tarjeta. La brecha es de criterio: saber qué proceso merece automatizarse, qué datos hacen falta y cómo se mide si ha funcionado. Este artículo repasa las automatizaciones que estamos viendo funcionar de verdad en empresas de la comarca, lo que cuestan y lo que devuelven, y también las que se quedan por el camino.
Cómo está realmente la adopción de IA en la empresa industrial
Los datos del barómetro ayudan a situar el punto de partida. Entre las pymes que sí usan IA, los tres usos dominantes son la automatización de flujos de decisión (31,4%), la IA generativa (28,5%) y el machine learning clásico (26,5%). Es decir: la mayoría no está entrenando modelos propios, está conectando piezas que ya existen a procesos que ya tenía.
El tamaño importa menos de lo que se supone. La adopción es del 6,5% en medianas (50-250 empleados), del 5,1% en pequeñas (10-50) y del 3,6% en microempresas. La distancia entre una mediana y una micro es menor que la que hay entre una empresa con procesos documentados y otra que los lleva en la cabeza de tres personas.
El dato que más nos interesa en los proyectos que hacemos es el de resultado: las compañías que han implantado IA registran un crecimiento de ventas 2,9 puntos porcentuales superior (7,25% frente a 4,34%). No es causalidad directa, porque las empresas que automatizan suelen ser también las que miden y las que invierten, pero sí es señal de que el esfuerzo no se queda en el laboratorio.
La barrera real es el talento. Según el mismo informe, solo el 7,7% del talento especializado en IA trabaja en pymes pequeñas y el 64,65% de las ofertas de empleo de IA no llega a cubrirse. Para una empresa del Maresme eso se traduce en una decisión práctica: o se forma a alguien de dentro, o se trabaja con un partner externo. Montar un equipo propio de IA compitiendo por perfiles con Barcelona rara vez sale a cuenta por debajo de cierto volumen, algo que ya analizamos al hablar del talento IT del Maresme y la cantera del TecnoCampus.
Automatización de atención al cliente
Chatbots inteligentes basados en modelos como Claude o ChatGPT pueden gestionar consultas de primer nivel en ecommerce y portales B2B. Para una empresa del Maresme que recibe decenas de consultas diarias sobre disponibilidad de producto, plazos de entrega o estado de pedidos, un chatbot bien entrenado libera al equipo comercial para cerrar ventas.
La diferencia entre un chatbot que ayuda y uno que irrita está casi siempre en el mismo punto: de dónde saca la respuesta. Un modelo conectado solo a su conocimiento general improvisa; un modelo conectado a tus datos responde. La técnica que resuelve esto se llama RAG (retrieval-augmented generation): antes de contestar, el sistema busca en tus fuentes (catálogo, tarifas, condiciones de entrega, histórico de pedidos) y responde únicamente con lo que ha encontrado. La implantación paso a paso está en la guía de RAG para empresas.
Qué delegar y qué no
En los proyectos que funcionan, el reparto suele quedar así:
- Delegable sin supervisión: estado de un pedido, plazos estándar, horarios, condiciones de envío, ficha técnica de un producto, equivalencias de referencia, descarga de facturas.
- Delegable con revisión: presupuestos sencillos sobre tarifa publicada, altas de cliente, incidencias de transporte.
- No delegable: descuentos fuera de tarifa, reclamaciones con carga emocional, cualquier cosa con implicación legal o de garantía, y las consultas de los diez clientes que concentran la mitad de la facturación.
Ese último punto se olvida mucho. Un cliente que compra por cientos de miles de euros al año no quiere hablar con un bot, y ponerle uno delante es la forma más rápida de que lo note.
Qué cuesta y qué devuelve
Para una pyme con un catálogo de tamaño medio, un asistente conectado al ERP y al ecommerce se implanta en entre tres y seis semanas. El coste recurrente de los modelos (lo que se paga por consulta) suele quedar muy por debajo del coste de las licencias de la plataforma de chat y del tiempo de mantenimiento. La métrica que importa no es «consultas atendidas» sino consultas resueltas sin intervención humana: por debajo del 40% el proyecto no se sostiene, y a partir del 60-70% empieza a notarse en la carga del equipo. Si dudas entre proveedores, la comparativa por caso de uso entre ChatGPT, Claude, Gemini y Perplexity ayuda a decidir sin romanticismos.
Cuando el asistente deja de responder preguntas y empieza a ejecutar acciones (crear el pedido, abrir la incidencia, mover el albarán) ya no hablamos de chatbot sino de agente. Hemos recogido varios de esos despliegues en casos reales de agentes de IA en empresa.
Generación de contenido y SEO
Empresas con catálogos de cientos o miles de productos necesitan descripciones optimizadas para SEO. La IA generativa permite crear descripciones únicas y relevantes a escala, algo especialmente útil para ecommerce B2B del Maresme donde los catálogos técnicos son extensos y están mal documentados.
El error habitual aquí es tratar la IA como una máquina de generar texto en lugar de como una máquina de normalizar datos. Un catálogo industrial de 4.000 referencias no necesita 4.000 textos bonitos: necesita que los atributos estén completos, que las medidas usen las mismas unidades, que las equivalencias estén cruzadas y que cada ficha responda a la pregunta por la que alguien la busca. El texto es la consecuencia, no el objetivo.
El flujo que mejor funciona tiene cuatro pasos: extraer los atributos que ya existen (muchas veces enterrados en PDFs de proveedor), completar los huecos con el modelo marcando lo inferido para revisión, generar el texto a partir de los atributos ya validados y, por último, medir. Sobre cómo debe quedar la ficha está desarrollada la guía de ficha de producto orientada a SEO, y el detalle de prompts y controles de calidad, en IA generativa aplicada al ecommerce.
Los dos riesgos que hay que vigilar
El primero es la invención de especificaciones. A un modelo al que se le pide la descripción de una brida se le ocurrirá un par de apriete si no lo tiene. La defensa es sencilla y no es técnica: no se genera nada que no esté respaldado por un atributo de la base de datos, y los campos inferidos se marcan y se revisan antes de publicar.
El segundo es la homogeneidad. Si se genera todo con el mismo prompt, 4.000 fichas acaban con la misma estructura y el mismo ritmo de frase. Google no penaliza eso por sí mismo, pero tampoco premia una página que no aporta nada sobre la de la competencia, que probablemente generó la suya con un prompt parecido. Variar plantillas por familia de producto y escribir a mano las cincuenta fichas que concentran el tráfico sigue siendo la mejor inversión.
Automatización de procesos con n8n
Herramientas como n8n permiten conectar sistemas sin programar: sincronizar pedidos de WooCommerce con el ERP, enviar alertas cuando el stock baja de un umbral, o generar informes semanales automáticos. Para pymes del Maresme que no tienen equipo IT propio, estas automatizaciones se implantan rápido y el retorno es inmediato.
n8n ha cambiado bastante en los últimos meses. La rama estable va por la serie 2.x (la 2.42.0 se publicó el 29 de septiembre de 2026) y el cambio de fondo es que ha pasado de ser un conector de APIs a una plataforma de agentes: nodos de AI Agent con sub-agentes, ejecución aislada de nodos para depurar, soporte de MCP (Model Context Protocol) para exponer herramientas al modelo, y ejecuciones de prueba con humano en el bucle para validar un agente antes de ponerlo a trabajar. Para una pyme eso significa que lo que antes exigía escribir código ahora se monta en el mismo lienzo donde ya estaban los flujos.
Si estás eligiendo herramienta, la comparativa entre n8n, Make y Power Automate entra en los criterios que de verdad diferencian: coste por ejecución frente a coste por operación, posibilidad de autoalojar y qué ocurre con los datos.
Una nota sobre autoalojar
n8n se puede autoalojar, y para una empresa que mueve datos de clientes por sus flujos esa suele ser la opción correcta: los datos no salen de tu infraestructura. A cambio asumes actualizaciones, copias de seguridad y el hecho de que una instancia de automatización con credenciales de ERP, correo y ecommerce es un objetivo muy goloso. Si se autoaloja, se trata como un sistema crítico: red segmentada, acceso restringido y copias verificadas. Es exactamente el tipo de pieza que conviene inventariar antes de dar por buena la seguridad de la empresa, como planteamos en la guía de seguridad informática para pymes desde cero.
Cuatro automatizaciones que se pagan solas
De todo lo que se puede automatizar, estas cuatro son las que más veces hemos visto amortizarse en menos de seis meses en empresas industriales y distribuidoras de la comarca.
1. Lectura de pedidos que llegan por correo
Muchos clientes B2B siguen pidiendo por email, en PDF o en el cuerpo del mensaje, cada uno con su formato. Un flujo que lee el correo, extrae líneas y referencias, las cruza con el catálogo y deja el pedido preparado para que una persona lo valide elimina la parte más mecánica y más propensa a error del día. El punto crítico es el cruce entre las referencias del cliente y las propias: sin ese mapeo, la automatización traslada el problema en vez de resolverlo.
2. Conciliación de albaranes y facturas
Comparar lo que se pidió, lo que llegó y lo que se factura es trabajo repetitivo de cero valor añadido, y es justo donde se esconden las diferencias que nadie reclama. Un flujo que señala solo las discrepancias convierte horas de revisión en una lista corta de excepciones.
3. Respuesta a peticiones de oferta
Para catálogos con tarifa publicada, generar el borrador de oferta a partir de la petición, con los descuentos del cliente ya aplicados, reduce el tiempo de respuesta de días a minutos. La oferta la sigue firmando una persona.
4. Alimentación del CRM
El CRM que nadie actualiza no es un CRM, es una hoja de cálculo con licencia. Automatizar el registro de interacciones, el resumen de llamadas y la detección de cuentas que llevan demasiado tiempo sin contacto es la forma más barata de que el dato sirva para algo. Hay más sobre esto en IA aplicada al CRM y, para el caso concreto de SuiteCRM, en la guía de automatización de workflows.
Cinco errores que hunden un proyecto de IA
El patrón de los proyectos que no llegan a producción se repite con una regularidad casi aburrida.
Empezar por la herramienta y no por el proceso. «Queremos hacer algo con IA» no es un proyecto. El encargo útil tiene esta forma: «dedicamos doce horas semanales a pasar pedidos de correo al ERP y se nos cuelan errores de referencia». Eso se puede medir antes y después.
Automatizar un proceso que está mal. Si el circuito de aprobación tiene cuatro pasos redundantes, automatizarlo da los mismos cuatro pasos redundantes, más rápidos y más difíciles de cambiar. Primero se simplifica, después se automatiza.
Ignorar el estado de los datos. Casi todos los proyectos que se encallan lo hacen aquí: referencias duplicadas, unidades mezcladas, clientes repetidos con tres grafías distintas. No hace falta un dato perfecto, pero sí saber de qué calidad se parte. Una auditoría técnica previa suele ahorrar más de lo que cuesta.
No definir quién responde cuando se equivoca. Un sistema automático se equivocará. Hay que decidir de antemano qué decisiones puede tomar solo, qué umbral dispara revisión humana y quién la hace. Sin eso, el primer error gordo congela el proyecto entero.
Tratar la IA como un proyecto cerrado. Los modelos cambian, los proveedores suben precios y deprecian versiones, y el flujo que funcionaba en enero puede dar resultados distintos en octubre. Una automatización en producción necesita quien la vigile, igual que cualquier otro sistema: es la parte que cubrimos desde mantenimiento de software.
Hay un sexto error que no es técnico: no contarlo dentro. Una automatización que aterriza sin explicación en el equipo que lleva años haciendo ese trabajo a mano genera resistencia, y la resistencia siempre encuentra la manera de que el sistema «no funcione».
El TecnoCampus como fuente de talento IA
El dato del barómetro sobre ofertas de IA sin cubrir (64,65%) explica por qué el talento es el cuello de botella real, y es también la razón por la que la proximidad del TecnoCampus de Mataró es un activo concreto y no un argumento de folleto. El parque reúne en el mismo recinto los grados técnicos y de gestión, un vivero de empresas y una bolsa de prácticas, y eso resuelve dos problemas a la vez para una empresa de la comarca.
El primero es el acceso. Competir por un perfil de datos con Barcelona es una batalla de salarios que una pyme del Maresme gana pocas veces; captar a alguien que estudia a quince minutos de la planta, que no quiere pasarse dos horas diarias en el tren y que puede empezar en prácticas sobre un problema real es una batalla distinta.
El segundo es la forma de incorporarlo. El perfil que de verdad hace falta en una pyme no es un investigador de modelos: es alguien que entienda el proceso de negocio y sepa conectar piezas. Ese perfil se forma antes de lo que parece si tiene un caso real delante, y se pierde muy rápido si se le pone a mantener hojas de cálculo.
La fórmula que mejor hemos visto funcionar es mixta: una persona de dentro, que conoce el proceso y sabe a quién preguntar, con apoyo externo para la parte de arquitectura, seguridad y puesta en producción, y un perfil junior del TecnoCampus que crece con el proyecto. Desarrollamos el mapa de talento de la zona en la cantera tech del Maresme y el contexto de descentralización que lo hace posible en Barcelona y el Maresme. Para empresas que arrancan producto desde cero, el enfoque está en servicios IT para startups del Maresme.
Hoja de ruta de 90 días
Una forma realista de empezar sin comprometer medio presupuesto anual.
Semanas 1 a 3, inventario. Listar los procesos que consumen tiempo repetitivo, con una estimación de horas semanales y del coste del error. Salen entre diez y veinte. Puntuar cada uno por volumen, por grado de estandarización y por calidad del dato disponible. Elegir uno. Solo uno.
Semanas 4 a 6, prueba acotada. Construir la automatización del proceso elegido con datos reales pero sin consecuencias: el sistema propone y una persona valida todo. Se mide cuántas propuestas eran correctas. Si no se llega al 80%, el problema está en los datos o en el proceso, no en el modelo.
Semanas 7 a 10, producción con red. Se pasa a producción con el umbral de revisión alto y se va bajando a medida que el histórico lo justifica. Se instrumenta: cada ejecución deja registro de qué decidió y con qué información.
Semanas 11 a 13, cierre y siguiente. Se compara la métrica contra la línea base de la semana 1, se documenta el flujo y se elige el siguiente proceso. A partir de aquí la empresa ya tiene algo que la mayoría no tiene: criterio propio, salido de su propia experiencia, para decidir qué automatizar.
Si el proyecto toca la tienda online o el catálogo, conviene revisar el estado de la plataforma antes de añadirle capas. El panorama de herramientas está en el comparativo de plataformas de IA para empresas, y el lado de la tienda, en desarrollo ecommerce.
¿Quieres una automatización con IA en producción, no una demo?
En Keliam ayudamos a empresas del Maresme a elegir el proceso correcto, preparar los datos y poner la automatización a funcionar con supervisión y mantenimiento. Sin proyectos piloto que no salen del portátil de nadie.
- Servicios IT — integración de IA con tu ERP, CRM y ecommerce
- Auditoría Técnica — estado real de tus datos y sistemas antes de automatizar
- Mantenimiento de Software — vigilancia y evolución de los flujos ya en producción
Preguntas frecuentes
¿Cuánto cuesta empezar con IA en una pyme?
Menos de lo que cuesta empezar por el sitio equivocado. El gasto en modelos para automatizar un proceso concreto es marginal frente al coste del tiempo de análisis e integración. El presupuesto se va casi todo en entender el proceso, preparar los datos y conectar los sistemas, y ese trabajo es el mismo con IA que sin ella.
¿Hace falta tener los datos ordenados antes de empezar?
Perfectos no, pero sí conocidos. Se puede empezar con un catálogo lleno de huecos si se sabe dónde están. Lo que no funciona es dar por bueno el dato porque nadie se ha quejado todavía.
¿Es seguro enviar datos de clientes a un modelo de IA?
Depende de qué modelo, con qué contrato y qué datos. Las condiciones empresariales de los grandes proveedores no usan por defecto los datos de la API para entrenar, pero eso se verifica por escrito y no por titular de prensa. Para información especialmente sensible, autoalojar el flujo y usar modelos abiertos es una alternativa real. Si la empresa va camino de certificarse, el tratamiento de proveedores de IA entra de lleno en el alcance: está explicado en la guía de certificación ISO 27001.
¿Sustituye la IA a parte del equipo?
En lo que hemos visto, no: cambia el reparto. El trabajo mecánico se reduce y aparece trabajo nuevo de supervisión, de calidad del dato y de atención a lo que sí requiere criterio. Las empresas que lo plantearon como reducción de plantilla acabaron con un sistema que nadie quería mantener.
¿Por dónde empiezo si no tengo equipo IT?
Por el inventario de procesos de la semana 1, que no requiere perfil técnico: lo puede hacer quien conoce el negocio. Con esa lista en la mano ya se puede decidir si el siguiente paso es formar a alguien, contratar o apoyarse fuera.
Conclusión
La IA aplicada a la empresa del Maresme no es un salto tecnológico, es una cuestión de orden: elegir un proceso que duela, medirlo, automatizar la parte mecánica y dejar la decisión donde tiene que estar. Las empresas que están sacando partido no son las que han comprado la herramienta más avanzada, son las que han sabido describir con precisión un problema propio.
El 4,1% de adopción de la pyme industrial española dice dos cosas a la vez: que esto avanza más despacio de lo que sugiere el ruido, y que quien se mueva ahora todavía se mueve pronto. En una comarca con industria, distribución y una universidad técnica a quince minutos, las piezas están todas sobre la mesa.
