Per què tantes empreses estan fallant en implantar IA i què haurien de revisar abans de continuar invertint

Moltes empreses ja no estan a la fase de preguntar-se si haurien d'usar intel·ligència artificial. Ja han comprat llicències, han provat eines, han fet algun pilot, han demanat als equips que experimentin o han inclòs la IA en converses de direcció.

El problema apareix després, quan la inversió no es converteix en productivitat real, el pilot no arriba a producció, l'equip no incorpora l'eina al treball diari o direcció no pot demostrar amb claredat què ha millorat en vendes, operacions, reporting, servei, qualitat, velocitat o presa de decisions.

En aquest punt sol aparèixer una explicació massa còmoda: "la plantilla es resisteix", "manca formació", "el proveïdor no era l'adequat" o "l'eina encara no està madura".

De vegades hi haurà una mica de veritat en aquestes explicacions. Però en moltes implantacions el problema comença abans: l'empresa ha tractat la IA com una compra tecnològica més, sense revisar quina capacitat volia guanyar, quin procés havia de canviar, quina decisió havia de millorar, quines dades necessitava, quins rols es veurien afectats i quines mètriques demostrarien impacte.

Les dades recents reforcen aquesta lectura. El CEO Study d'IBM publicat el 2025 assenyalava que, segons els CEO enquestats, només el 25% de les iniciatives d'IA havia lliurat el ROI esperat i només el 16% havia escalat a nivell de tota l'empresa. És a dir: la inversió existeix, però la captura de valor continua essent limitada.

La bretxa també apareix en passar del pilot a l'operació reial. Deloitte, al seu informe The State of AI in the Enterprise 2026, situa el repte precisament en la transició cap a producció, escala i redisseny del treball. No n'hi ha prou d'experimentar: producció exigeix dades reals, integració, seguretat, rols, usuaris, govern i manteniment.

És perquè aquest article no va models, prompts, eines o tendències d'IA. Va d'una pregunta més incòmoda per a qualsevol CEO, gerent o equip directiu: abans de continuar invertint, ¿l'empresa ha revisat de debò com treballa, decideix, mesura i assumeix responsabilitat quan introdueix IA?

1. El problema no és que falti IA: és que moltes empreses no saben què esperen aconseguir-hi

La conversa sobre intel·ligència artificial a empreses ha canviat. Moltes organitzacions ja no s'estan preguntant si haurien d'utilitzar IA. Ja han comprat llicències, provat eines, llançat pilots o demanat als equips que comencin a experimentar.

El problema apareix després, quan aquesta activitat no es converteix en una millora clara de productivitat, marge, qualitat, vendes, servei, reporting o presa de decisions.

Per a un CEO, gerent o equip directiu, la pregunta rellevant no és si l'empresa “té IA”. La pregunta rellevant és si aquesta IA genera una capacitat empresarial que abans no existia o estava mal resolta.

1.1. Invertir en IA no garanteix capturar valor

Moltes empreses estan invertint. Compren llicències, proven assistents, automatitzen tasques, fan formacions o encarreguen pilots.

Però invertir no equival a capturar valor.

El CEO Study d'IBM publicat el 2025 assenyalava que, segons els CEO enquestats, només el 25% de les iniciatives d'IA havia lliurat el ROI esperat i només el 16% havia escalat a nivell de tota l'empresa.

La dada canvia lenfocament. El debat no s'hauria de centrar en si una empresa ha començat a fer servir IA. S'hauria de centrar en si sap convertir aquesta IA en resultat mesurable, repetible i governable.

Una iniciativa pot semblar prometedora en una demo i no canviar res rellevant a l'operació. Podeu estalviar temps a una persona i no millorar la productivitat del sistema. Podeu produir documents més ràpid i no millorar la qualitat de decisió.

1.2. L'error comença quan l'empresa compra IA sense definir quina capacitat vol guanyar

Moltes implantacions neixen malament perquè comencen amb una pregunta massa estreta: “quina eina de IA comprem?”.

La pregunta anterior hauria de ser més directiva: “quina capacitat necessita guanyar l'empresa que avui no té prou resolta?”.

En una pime industrial pot ser anticipar incidències, reduir errors documentals, millorar la planificació o detectar desviacions de qualitat. A una empresa B2B pot ser prioritzar oportunitats, preparar ofertes amb més criteri, analitzar històric comercial o reduir càrrega administrativa de l'equip de vendes. En una empresa de serveis pot ser documentar millor, reduir treball o convertir coneixement dispers en processos més estables.

Si aquesta capacitat no es defineix, la IA entra com a eina genèrica. Cada persona la fa servir com pot, on pot i pel que entén. Hi pot haver usos individuals útils, però l'empresa continuarà sense saber si ha guanyat alguna cosa estructural.

1.3. Productivitat individual no sempre significa productivitat empresarial

Un dels paranys més habituals a IA és confondre productivitat individual amb productivitat empresarial.

Una persona pot escriure un text més ràpid, resumir una reunió, preparar una resposta o analitzar un document en menys temps. Això pot ser útil. Però no sempre vol dir que l'empresa treballi millor.

La productivitat empresarial exigeix que el procés complet millori: menys retreball, menys errors, decisions més clares, millor seguiment, ofertes més ben preparades, clients més ben atesos o comandaments intermedis amb menys càrrega de coordinació.

Si la IA millora una tasca aïllada però no canvia el flux complet, limpacte es pot quedar curt. Fins i tot pot generar una paradoxa: més outputs, més documents, més missatges o més informes, però no necessàriament millors decisions.

1.4. El problema no està només a la tecnologia: està al sistema que l'ha d'absorbir

Una eina d'IA entra a una empresa concreta, amb processos concrets, persones concretes, dades concretes, sistemes existents, regles informals, urgències, excepcions i responsabilitats que moltes vegades no estan tan clares com semblen.

Si aquest sistema ja estava desordenat, la IA no ho ordena per si sola. Podeu accelerar parts de la feina, fer visible el problema o obrir noves possibilitats. Però no substitueix la necessitat de definir com ha de canviar la manera de treballar.

Per això, abans de continuar invertint, una empresa hauria de revisar si té prou base per absorbir la IA: processos clars, dades utilitzables, criteris de decisió, rols definits, supervisió humana i mètriques d'impacte.

1.5. La pregunta correcta no és “què IA fem servir”, sinó “què ha de treballar millor l'empresa”

La IA no hauria de ser el punt de partida de la conversa. Hauria de ser una resposta possible a un problema de negoci ben definit.

Si lempresa necessita preparar ofertes amb menys esforç i més qualitat, la IA pot ajudar. Si necessiteu prioritzar millor clients potencials, pot ajudar. Si necessiteu reduir càrrega administrativa, pot ajudar. Si necessiteu convertir documentació dispersa en coneixement útil, podeu ajudar.

Però la pregunta no es pot quedar a “on fiquem IA?”. Aquesta pregunta empeny a cercar usos per disponibilitat tecnològica. La pregunta més útil és: “quina part del negoci està treballant pitjor del que hauria de fer i què hauria de canviar per millorar-la?”.

Aquest és lenfocament de IA aplicada a processos reals de Rumb & Resultats: no començar per l'eina, sinó pel procés, la fricció, la decisió, la capacitat que es vol instal·lar i l'impacte que s'ha de poder demostrar.

La primera fallada no sol estar a triar malament l'eina. Acostuma a no haver decidit abans quina part de l'empresa havia de treballar millor gràcies a ella.

2. Implantar IA a empreses no és comprar una eina de programari

Una part important del problema apareix abans de la implantació. Apareix en la manera com l'empresa decideix comprar, activar o provar IA.

Moltes organitzacions l'aborden com si fos una eina més de l'stack: es compara una solució amb una altra, es revisen funcionalitats, es negocien llicències, s'activa accés, es comunica a l'equip, es fa una formació inicial i s'espera que aparegui la productivitat.

Aquest enfocament pot funcionar raonablement bé amb programari dús estàndard, on el valor depèn dadoptar una funcionalitat ja definida. Però la IA té una altra naturalesa. El seu impacte depèn molt més del context: quina tasca toca, quines dades fa servir, quina decisió afecta, quina persona la revisa, quin procés modifica i quin risc introdueix.

Per això, quan es compra com una suite ofimàtica o com una capa tecnològica genèrica, moltes empreses comencen la implantació des del lloc equivocat.

2.1. Donar accés no equival a canviar com l'empresa treballa

Activar llicències pot ser necessari, però no n'hi ha prou. La disponibilitat d'una eina no canvia per si sola la manera com una empresa treballa.

Un equip pot tenir accés a IA generativa i continuar preparant ofertes com abans. Podeu tenir un copilot a les vostres eines i seguir registrant informació de forma incompleta. Podeu disposar de resums automàtics i seguir sense prendre millors decisions. Podeu generar textos més ràpid i seguir sense millorar la proposta de valor, la priorització comercial o la qualitat del servei.

L'eina obre possibilitats. Però l'empresa ha de convertir aquestes possibilitats en hàbits nous, processos, criteris i mètriques.

Vet aquí la diferència entre “tenir IA” i “treballar millor amb IA”. La primera situació s'aconsegueix comprant o activant-hi accés. La segona exigeix dissenyar com s'usarà al flux real de treball.

2.2. La formació genèrica tampoc no resol l'adopció

Un altre error habitual és pensar que el problema es corregeix amb formació generalista.

La formació pot ser útil per entendre possibilitats, límits i bones pràctiques. Però si es queda explicar eines, prompts o casos genèrics, no transforma el treball diari. Lequip pot sortir de la sessió amb idees, però sense saber exactament què ha de canviar el dilluns següent.

En una empresa real, l'adopció no depèn només de saber fer servir una eina. Depèn de saber quan fer-la servir, per què, amb quines dades, sota quins criteris, què revisar, què no delegar, què registrar i com saber si el resultat és vàlid.

La mateixa formació no necessita una persona d'administració que prepara documentació, un comercial que qualifica oportunitats, un tècnic que revisa incidències, un responsable d'operacions que analitza desviacions o un gerent que necessita millors resums per decidir.

L'adopció útil exigeix formació per rol, per procés i per ús. No és una capa genèrica d'entusiasme tecnològic.

2.3. La IA no s'hauria d'afegir sobre processos mal dissenyats

Un dels riscos més grans és afegir IA sobre processos que ja funcionaven malament.

Si una empresa té un CRM mal alimentat, la IA pot generar scoring o resums sobre dades incompletes. Si el procés d'ofertes està mal qualificat, la IA pot ajudar a produir propostes més ràpidament, però no necessàriament millors oportunitats. Si el reporting ja és confús, la IA pot redactar informes més elegants sense millorar la lectura de negoci. Si la documentació està dispersa, podeu resumir fragments, però no resoldre la manca de governança documental.

En aquests casos, la IA no elimina el desordre. Ho podeu accelerar, maquillar o fer més difícil de detectar.

Per això, abans d'introduir IA en un procés, l'empresa hauria de preguntar-se si aquest procés mereix ser automatitzat, redissenyat, simplificat o eliminat fins i tot. No tot allò que es pot accelerar mereix ser accelerat.

2.4. El cas d'ús ha de ser més concret que “utilitzar IA en vendes”, “utilitzar IA en operacions” o “utilitzar IA en administració”

Moltes converses d'IA comencen amb categories massa grans: fer servir IA en vendes, en màrqueting, en operacions, en atenció al client, en administració o en reporting.

Aquestes categories ajuden a obrir la conversa, però no són suficients per implantar.

Un cas dús útil ha de baixar al nivell on es produeix el treball real. No fer servir IA en vendes, sinó “reduir el temps de preparació d'una reunió comercial sense perdre qualitat de diagnòstic”. No fer servir IA en operacions, sinó detectar abans desviacions recurrents en parts d'incidència. No “usar IA en administració”, sinó “reduir errors i temps de revisió en documentació repetitiva”. No “usar IA en reporting”, sinó “convertir dades disperses en una lectura setmanal accionable per a direcció”.

Com més genèric és el cas dús, més difícil resulta dissenyar responsabilitats, dades, flux, validació i mètriques. Com més concret, més fàcil és decidir si la IA realment aporta valor.

2.5. Lordre correcte: procés, fricció, cas dús, dades, govern i eina

Lordre de treball importa. Si l'empresa comença per l'eina, tendirà a cercar on aplicar-la. Si comença pel procés, tendirà a identificar on la IA pot aportar valor real.

En una implantació seriosa, la seqüència hauria de ser més exigent:

2.6. La IA aplicada a processos reals comença abans de la tecnologia

A Rumbo & Resultados, la integració d'IA no es planteja com a recomanació d'eines ni com a catàleg d'automatitzacions. Es planteja com a revisió de capacitat.

Primer s'analitza què fa avui l'empresa, on es perd temps, quines feines es repeteixen, quines decisions es prenen amb poca informació, quin coneixement depèn massa de persones concretes i quin impacte tindria intervenir bé.

Només després es decideix si té sentit fer servir IA i on: vendes, màrqueting, reporting, seguiment, documentació, operacions, atenció, anàlisi, priorització o suport a decisions.

Aquesta és la diferència entre afegir IA com a aparador i treballar la IA aplicada a processos reals. La primera opció genera activitat tecnològica. La segona busca instal·lar una nova capacitat a l'empresa.

La IA no hauria d'entrar a l'empresa com una eina que cerca ús. Hauria d'entrar com a resposta a una capacitat que el negoci necessita guanyar.

3. L'embús apareix en passar del pilot a la feina real

Moltes iniciatives d'IA no fallen a la presentació. Fallen després.

La demo sol funcionar. El pilot pot resultar prometedor. La prova amb un grup reduït pot generar entusiasme. Fins i tot hi pot haver exemples interns destalvi de temps, millores en redacció, automatització de tasques, resums útils o anàlisis que abans consumien més hores.

Però res d'això no demostra encara que l'empresa hagi implantat IA amb èxit.

La prova real comença quan aquesta IA ha d'entrar a la feina diària: dades imperfectes, sistemes existents, permisos, excepcions, clients reals, pressió operativa, comandaments intermedis, revisions, errors, responsabilitats i decisions que tenen conseqüències.

3.1. La demo elimina complexitat; l'operació la torna

Una demo està dissenyada per mostrar potencial. Normalment utilitza un cas controlat, dades preparades, un flux simplificat, un usuari motivat i un objectiu clar.

L'operació diària no funciona així.

A l'operació real les dades no sempre estan completes, les persones tenen poc temps, els sistemes no sempre estan integrats, les prioritats competeixen entre si, les excepcions són freqüents i les responsabilitats no sempre estan tan clares com semblen en el disseny inicial.

Per això una eina pot semblar excel·lent en una presentació i generar fricció en entrar a una empresa concreta. No pas perquè la tecnologia no tingui valor, sinó perquè la demo no representa tota la complexitat del sistema que l'ha d'absorbir.

3.2. El pilot pot funcionar i tot i així no escalar

Hi ha pilots de IA que generen bons resultats inicials. Redueixen temps en una tasca, automatitzen una part del procés, ajuden a analitzar documentació, preparen esborranys, responen preguntes internes o resumeixen informació dispersa.

Però escalar exigeix una altra cosa. Exigeix que aquesta millora es pugui repetir amb més usuaris, més casos, més dades, més variabilitat, més controls i més responsabilitat.

Aquí es trenca una part important de les iniciatives. No perquè la idea sigui dolenta, sinó perquè el pilot no ha estat dissenyat pensant en producció des del començament.

Deloitte, a The State of AI in the Enterprise 2026, recull precisament aquesta distància: només el 25% dels enquestats afirma que la seva organització ha portat el 40% o més dels seus experiments de IA a producció. El problema no és provar. El problema és convertir la prova en una capacitat operativa estable.

3.3. Producció exigeix integració, no només accés

Portar IA a producció significa connectar-la amb la forma real en què treballa l'empresa.

Això pot implicar CRM, ERP, fulls de càlcul, repositoris documentals, sistemes de tiquet, eines de màrqueting, plataformes datenció al client, bases de dades internes, fluxos daprovació, permisos, històric de clients, documentació tècnica o quadres de comandament.

Si no existeix aquesta integració, la IA pot quedar com una eina separada. L'usuari ha de copiar informació d'un lloc a un altre, revisar manualment resultats, duplicar tasques, alimentar un altre sistema o traduir outputs perquè la resta de l'empresa els pugui fer servir.

En aquest punt, la promesa de productivitat es debilita. La IA no redueix feina: afegeix una altra capa que algú ha d'alimentar, revisar i encaixar al flux existent.

3.4. El treball real és ple d'excepcions

L'empresa no opera només amb casos nets. Opera amb excepcions.

Clients que no responen com estava previst. Dades que arriben incomplets. Documents amb formats diferents. Oportunitats comercials mal qualificades. Incidències que no encaixen a una categoria. Comandes urgents. Canvis de criteri. Reclamacions. Correccions. Aprovacions informals. Decisions que depenen dexperiència acumulada.

Una implantació d'IA que no contempla aquestes excepcions pot funcionar en tasques estàndard i fracassar en els casos que realment consumeixen més temps, més coordinació i criteri.

Per això, el disseny d‟una implantació no hauria de limitar-se al cas ideal. També ha de revisar els casos límit: què passa quan la IA no sap, quan s'equivoca, quan falta informació, quan hi ha risc, quan el resultat afecta un client o quan la decisió no es pot delegar.

3.5. La producció també exigeix manteniment

Un altre error habitual és pensar que una implantació d'IA s'acaba quan l'eina comença a funcionar.

En realitat, producció exigeix manteniment. Cal revisar si el cas d'ús continua sent útil, si les dades han canviat, si els usuaris l'utilitzen correctament, si els resultats mantenen qualitat, si hi apareixen errors repetits, si les mètriques milloren i si la càrrega de revisió és raonable.

També cal decidir què fer quan l'eina no aporta, quan genera més feina de la prevista o quan el procés real demostra que el cas d'ús no era prioritari.

Sense aquesta revisió, la IA pot quedar en una zona incòmoda: no es retira perquè ja s'hi ha invertit, però tampoc no s'ajusta perquè ningú en governa l'impacte real.

3.6. El pilot s'ha de dissenyar pensant en el sistema que vindrà després

Això no vol dir que els pilots no serveixin. Serveixen, però s'han de dissenyar amb una lògica diferent.

Un bon pilot no s'hauria de limitar a demostrar que la tecnologia pot fer alguna cosa. Hauria de servir per aprendre si l'empresa té condicions per fer-la servir bé: dades suficients, procés adequat, usuaris implicats, revisió humana, riscos acotats, mètriques clares i capacitat d'ajust.

El pilot ha de respondre preguntes de producció abans d escalar. Quina integració serà necessària. Quines tasques canviaran. Quins usuaris hi han de participar. Quins errors són tolerables. Quin cost de revisió apareix. Quin impacte s'hi observa. Quines condicions impedeixen avançar.

Si el pilot només cerca una prova vistosa, pot generar entusiasme i deixar sense resoldre la part més important: com convertir aquesta prova en una capacitat operativa.

3.7. Abans d'escalar, cal decidir què no s'ha d'escalar

No tots els pilots mereixen escalar.

Alguns demostren que la idea era útil però no prioritària. Altres mostren que el procés previ estava massa desordenat. Altres revelen que falten dades. Altres generen una petita millora davant l'esforç d'implantació. Altres funcionen només perquè els usuaris del pilot estaven especialment motivats. Altres traslladen massa càrrega de revisió a comandaments intermedis.

Saber parar també forma part del govern d'IA.

Una empresa madura no escala tot allò que funciona tècnicament. Escala allò que millora una capacitat rellevant del negoci amb un cost, un risc i una adopció raonables.

El salt difícil no és passar de no fer servir IA a provar IA. El salt difícil és passar de provar IA a treballar millor amb ella cada setmana.

4. La causa més ignorada: l'empresa no redissenya la feina que ha d'absorbir la IA

Si hi ha una raó que explica moltes implantacions febles d'IA, és aquesta: l'empresa introdueix una nova tecnologia, però manté gairebé intacta la manera de treballar.

Es compra l'eina, s'activa l'accés, es fan proves i es comunica que l'equip pot fer servir IA. Però els processos segueixen igual, les responsabilitats segueixen igual, les dades segueixen disperses i les decisions segueixen sense criteris prou clars.

En aquest context, la IA no entra en un sistema preparat per millorar. Entra en un sistema que espera que la tecnologia resolgui per ells mateixos problemes de procés, coordinació, dada, prioritat i responsabilitat.

4.1. L'empresa sol mirar el procés formal, però la IA entra al procés real

Una cosa és el procés formal i una altra el procés real.

El procés formal està en el procediment, l'organigrama, el manual o la presentació. Diu com hauria de funcionar la feina: qui rep la informació, qui la revisa, qui decideix, quin sistema es fa servir i quins passos se segueixen.

El procés real inclou excepcions, dreceres, correus fora del flux, fulls de càlcul paral·lels, missatges de WhatsApp, criteris informals, decisions que depenen d'una persona concreta, dades que ningú no actualitza i tasques que es dupliquen perquè el sistema no és prou fiable.

La IA no entra al procés formal. Entra al procés real. I si aquest procés real és ple de friccions, la IA no les elimina automàticament.

4.2. Formar no és el mateix que redissenyar el treball

La diferència entre formar i redissenyar és central.

Formar significa ensenyar una persona a fer servir una eina, entendre possibilitats, conèixer límits o aplicar bones pràctiques. Redissenyar significa decidir com canvia la feina: quina tasca desapareix, quina tasca es transforma, quina decisió es reforça, quina revisió s'hi afegeix, quina dada es necessita i quina responsabilitat canvia.

Deloitte, a The State of AI in the Enterprise 2026, resumeix molt bé aquesta bretxa: malgrat l'avenç de la IA, el 84% de les organitzacions no ha redissenyat els llocs ni la naturalesa del treball al voltant de les seves capacitats.

La dada evita una lectura superficial. El problema no és només que hi falti formació. A moltes empreses, el problema és que la formació no ve acompanyada d'una revisió real del lloc, del flux, de la responsabilitat i de la mètrica que ha de demostrar si la millora existeix.

4.3. La pregunta no és quines tasques pot fer la IA, sinó quina feina ha de canviar

Moltes empreses comencen preguntant quines tasques pot fer la IA: redactar correus electrònics, resumir documents, generar informes, crear idees, respondre preguntes, classificar tiquets o preparar esborranys.

Tot això pot ser útil, però no garanteix cap impacte estructural.

La pregunta més important és quina feina ha de canviar perquè l'empresa funcioni millor: com reduïm feina, com millorem la qualitat de decisió, com escurcem un cicle, com evitem errors, com reduïm dependència d'una persona o com fem més fiable el seguiment.

4.4. Redissenyar no vol dir complicar: vol dir aclarir

Redissenyar el treball no ha de convertir-se en un gran projecte de transformació.

A moltes pimes, el més útil és començar amb claredat operativa: quina tasca volem reduir, quina decisió volem millorar, quina persona ha de revisar, quina dada cal, quina excepció s'ha d'escalar, quin resultat ha de quedar registrat i quin indicador confirmarà si ha funcionat.

Moltes empreses es paralitzen quan senten parlar de transformació, govern o redisseny. Ho interpreten com una cosa gran, cara i lent. Però a IA aplicada, el redisseny útil sol començar petit: cas d'ús concret, flux real, usuaris implicats, dades mínimes, revisió humana i mètrica clara.

4.5. El redisseny ha d'incloure els que coneixen el treball real

Una altra causa freqüent de fracàs és dissenyar la implantació massa lluny dels que executen la feina diària.

La direcció pot tenir una visió correcta de l'objectiu. Tecnologia pot entendre la ferramenta. El proveïdor pot conèixer la solució. Però els que coneixen les excepcions, les dreceres, les dades que falten, els errors habituals i les friccions invisibles solen estar a l'operació.

Si aquestes persones entren tarda, l'empresa descobreix massa tard que el flux dissenyat no encaixa amb el treball real.

Això no vol dir que els usuaris hagin de decidir sols l'estratègia d'IA. Significa que el coneixement operatiu ha d'entrar abans d'escalar, per evitar implantar una solució que no entén on es trenca el procés.

4.6. La capacitació ha de convertir la nova manera de treballar en rutina

Quan la feina es redissenya, la formació deixa de ser genèrica. Passa a ser capacitació operativa.

No n'hi ha prou amb ensenyar què pot fer una eina. Cal ensenyar com canvia el flux diari: quan fer-la servir, què introduir, què revisar, què descartar, què registrar, quan escalar, què no delegar i com interpretar el resultat.

Aquesta és la lògica de la capacitació operativa d'equips: no formar en abstracte, sinó convertir estratègia, processos, eines i IA en rutines reals dexecució.

Si l'empresa no canvia com treballa, la IA queda com a promesa afegida sobre el mateix sistema que ja estava limitat.

5. No és “la plantilla es resisteix”: moltes vegades la implantació està mal dissenyada

Quan una implantació d'IA no avança, una de les explicacions més ràpides és culpar les persones que l'haurien d'utilitzar.

Es diu que l'equip es resisteix al canvi, que no entén la tecnologia, que té por, continua treballant com sempre o que no vol sortir de la seva zona de confort.

De vegades hi haurà resistència real. Tota organització té inèrcies i tota modificació del treball genera fricció. Però quedar-s'hi és una lectura pobra. A moltes empreses, la suposada resistència no és la causa principal del problema. És un senyal que la implantació s'ha dissenyat malament.

5.1. La gent no rebutja automàticament una millora útil

En una empresa real, les persones solen adoptar amb rapidesa allò que els ajuda de debò. Una eina que redueix càrrega, evita errors, simplifica una tasca repetitiva, millora una decisió o estalvia temps visible té moltes opcions d'entrar a la rutina.

El problema apareix quan la IA es percep com una altra plataforma per alimentar, una altra tasca per justificar, un altre control afegit, una altra font d'errors per revisar o una promesa directiva que no encaixa amb la realitat del lloc.

Si una persona ha de seguir fent el procés anterior ia més fer servir la IA, no està veient productivitat. Està veient duplicitat. Si la IA genera resultats que després cal corregir amb molt d'esforç, no veiem ajuda. Està veient treball.

5.2. La fricció de lequip pot ser informació de qualitat

La fricció no sempre s'ha d'interpretar com a oposició. Sovint conté informació valuosa.

Quan un equip diu “això no em serveix”, podeu estar assenyalant que el cas d'ús està mal triat. Quan diu “no tinc temps”, podeu estar mostrant que la IA s'ha afegit sobre el procés anterior. Quan diu “no me'n refio”, pot estar indicant que falten criteris de validació. Quan diu “no sé quan fer-lo servir”, pot estar revelant que ningú ha definit el rol operatiu de l'eina.

En lloc de negar aquests senyals, convé analitzar-los. La fricció pot mostrar on el disseny no encaixa amb el treball real.

5.3. El comandament intermedi sol absorbir la fallada de disseny

A moltes implantacions, el problema no cau directament sobre direcció ni sobre el proveïdor. Cau sobre els comandaments intermedis.

Són els qui han d'explicar a l'equip què s'espera, revisar resultats, corregir errors, traduir instruccions generals a tasques concretes, resoldre dubtes, justificar avenços i continuar complint els objectius normals de l'àrea.

Si la implantació no està ben dissenyada, el comandament intermedi esdevé amortidor de l'ambigüitat.

Això és especialment perillós perquè moltes empreses depenen massa d'aquests perfils. Si la IA els afegeix més revisió sense treure'ls càrrega, l'eina no està alliberant capacitat: l'està desplaçant.

5.4. L´adopció no s´aconsegueix al final: es dissenya des del principi

Un altre error comú és pensar l'adopció com a darrera fase del projecte.

Primer decideix l'eina. Després es dissenya el pilot. Després es configura. Després es prova. I al final es comunica a l'equip i se li demana que la faci servir.

Aquest ordre sol generar problemes. Si els que coneixen el treball real entren al final, l'empresa descobreix tard que el flux no encaixa, que les dades necessàries no estan disponibles, que l'output no es pot fer servir sense gaire revisió o que l'eina no resol la fricció principal.

L'adopció s'ha de dissenyar des del principi: usuaris reals, flux real, dades reals, excepcions reals, validació real i mètriques reals.

5.5. Obligar a l'ús pot amagar el problema, no resoldre'l

Quan l'adopció és baixa, algunes empreses responen augmentant pressió: més instruccions, més reporting, més seguiment de l'ús, més missatges des de la direcció o més obligació d'incorporar l'eina al procés.

Aquesta pressió pot millorar mètriques dús, però no garanteix valor. L'empresa pot aconseguir que més persones entrin a l'eina, generin outputs o registrin activitat, i així i tot no millorar productivitat, qualitat o presa de decisions.

L'objectiu no hauria de ser que la plantilla faci servir IA perquè se li demana. L'objectiu hauria de ser que faci servir IA perquè ajuda a resoldre una part concreta de la feina millor que abans.

5.6. La formació ha d'estar connectada amb responsabilitat

Una formació seriosa a IA no hauria de limitar-se a ensenyar com obtenir millors respostes. També heu d'aclarir responsabilitat.

Què pot fer la persona amb la IA. Què no hi pot fer. Quina informació podeu introduir. Quines dades no heu de fer servir. Quins resultats podeu aprofitar directament. Quins outputs requereixen revisió. Quines decisions no es deleguen. Quins errors heu d'escalar. Què queda registrat.

Sense aquesta claredat, la persona queda en una posició incòmoda: se li demana fer servir IA, però no sempre se li diu quina responsabilitat assumeix quan la fa servir.

5.7. L'adopció s'ha de mesurar per utilitat, no per obediència

Mesurar adopció només per ús pot ser enganyós.

Una empresa pot tenir molts usuaris actius i poc impacte. Podeu tenir moltes consultes, molts documents generats o moltes automatitzacions executades, però seguir sense millorar qualitat, temps, marge, experiència de client o presa de decisions.

Per això, l'adopció útil s'hauria de mesurar amb una combinació diferent: ús, utilitat percebuda, reducció de fricció, millora de resultats, qualitat de l'output, càrrega de revisió i continuïtat en el temps.

5.8. Com ho treballa R&R: adopció com a part del disseny, no com a campanya posterior

A Rumbo & Resultados, l'adopció d'IA no es planteja com una fase de comunicació al final del projecte. Es planteja com a part del disseny des del començament.

Abans d‟implantar, es revisa el procés real, s‟identifiquen friccions, es prioritzen casos d‟ús, s‟aclareixen dades i es defineix quin paper tindrà la persona, quin paper tindrà la IA i quin paper tindrà el sistema.

Aquesta lògica connecta amb la capacitació operativa d'equips, però també amb la integració d'IA aplicada a processos reals. No es tracta de formar per formar ni implantar per implantar. Es tracta d'instal·lar una capacitat que l'equip pugui fer servir amb criteri.

Quan una eina no s'adopta, potser el problema no és la gent. Potser l'eina ha arribat sense resoldre quina part del treball havia de millorar.

6. Què decideix la persona, què suggereix la IA i què automatitza el sistema

Aquest és un dels punts que separa més una implantació seriosa d'IA d'una implantació superficial.

Moltes empreses comencen preguntant què pot fer la IA. Però la pregunta més important és una altra: què no hauria de fer sola?.

Abans d'automatitzar, resumir, recomanar, classificar, prioritzar o generar contingut, una empresa ha de definir tres espais diferents: què decideix una persona, què pot suggerir la IA i què pot executar o automatitzar el sistema.

Si aquesta frontera no és clara, apareixen problemes: decisions delegades sense control, outputs que ningú revisa, persones que no saben si es poden refiar, tasques duplicades, responsabilitats difuses i riscos que es descobreixen massa tard.

6.1. La IA pot suggerir, però no s'hauria d'apropiar la responsabilitat

En una empresa moltes decisions tenen conseqüències: comercials, operatives, econòmiques, legals, reputacionals o de qualitat.

Decidir quin client prioritzar, quina oferta enviar, quin descompte acceptar, quina incidència escalar, quin proveïdor triar, quin document validar o quina resposta donar a un client no és només una tasca informativa. És una decisió amb impacte.

La IA pot ajudar molt en aquestes decisions. Podeu ordenar informació, detectar patrons, resumir antecedents, comparar alternatives, assenyalar riscos, preparar escenaris o proposar una recomanació inicial.

Però ajudar a decidir no és el mateix que decidir. I aquesta diferència ha de quedar explícita.

Si l'empresa no defineix on s'acaba el suggeriment de la IA i on comença la responsabilitat humana, el sistema queda en una zona ambigua. La persona pot fer servir la recomanació sense prou criteri. La direcció pot assumir que hi ha control quan no n'hi ha. I lequip pot sentir que respon per resultats que no ha decidit realment.

6.2. La matriu bàsica: persona, IA i sistema

Una manera pràctica d'ordenar una implantació és separar tres capes.

La persona conserva criteri, validació, responsabilitat i judici contextual. La IA ajuda a analitzar, comparar, resumir, suggerir i detectar patrons. El sistema automatitza tasques repetibles, registra evidències, aplica regles, llança alertes i manté traçabilitat.

Aquesta matriu no resol tots els casos, però obliga l'empresa a fer explícita alguna cosa que moltes vegades es deixa sense definir.

6.3. No totes les decisions s'han d'automatitzar

Automatitzar no sempre és millorar.

Hi ha decisions que es poden recolzar en IA, però no s'haurien d'automatitzar sense revisió humana. Especialment quan afecten clients, empleats, riscos econòmics, compliment, qualitat, seguretat, pricing, reputació o decisions estratègiques.

Una empresa pot automatitzar la classificació inicial duna incidència, però potser no la decisió final de tancar el cas. Podeu utilitzar IA per preparar una oferta, però no per aprovar marge o descompte sense criteri humà. Podeu utilitzar-la per prioritzar leads, però no per descartar automàticament comptes estratègics sense revisió. Podeu utilitzar-la per resumir un informe, però no per convertir aquest resum en decisió directiva sense contrastar.

L'automatització s'ha de reservar per a tasques on les regles estan prou clares, el risc és acceptable, la dada és fiable i hi ha una manera de supervisar el resultat.

6.4. Un suggeriment d'IA no és una decisió validada

Aquest matís sembla obvi, però a la pràctica es perd amb facilitat.

Una recomanació ben redactada, una puntuació aparentment precisa, un resum convincent o una resposta segura poden generar més confiança de la que mereixen. La IA pot produir outputs plausibles fins i tot quan parteix de dades incompletes, context insuficient o una interpretació feble del problema.

Per això, l'empresa ha de definir com es valida un suggeriment. Qui la revisa. Quines evidències la sostenen. Quines dades ha fet servir. Quins límits té. Quina part es pot acceptar. Quina part cal descartar. I quins casos no poden avançar sense revisió humana.

Aquesta distinció és especialment important en àrees on la IA pot generar una falsa precisió: scoring comercial, forecast, selecció de prioritats, anàlisi de riscos, revisió documental, reporting directiu o atenció al client.

6.5. El sistema ha de bloquejar, no només accelerar

Moltes empreses pensen en IA i automatització com a acceleradors. Volen que el sistema faci més ràpid allò que abans era manual.

Però un sistema ben dissenyat no només accelera. També bloqueja, alerta o exigeix revisió quan no es compleixen condicions mínimes.

Si falten dades crítiques, no hauria d'avançar. Si el risc és alt, hauria d'escalar. Si l'output no està validat, no s'hauria d'enviar al client. Si l'oportunitat no compleix criteris mínims, no hauríeu de consumir una oferta completa. Si una incidència es repeteix, hauríeu d'assenyalar patró. Si una decisió supera un llindar econòmic, hauria de requerir aprovació.

Aquesta és una de les diferències entre automatitzar tasques i governar processos. Una automatització feble només mou feina. Una automatització ben dissenyada protegeix la qualitat del sistema.

6.6. Governar IA no és crear burocràcia: és fer explícits els límits

El govern d'IA sol sonar política interna, compliance o burocràcia. Però en una pime o empresa B2B real s'hauria d'entendre de manera més pràctica.

Governar IA significa decidir on es fa servir, amb quines dades, sota quins criteris, què pot suggerir, què pot automatitzar, què no pot decidir, qui revisa, què queda registrat, quins riscos s'accepten i quins casos s'han d'escalar.

El AI Risk Management Framework del NIST estructura la gestió del risc d'IA al voltant de quatre funcions: governar, mapejar, mesurar i gestionar. La traducció empresarial és clara: no n'hi ha prou amb fer servir IA; cal saber on és, què fa, quin risc introdueix i com es controla.

Aquest enfocament no s'hauria de veure com un fre. Al contrari: un govern clar permet fer servir IA amb més confiança perquè redueix ambigüitat, protegeix les persones i evita que cada equip improvi les seves pròpies regles.

6.7. Aquesta frontera s'ha de definir cas per cas

No hi ha una matriu universal vàlida per a totes les empreses i tots els usos de IA.

La frontera entre persona, IA i sistema canvia segons el context. No és el mateix resumir una reunió interna que preparar una oferta crítica. No és el mateix classificar una incidència menor que recomanar una acció sobre un client estratègic. No és el mateix generar idees de contingut que no pas analitzar documentació contractual, tècnica o financera.

Per això, cada cas dús ha de tenir la seva pròpia definició de límits. Què pot fer la IA. Què no hi pot fer. Quines dades fa servir. Quin risc hi ha. Quina persona valida. Quin sistema registra. Quina mètrica mesura. Quina excepció bloqueja o escala.

Aquest treball pot semblar menys vistós que triar una eina, però és el que determina si la IA serà útil, segura i adoptable.

6.8. Com ho treballa R&R: arquitectura d'ús, decisió i responsabilitat

A Rumbo & Resultados, aquesta separació és part central de qualsevol intervenció d'IA aplicada.

No n'hi ha prou amb dir que “la IA ajudarà l'equip”. Cal definir exactament on ajuda, què prepara, què suggereix, què automatitza, què no pot fer, qui valida i què es mesura.

Aquesta arquitectura connecta amb la integració d'IA aplicada a processos reals, però també amb les eines executives per a empreses: sistemes que no pretenen substituir el criteri directiu, sinó ordenar informació, criteris, prioritats, riscos i decisions.

El resultat no hauria de ser una empresa que delega criteri a una eina. Hauria de ser una empresa que utilitza IA per reduir càrrega, ordenar senyals, millorar preparació, detectar riscos i decidir amb més claredat.

Abans de preguntar què es pot automatitzar, una empresa hauria de decidir què no està disposada a delegar.

7. La productivitat no es mesura per ús, sinó per impacte

Una de les maneres més habituals d'avaluar malament una implantació d'IA és mesurar-la per ús.

Quantes persones hi tenen accés. Quantes entren a l'eina. Quants prompts es generen. Quants documents es produeixen. Quantes automatitzacions es llancen. Quantes formacions s'han completat. Quants casos dús shan identificat.

Tot això pot ser informació útil, però no demostra cap productivitat.

Una empresa pot fer servir molt la IA i no haver millorat de forma rellevant. Pot produir més outputs, respondre més ràpidament, generar més informes, resumir més reunions o automatitzar més tasques, i tot i així no reduir errors, no millorar marge, no vendre millor, no decidir abans, no atendre millor el client o no alliberar capacitat real.

7.1. Les mètriques dús poden crear una falsa sensació davanç

Mesurar ús és fàcil. Mesurar impacte és més exigent.

Per això moltes empreses comencen pel primer. Usuaris actius, freqüència dús, llicències consumides, nombre de consultes, automatitzacions activades o volum doutputs generats.

El problema és que aquestes mètriques poden créixer sense que el negoci millori. De fet, poden créixer precisament perquè el sistema genera més activitat: més textos, més versions, més revisions, més informes, més simulacions o més interacció amb eines.

Si aquest volum no es tradueix en menys temps de cicle, menys errors, millor conversió, menor càrrega administrativa, millor qualitat de decisió o reducció de risc, l'empresa mesura activitat tecnològica, no productivitat empresarial.

7.2. L'impacte s'ha de connectar amb el procés que es volia millorar

Per mesurar bé, primer cal saber què es volia millorar.

Si el cas d'ús era preparar ofertes amb més qualitat, la mètrica no només pot ser quantes propostes ha ajudat a redactar la IA. Cal revisar temps de preparació, taxa de conversió, marge, retreball, claredat de l'abast i ofertes descartades abans de consumir recursos.

Si el cas d'ús era reduir càrrega administrativa, no n'hi ha prou de mesurar quants documents es processen. Cal mesurar temps estalviat, errors evitats, qualitat de revisió i càrrega desplaçada a altres perfils.

Si el cas d'ús era millorar el reporting directiu, no n'hi ha prou de generar informes més ràpid. Cal mesurar si direcció decideix abans, detecta bloquejos, prioritza millor o redueix reunions de seguiment sense pèrdua de control.

La mètrica ha de néixer del procés, no de l'eina.

7.3. El redisseny de workflows és allò que separa ús de valor

Aquí apareix una diferència crítica entre empreses que experimenten amb IA i empreses que capturen valor.

McKinsey, a The State of AI 2025, assenyala que els AI high performers són gairebé tres vegades més propensos que la resta a redissenyar fonamentalment els seus workflows. A més, identifica aquest redisseny com un dels factors amb més contribució a l'impacte de negoci.

Aquest punt és central: les empreses que més valor obtenen no es diferencien només perquè tenen millors eines. Es diferencien perquè no es limiten a afegir IA sobre fluxos existents. Revisen com es treballa.

Canvien passos. Eliminen tasques. Redefineixen responsabilitats. Ajusten controls. Reordenen informació. Incorporen revisió humana on cal. Automatitzen només el que és repetible. Mesuren resultats. I corregeixen el sistema a partir del que passa a l'operació.

7.4. La productivitat s'ha de mesurar en diversos nivells

Una implantació d'IA pot millorar una tasca i tot i així no millorar el sistema. Per això convé mesurar a diversos nivells.

El primer nivell és la tasca: si es fa més ràpidament, amb menys errors o amb menys esforç. El segon és el flux: si el procés complet millora o només se n'accelera una part. El tercer és la decisió: si l?empresa decideix abans, amb més informació o amb menys risc. La cambra és el negoci: si hi ha impacte en marge, conversió, cost, capacitat, qualitat, servei o continuïtat.

Si només es mesura la tasca, l'empresa pot fer una millora parcial i perdre de vista l'impacte real. Per exemple, preparar un informe més ràpid no serveix de gaire si ningú no el fa servir per decidir. Generar una oferta més ràpida no serveix si l'oportunitat estava mal qualificada. Resumir incidències no serveix si no s'activa cap acció correctiva.

7.5. El temps estalviat no sempre es converteix en valor

L'estalvi de temps és una de les promeses més repetides de la IA. I en molts casos pot ser real.

Però una hora estalviada no es converteix automàticament en valor. Depèn de què es faci amb aquesta hora, on s?allibera, qui la recupera i quin coll d?ampolla es redueix.

Si la IA estalvia temps en una tasca que no era crítica, limpacte serà limitat. Si allibereu temps d'una persona que després queda absorbida per més revisió, la millora serà menor del previst. Si accelereu una part del procés però el coll d'ampolla està en un altre punt, el sistema no millorarà. Si el temps estalviat es dedica a més activitat de baix valor, tampoc no hi haurà impacte real.

Per això, l'empresa no s'hauria de quedar a “estalviem temps”. S'hauria de preguntar quina capacitat s'allibera i cap a on es reassigna.

7.6. La qualitat de l'output també s'ha de mesurar

La IA pot produir molt. Però produir més no vol dir produir millor.

A moltes empreses, el risc no és que la IA no generi outputs. El risc és que generi massa outputs mediocres, genèrics, repetitius, poc contextualitzats o aparentment correctes però insuficientment revisats.

Per això, el mesurament ha dincloure qualitat. No només rapidesa. En una proposta comercial, qualitat pot significar millor connexió amb el problema del client, abast més clar, menys errors, millor argumentació i marge defensable. En reporting pot significar millor síntesi, menys soroll i decisions més clares. En atenció al client, pot significar resposta útil, coherent i segura, no només ràpida.

Si la IA redueix temps però baixa qualitat, limpacte net pot ser negatiu.

7.7. La mètrica ha d'incloure la càrrega de revisió

Aquest punt se sol oblidar.

Una IA pot estalviar temps en una part de la feina i consumir-la en una altra. Podeu generar esborranys ràpid, però exigir molta revisió. Podeu classificar documents, però requerir correcció constant. Podeu preparar propostes, però obligar l'equip sènior a revisar cada matís. Pot generar resums, però obligar a verificar-ho tot perquè ningú no es fia de l'output.

Si l'empresa no mesura aquesta càrrega de revisió, podeu sobreestimar l'impacte real.

La revisió humana no és un problema per si mateixa. De fet, moltes vegades cal. El problema apareix quan la revisió consumeix tant de temps o tanta atenció sènior que la productivitat promesa desapareix.

7.8. Mesurar impacte també significa saber retirar allò que no aporta

Un bon mesurament no serveix només per demostrar èxit. També serveix per aturar, ajustar o retirar.

Hi ha casos dús que no compensen. Eines que no encaixen. Automatitzacions que afegeixen més feina del que eliminen. Pilots que eren interessants, però no pas prioritaris. Fluxos que necessiten redisseny abans d'introduir IA. Usuaris que requereixen un altre tipus de capacitació. Dades que encara no permeten escalar.

Si l'empresa mesura de veritat, podeu prendre decisions incòmodes: pausar un cas d'ús, reduir abast, canviar la mètrica, redissenyar el procés o retirar una eina que no aporta.

Això no és fracassar. És governar.

7.9. Com ho treballa R&R: impacte abans que adopció aparent

A Rumbo & Resultados, la IA no s'avalua per novetat, nombre d'eines o volum d'ús. S'avalua per la capacitat per millorar una part concreta del negoci.

Això implica definir el cas d'ús des de l'impacte esperat: quin temps s'ha de reduir, quin error cal evitar, quina decisió s'ha de millorar, quina capacitat s'ha d'alliberar, quin risc s'ha de controlar o quina mètrica ha de canviar.

Aquesta lògica connecta amb la IA pràctica amb ROI, però també amb l'enfocament més ampli de consultoria per a empreses: no afegir activitat per afegir, sinó ordenar capacitats, prioritats, execució i mesura.

L'empresa no necessita demostrar que fa servir IA. Necessita demostrar que hi treballa millor.

Usar IA no demostra transformació. La demostra treballar millor, decidir millor i mesurar millor després d'incorporar-la.

8. Què haurien de revisar les empreses abans de continuar invertint a IA

Arribats a aquest punt, la pregunta ja no hauria de ser si l'empresa ha de fer servir IA. Aquesta conversa és massa genèrica.

La pregunta útil és una altra: abans de continuar comprant llicències, ampliant pilots o incorporant noves eines, ¿l'empresa ha revisat si té les condicions necessàries per convertir aquesta IA en una millora real del negoci?

Aquesta revisió no frena la IA. La fa més útil.

8.1. Capacitat: què vol fer més bé l'empresa

La primera revisió no és tecnològica. És directiva.

Quina capacitat necessita guanyar l'empresa que avui no té prou resolta? Pot ser reduir càrrega administrativa, preparar millors ofertes, millorar reporting, prioritzar oportunitats, detectar incidències, reduir errors o prendre decisions millors.

Si aquesta capacitat no es defineix, la IA es converteix en una solució a la recerca de problema.

8.2. Procés: en quin flux real entra

La segona revisió és el procés real: com es treballa quan apareixen urgències, excepcions, dades incompletes, clients, aprovacions, correus, fulls paral·lels i responsables saturats.

La IA no s?implanta sobre un organigrama. S'implanta sobre aquest treball real.

8.3. Cas d'ús: impacte i implantabilitat

Un bon cas dús no es defineix pel que la IA pot fer, sinó per limpacte que pot generar i per la possibilitat real dimplantar-lo.

Ha de millorar una cosa que importi i s'ha de poder desplegar amb les dades, els processos, les persones i els recursos disponibles o raonablement preparables.

8.4. Persona / IA / sistema: què decideix cada part

Abans d'escalar qualsevol cas d'ús, l'empresa ha de definir quines decisions continuen sent humanes, què pot suggerir la IA i quines tasques pot automatitzar el sistema.

Si no es defineix aquesta frontera, cada usuari improvisa. Uns tractaran el suggeriment com a veritat, altres no la faran servir per por i altres automatitzaran més del que és convenient.

8.5. Dades: quina informació mínima cal

No sempre cal una arquitectura de dades sofisticada per començar. Però sí que cal saber quines dades mínimes necessita el cas d'ús, on són, qui les manté, amb quina qualitat, sota quins permisos i amb quina freqüència s'actualitzen.

Sense aquesta revisió, l'empresa pot implantar IA sobre informació feble. I una IA treballant amb dades pobres pot generar recomanacions pobres amb aparença sofisticada.

8.6. Riscos: quins límits s'han de governar

La IA introdueix riscos que s'han de traduir en regles pràctiques: quines dades no s'introdueixen, quins outputs es revisen, quins casos es bloquegen, quines decisions no es deleguen, quines alertes es generen, quins perfils poden fer servir cada funció i què queda registrat.

L'empresa no necessita cap burocràcia. Necessita límits clars.

8.7. Rols: qui utilitza, revisa, valida i respon

Una implantació d'IA afecta de manera diferent cada rol. Direcció, operacions, vendes, administració, comandaments intermedis, perfils tècnics i usuaris operatius no necessiten la mateixa definició dús ni assumeixen la mateixa responsabilitat.

Abans de continuar invertint, cal revisar què espera l'empresa de cada rol.

8.8. Mètriques: com sabrem si funciona

Abans de continuar invertint, l'empresa ha de decidir com deu saber si la IA funciona. No n'hi ha prou amb mesurar ús. Cal mesurar impacte.

Aquest impacte pot estar en temps de cicle, errors evitats, treball reduït, marge protegit, oportunitats millor prioritzades, incidències resoltes abans, documents revisats amb menys risc o decisions preses amb més informació.

8.9. Seguiment: què es revisarà durant les primeres setmanes

La implantació no s'acaba el dia que l'eina s'activa. Les primeres setmanes mostren allò que el disseny inicial no va veure: friccions, dubtes, excepcions, errors, dades insuficients, usuaris que troben valor i usuaris que no el troben.

Sense seguiment, l?empresa perd aquesta informació. Amb seguiment, pot corregir regles, ajustar el flux, aclarir responsabilitats, retirar usos que no aporten i escalar els que sí que funcionen.

8.10. Checklist executiu abans de continuar invertint

Abans de comprar més llicències, ampliar un pilot o incorporar-hi una altra eina, l'empresa hauria de poder respondre amb claredat a aquesta llista mínima.

Si aquestes preguntes no tenen resposta, continuar invertint pot ser prematur. No pas perquè la IA no tingui potencial, sinó perquè l'empresa encara no ha preparat el terreny per capturar-lo.

La IA no exigeix començar per més tecnologia. Exigeix començar per una pregunta més incòmoda: quina part de l'empresa encara no treballa prou bé.

9. Com ho aborda R&R: no instal·lant IA, sinó instal·lant capacitat

A Rumbo & Resultados, la IA no s'aborda com una eina aïllada ni com una capa tecnològica que s'afegeix al negoci per semblar més avançat.

S'aborda com a part d'una pregunta més àmplia: quina capacitat necessiteu guanyar l'empresa per treballar millor, decidir millor, executar millor o competir millor.

Per això, l'objectiu no és que l'empresa “tingui IA implantada”. L'objectiu és que pugui operar amb més claredat, menys fricció, millors dades, responsabilitats definides, decisions més ben preparades i mètriques d'impacte.

9.1. El punt de partida: procés real i fricció amb cost

Abans de recomanar eines, automatitzacions o casos dús, cal entendre com treballa realment lempresa.

No n'hi ha prou amb revisar organigrames, procediments o descripcions formals. Cal detectar on es perd temps, on es duplica informació, on es generen errors, quines dades no estan disponibles, quines decisions depenen massa duna persona i quines friccions ja estan normalitzades.

La IA té sentit quan entra en un punt on hi ha una millora clara de capturar. Aquest cost pot estar en temps, errors, retreball, pèrdua de marge, lentitud de decisió, mala traçabilitat, baixa qualitat de seguiment o dependència interna excessiva.

9.2. Casos d'ús amb impacte i viabilitat, no una llista infinita de possibilitats

Un cop detectades les friccions, el pas següent no és obrir una llista interminable de possibles usos d'IA.

El pas següent és prioritzar.

Un cas dús ha de complir dues condicions: impacte i implantabilitat. Ha de millorar una cosa que importi i s'ha de poder implantar amb les dades, els processos, les persones i els recursos disponibles o raonablement preparables.

En una pime, aquesta priorització és especialment important. No hi ha capacitat infinita per provar-ho tot. Cada pilot que consumeix atenció sense impacte desplaça temps, criteri i recursos d'altres prioritats.

9.3. Redisseny del flux: l'eina no és suficient si la feina continua igual

No n'hi ha prou amb seleccionar un cas d'ús. Cal redissenyar com entrarà a la feina diària.

Quina tasca canvia. Quina informació es fa servir. Quin input ha dintroduir la persona. Quin output genera la IA. Quina part es revisa. Què es registra. Quines excepcions bloquegen. Quina decisió es pren després. Quin sistema conserva la traçabilitat.

A moltes empreses, aquest és el punt que se salta. Es configura l'eina, però no es reconfigura la feina. El resultat és previsible: cada persona improvisa, l'ús es torna irregular, els comandaments intermedis corregeixen i la direcció no sap si la implantació genera valor real.

9.4. Matriu persona / IA / sistema per evitar delegacions falses

Cada cas dús necessita la seva pròpia matriu de responsabilitat.

En una oferta comercial, la IA pot preparar un esborrany, recuperar històric, assenyalar riscos o suggerir-ne arguments. Però la persona ha de validar preu, marge, abast, compromís i decisió bid/no bid. I el sistema ha de conservar versions, aprovacions, llindars i traçabilitat.

A reporting, la IA pot resumir dades i detectar desviacions. Però adreça ha d'interpretar, prioritzar i decidir. I el sistema ha dassegurar fonts, actualització i registre de decisions.

Aquesta matriu evita que l?empresa confongui suport amb delegació. També evita que cada equip decideixi pel seu compte fins on pot arribar la IA.

9.5. Govern pràctic: dades, límits, revisió i traçabilitat

R&R no planteja el govern d'IA com una capa burocràtica desconnectada del negoci.

Ho planteja com una condició d'ús: quines dades es poden fer servir, quines dades no, quines fonts són vàlides, quins outputs requereixen revisió, quins riscos s'han de bloquejar, quines decisions no es deleguen, què queda documentat, quins usuaris hi poden accedir i quines mètriques es revisaran.

En molts casos, aquest govern pràctic és el que permet fer servir IA amb més tranquil·litat. No frena l'adopció; redueix ambigüitat.

9.6. Capacitació per rol: convertir el canvi en rutina

Un cop definit el cas dús, el flux, la matriu de responsabilitat i el govern, la formació canvia de naturalesa.

Ja no es tracta d'explicar què pot fer la IA en abstracte. Es tracta d'ensenyar com es fa servir dins del treball real de cada rol.

Què ha de fer un comercial abans de fer una reunió. Què ha de revisar una persona dadministració abans dacceptar una extracció documental. Què ha de validar un comandament intermedi abans daprovar un output. Què ha de mirar adreça en un informe assistit per IA. Quines incidències cal escalar. Quins errors cal reportar.

9.7. Mesura i seguiment: escalar, corregir o retirar

La implantació no queda tancada quan l'equip comença a fer servir l'eina.

Les primeres setmanes mostren la veritat operativa: què es fa servir, què no es fa servir, què genera valor, què afegeix càrrega, quins outputs requereixen massa correcció, quines dades falten, quines persones entenen el canvi i quines parts del flux s'han d'ajustar.

Per això, R&R treballa el mesurament i el seguiment com a part del disseny, no com a informe posterior. L'objectiu és decidir amb evidència: què s'escala, què corregeix, què es limita, què es pausa i què es retira.

9.8. Eines pròpies com a suport, no com a fi

R&R desenvolupa eines pròpies perquè moltes empreses necessiten capacitats que no poden contractar o sostenir internament com ho faria una multinacional.

Però l'eina no és la fi. És suport del criteri.

Una eina pot ajudar a diagnosticar, prioritzar, calcular, ordenar senyals, revisar oportunitats, valorar ROI, preparar decisions o fer visible un bloqueig. Però el seu valor depèn del sistema en què s'insereix.

Per això les eines executives per a empreses de R&R no es plantegen com a programari genèric. Es plantegen com a suport a una manera més clara de dirigir, decidir i executar.

La IA pot enriquir aquestes eines, ajudar a redactar, sintetitzar, complementar amb dades, ordenar informació o preparar lliurables. Però la decisió no la pren la IA. La decisió ha de venir del criteri, del motor, del context de negoci i de la validació humana.

9.9. El resultat: capacitat instal·lada, no projecte tecnològic tancat

Una implantació útil d'IA no hauria d'acabar amb una frase com “l'eina ja està instal·lada”.

Hauria d'acabar amb una mica més exigent: l'empresa sap quins casos d'ús tenen sentit, quins processos han canviat, quines persones hi intervenen, quines dades necessita, quins riscos governa, quines decisions millora i quines mètriques està seguint.

Aquest resultat no és una implantació tecnològica tancada. És una capacitat instal·lada que permet seguir aprenent, ajustar casos d'ús, retirar allò que no aporta i escalar allò que sí que funciona.

La IA útil no s'instal·la com a programari. S'instal·la com a capacitat de negoci: procés, criteri, responsabilitat, mesurament i millora contínua.

10. Continuar invertint en IA sense revisar el sistema només amplifica el problema

La intel·ligència artificial pot ajudar moltes empreses. Podeu reduir càrrega, ordenar informació, preparar millors decisions, accelerar tasques repetitives, detectar patrons, millorar reporting, donar suport a equips comercials, revisar documentació i alliberar capacitat operativa.

Però no ho farà només perquè està disponible.

Si l'empresa compra IA sense saber quina capacitat vol guanyar, la tecnologia es converteix en una activitat dispersa. Si la introduïu sobre processos confusos, accelera el desordre. Si no defineix rols, genera ambigüitat. Si no revisa dades, produeix outputs febles amb aparença sofisticada. Si no mesura impacte, podeu confondre ús amb productivitat.

10.1. La IA no substitueix direcció

La IA pot ajudar a preparar informació, però no substitueix la direcció.

No decidiu quina capacitat necessiteu guanyar l'empresa, quin problema té més impacte, quin risc està disposada a acceptar o quina prioritat ha de quedar fora. Aquestes decisions continuen pertanyent a la direcció.

10.2. La pregunta no és si fer servir IA, sinó on té sentit fer-la servir

El debat ja no hauria de plantejar-se com una elecció entre fer servir IA o no fer-la servir.

La pregunta útil és on té sentit fer-la servir, per a quina capacitat, amb quines dades, sota quina responsabilitat, dins quin procés i amb quina mètrica d'impacte.

En alguns casos, la resposta serà implantar IA. En altres, primer caldrà ordenar dades, simplificar el flux, aclarir rols, millorar el seguiment o retirar tasques que no aporten. I en altres, simplement no fer servir IA encara perquè no compensa.

10.3. Què pot fer una empresa ara mateix

La manera més assenyada d'avançar no és aturar tota iniciativa d'IA. Tampoc no és comprar més eines per inèrcia.

El primer pas és fer una revisió executiva del que ja existeix: quines eines es fan servir, quins pilots estan oberts, quins processos toquen, quines persones intervenen, quines dades requereixen, quins riscos introdueixen i quin impacte estan generant.

Després convé separar tres grups.

10.4. Com encaixa R&R en aquest punt

Rumbo & Resultados treballa precisament en aquesta zona: quan una empresa necessita convertir activitat dispersa, eines, màrqueting, vendes, processos, dades i IA en un sistema més clar de direcció, execució i mesurament.

Si el problema és com incorporar IA a processos reals, el punt d'entrada natural és la integració d'IA aplicada a processos reals.

Si el problema és més ampli —creixement, màrqueting, vendes, captació, sistema comercial, execució o presa de decisions— l'encaix és a la consultoria per a empreses.

I quan l'empresa necessita convertir diagnòstic, priorització, càlcul, seguiment o decisió en sistemes reutilitzables, entren les eines executives per a empreses.

La pregunta no és si la teva empresa té IA. La pregunta és si, després d?incorporar-la, treballa millor que abans.