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

Moltes empreses ja han superat la fase de preguntar-se si haurien de fer servir intel·ligència artificial. Han comprat llicències, provat assistents, llançat pilots, automatitzat alguna tasca o demanat als seus equips que incorporin IA a la feina.

El problema comença després: quan aquesta activitat no es converteix amb claredat en menys temps de cicle, menys errors, millors decisions, més capacitat comercial, millor servei, més marge o una operació més fiable.

En aquest moment resulta temptador buscar una explicació senzilla: manca formació, l'equip es resisteix, l'eina no era adequada o la tecnologia encara no està prou madura.

De vegades aquestes raons existeixen. Però moltes implantacions s'afebleixen molt abans: quan l'empresa introdueix IA sense haver definit quina capacitat vol guanyar, quina part del treball ha de canviar, quines decisions continuaran sent humanes, quines dades necessita el sistema i quina evidència demostrarà que la inversió genera valor.

La dificultat per convertir inversió en capacitat real ja apareix a les dades. El CEO Study d'IBM del 2025 recollia que, segons els CEOs enquestats, només el 25% de les iniciatives d'IA havia lliurat el ROI esperat i amb prou feines el 16% havia escalat el conjunt de l'empresa.

La dada no demostra que la IA estigui fracassant com a tecnologia. Sí que mostra una mica més rellevant per a direcció: entre experimentar i capturar valor hi ha una distància considerable.

1. Implantar IA no és comprar tecnologia: és instal·lar una capacitat

Una empresa pot comprar llicències d?intel·ligència artificial en un matí. Podeu activar assistents, contractar una plataforma, automatitzar algunes tasques o permetre que els vostres equips utilitzin models generatius. Cap d'aquestes decisions no demostra per si sola que hagi implantat IA amb èxit.

El que és rellevant comença després: quan aquesta tecnologia modifica de manera estable una part del treball. Un procés triga menys. Una decisió arriba abans i amb més informació. Disminueixen errors. Es redueix treball. Un comercial prepara millor una reunió. Operacions detecta abans una desviació. Adreça obté una lectura més útil del negoci.

Aquí apareix una diferència que convé fer explícita: accedir a IA és una decisió tecnològica; instal·lar una capacitat és una decisió empresarial.

1.1. Accés, ús i capacitat són tres coses diferents

Bona part de la confusió al voltant de la implantació d'IA procedeix de barrejar tres nivells diferents.

El primer és el accés: l'empresa disposa d'una eina. El segon és el ús: algunes persones comencen a incorporar-la a determinades tasques. El tercer és la capacitat instal·lada: el negoci ha canviat de forma prou estable per produir un resultat millor i repetible.

Els dos primers són relativament fàcils dobservar. Es poden comptar llicències, usuaris actius, prompts, automatitzacions o formacions realitzades. El tercer és més exigent perquè obliga a demostrar que alguna cosa rellevant ha canviat.

Aquesta distinció importa perquè una empresa pot avançar molt en accés i ús i molt poc en capacitat. Poden tenir desenes de persones experimentant i seguir sense saber quin procés ha millorat o quin resultat justifica la inversió.

1.2. La primera decisió no és la ferramenta: és la capacitat que volem guanyar

“Volem utilitzar IA en vendes”, “volem incorporar IA a operacions” o “volem automatitzar administració” són adreces massa àmplies per dissenyar una implantació.

Adreça necessita baixar un nivell i formular el canvi que realment busca.

A una empresa B2B pot ser preparar millor una reunió comercial sense augmentar el temps previ; identificar abans quines oportunitats mereixen esforç; reutilitzar coneixement de propostes anteriors sense comprometre marge; o aconseguir que el forecast depengui menys dinterpretacions informals.

En una pime industrial pot ser detectar patrons en incidències, localitzar documentació tècnica més ràpidament, reduir errors repetitius, anticipar desviacions o convertir coneixement dispers en suport operatiu.

A administració pot ser disminuir hores de revisió documental sense perdre control. En direcció, convertir dades disperses en una lectura recurrent de bloquejos, riscos i decisions pendents.

Aquestes formulacions permeten treballar. “Usar IA en un departament” no.

1.3. Un cas dús útil descriu treball i resultat, no una categoria tecnològica

Per passar d‟intenció a implantació cal convertir aquesta capacitat en un cas d‟ús prou concret.

Un cas dús no hauria de limitar-se a descriure el que fa la IA. Heu d'explicar quina part del treball canvia, per a qui i amb quin resultat esperat.

Com més concret és el cas dús, més fàcil resulta determinar quines dades necessita, quines persones intervenen, què ha de revisar un humà, què es pot automatitzar, quins riscos existeixen i quina mètrica demostraria que ha funcionat.

1.4. Productivitat individual i productivitat empresarial no són equivalents

Una persona pot escriure un correu més ràpid, resumir una reunió, preparar un esborrany o analitzar un document en menys temps. Aquesta millora pot ser real i útil.

Però una empresa és un sistema de tasques interdependents. Un guany local no sempre millora el conjunt.

Si la IA permet redactar propostes més ràpidament, però després augmenta la càrrega de revisió del responsable comercial, la millora neta pot ser petita. Si produeix més leads però no millora la qualificació, vendes rep més volum sense més capacitat. Si genera informes en minuts però ningú no canvia una decisió gràcies a ells, s'ha accelerat un output, no necessàriament el negoci.

Fins i tot hi pot aparèixer una paradoxa: la IA permet generar més documents, missatges, anàlisis i alternatives i, com a conseqüència, augmenta la quantitat d'informació que algú ha de revisar.

1.5. L'eina s'hauria de triar després d'entendre la feina

Això canvia lordre habitual de moltes iniciatives.

En lloc de comprar primer i buscar després on aplicar l'eina, convé començar observant la feina real: on hi ha una fricció rellevant, quin resultat volem millorar i quines condicions hauria de complir una solució per aportar valor.

Aquest ordre també permet arribar a una conclusió que de vegades s'evita: no tots els problemes necessiten IA. Potser abans caldrà simplificar el procés, ordenar dades, eliminar una tasca, aclarir una responsabilitat o corregir una mala definició comercial.

Utilitzar IA només perquè està disponible augmenta la probabilitat de construir una solució sofisticada per a un problema secundari.

Aquest és també el criteri de la integració d'IA aplicada a processos reals de Rumb & Resultats: començar per la capacitat i la fricció del negoci, i utilitzar la tecnologia quan realment ajuda a resoldre-les.

El primer error no és triar una eina imperfecta. És intentar escollir-la abans de saber exactament què hauria de millorar.

2. El salt difícil: del pilot a la producció real

Una demo convincent pot demostrar que una tecnologia és capaç de resoldre un problema. Un pilot pot demostrar que aquesta possibilitat és útil dins d'una empresa.

Cap dels dos encara demostra que l'organització pugui sostenir aquesta millora en operació real.

La dificultat apareix quan la IA deixa de treballar amb un cas preparat i entra en un sistema empresarial que conté dades incompletes, programari heretat, permisos, prioritats enfrontades, excepcions, clients reals, pressió operativa i persones que tenen altres responsabilitats a més de provar una nova eina.

2.1. Demo, pilot i producció responen preguntes diferents

Tractar aquestes tres fases com si fossin simplement diferents mides de desplegament és un error.

Cadascuna hauria de respondre una pregunta diferent.

La demo redueix deliberadament la complexitat per mostrar potencial. El pilot introdueix part de la realitat. Producció torna pràcticament tota la complexitat que l'empresa haurà de gestionar.

2.2. El coll d'ampolla és precisament entre pilot i producció

Les dades disponibles mostren que aquest salt continua essent difícil.

Deloitte, a The State of AI in the Enterprise 2026 , va trobar que només el 25% dels enquestats afirmava que la seva organització havia portat a producció el 40% o més dels seus experiments d'IA.

La lectura rellevant no és que tres de cada quatre organitzacions “hagin fracassat”. L'indicador mesura una altra cosa: fins i tot en un context de forta experimentació i expansió de l'accés, convertir pilots en sistemes productius continua sent una capacitat menys estesa que provar-los.

Això encaixa amb el que passa a moltes empreses. El pilot demostra que hi ha una oportunitat; la producció obliga a demostrar que aquesta oportunitat pot sobreviure al negoci real. :contentReference[oaicite:1]{index=1}

2.3. Producció significa integrar la IA al flux, no mantenir-la al costat

Una eina pot ser útil i continuar sense estar realment integrada.

Si un usuari necessita copiar informació des del CRM, enganxar-la en una altra aplicació, revisar manualment el resultat, tornar a copiar-lo al sistema corporatiu i explicar després què ha canviat, hi ha IA a la tasca, però potser no hi ha una millora suficient del procés.

Portar un cas dús a producció significa decidir com conviu amb CRM, ERP, repositoris, documentació, ticketing, eines comercials, permisos, aprovacions i registres existents.

No sempre cal una gran integració tècnica. De vegades n'hi ha prou amb un flux ben definit. Però sí que ha de quedar clar on comença i acaba la intervenció de la IA i quina feina prèvia desapareix com a conseqüència.

2.4. Les excepcions són part del sistema, no anomalies que es puguin ignorar

Bona part del treball empresarial que consumeix més criteri no passa en el cas estàndard.

Passa quan falta informació, un client sol·licita alguna cosa excepcional, una oportunitat comercial no encaixa bé a l'scoring, un document arriba en un altre format, apareix una incidència nova, una regla entra en conflicte amb una altra o el resultat de la IA sembla plausible però no prou fiable.

Una implantació pot funcionar molt bé amb els casos simples i fallar precisament en aquells que consumeixen més capacitat interna.

Per això, provar excepcions hauria de formar part del pilot. No només comprovar què fa la IA quan disposa de tota la informació, sinó què passa quan no sap, quan dubta, quan manca una dada, quan el risc augmenta o quan la decisió requereix criteri contextual.

2.5. La càrrega de revisió pot decidir si mereix escalar el cas d'ús

Una variable que sol mesurar poc durant els pilots és l'esforç necessari per comprovar els resultats.

La IA pot reduir deu minuts d'elaboració i afegir-ne vuit de comprovació. Podeu alliberar un perfil júnior i augmentar la càrrega d'un comandament intermedi. Pot produir un esborrany excel·lent en vuit de cada deu casos i exigir una revisió molt costosa als altres dos.

Res d'això no invalida automàticament el cas d'ús. Però forma part de la seva economia real.

Abans d'escalar convé saber no només quant de temps estalvia la IA, sinó on apareix el temps de supervisió, quin nivell de perfil necessita i quant risc evita aquesta revisió.

2.6. Un bon pilot no només intenta demostrar que funciona

Un pilot empresarial s'hauria d'utilitzar per aprendre, no per confirmar una decisió ja presa.

Això vol dir que ha de poder produir tres resultats: escalar, redissenyar o parar.

Si demostra impacte, encaix operatiu i risc raonable, es pot escalar. Si el potencial és alt però apareixen problemes de dades, flux o responsabilitat, cal redissenyar abans d'ampliar. I si el valor observat és petit davant de la complexitat que introdueix, aturar-lo pot ser la decisió correcta.

2.7. Arribar a producció tampoc tanca la implantació

Fins i tot després d'escalar, la IA continua necessitant observació.

Canvien les dades, les eines, els models, els usuaris i el procés mateix. Poden aparèixer noves excepcions. Un cas que inicialment estalviava temps pot perdre utilitat. Una millora es pot convertir en dependència. Un output que funcionava bé pot començar a generar més correccions.

Per això, producció exigeix manteniment: revisar qualitat, adopció, errors, càrrega de supervisió, risc i impacte. I exigeix tenir capacitat per modificar o retirar allò que ja no funciona.

El salt important no és passar de no fer servir IA a provar-la. És passar d'una prova prometedora a un sistema que encara és útil quan desapareixen les condicions del pilot.

3. La IA obliga a redissenyar la feina, no només a formar l'equip

Una de les explicacions més habituals quan una implantació d'IA no avança és que manca formació o que l'equip es resisteix al canvi.

Totes dues coses poden passar. Però cap hauria d'acceptar-se com a diagnòstic abans de revisar una mica més bàsic: si l'empresa ha canviat realment la manera de treballar o simplement ha afegit una nova eina sobre el procés anterior.

Quan el flux, les responsabilitats, els sistemes, les dades i els criteris segueixen pràcticament intactes, la persona rep una exigència contradictòria: ha d'incorporar IA, però continuar complint el treball anterior de la mateixa manera.

L'adopció aquí deixa de ser exclusivament un problema cultural. Esdevé també un problema de disseny operatiu.

3.1. La IA entra al procés real, no al procés que apareix en el procediment

Abans dimplantar IA convé distingir entre el procés formal i el procés real.

El primer és el que apareix en procediments, organigrames o presentacions. El segon és el que passa quan entren en joc les urgències, els fulls de càlcul paral·lels, els correus fora del flux, les excepcions, les dades incompletes i el coneixement que només conserva una persona concreta.

La IA es trobarà amb el segon.

Si l'empresa dissenya el cas d'ús únicament sobre el procés formal, descobrireu massa tard bona part de les friccions que condicionaran l'adopció.

Per això els que executen la feina han de participar abans d'escalar. No per decidir l'estratègia tecnològica, sinó perquè coneixen on apareixen els casos límit, quina informació falta, quins controls són realment necessaris i quins passos hi ha només perquè “sempre s'ha fet així”.

3.2. Redissenyar la feina és diferent d'ensenyar a fer servir una eina

La formació explica què pot fer una eina, com fer-la servir, quins límits té i quines bones pràctiques convé aplicar.

El redisseny respon preguntes diferents:

• Quina tasca desapareix o disminueix?
• Quina tasca nova apareix?
• Quina informació heu d'arribar abans?
• Quin output genera la IA?
• Què ha de comprovar una persona?
• Quina decisió canvia després?
• Quina part del procés deixa de fer-se com abans?

Aquesta diferència ajuda a interpretar una de les dades més rellevants del estudi de Deloitte sobre IA empresarial el 2026 : el 84% de les organitzacions enquestades encara no havia redissenyat llocs ni workflows al voltant de les capacitats de la IA.

La xifra no vol dir que el 84% no utilitzi IA. Precisament, mostra la bretxa: és possible estendre l'accés i experimentar sense haver modificat encara l'arquitectura del treball que hauria de capturar el valor.

3.3. La fricció de l'equip pot ser un senyal de disseny, no una objecció que calgui vèncer

Les persones no adopten automàticament qualsevol tecnologia útil, però tampoc rebutgen automàticament una millora que els ajuda de manera evident.

Quan una eina redueix una tasca repetitiva, evita errors, simplifica una cerca o millora una decisió sense afegir una càrrega equivalent, la seva incorporació sol ser més fàcil.

Per això convé escoltar amb precisió què hi ha darrere de frases com “no tinc temps”, “per això vaig més ràpid com abans”, “no me'n refio” o “després ho he de corregir tot”.

Aquestes preguntes no eliminen la possibilitat que hi hagi resistència real. La situen dins un millor diagnòstic: abans d'augmentar la pressió d'adopció, comprovar si el sistema que es demana adoptar té sentit per a qui l'ha d'utilitzar.

3.4. El comandament intermedi sol revelar si la productivitat és real o només s'ha desplaçat

Hi ha un perfil especialment útil per detectar implantacions mal dissenyades: el comandament intermedi.

És qui sol convertir una instrucció general de direcció en una rutina concreta. També qui respon dubtes, corregeix outputs, resol excepcions, supervisa l'equip i manté els objectius de l'àrea mentre la nova manera de treballar encara s'està estabilitzant.

Si la IA estalvia feina a diversos usuaris però obliga un responsable a revisar, corregir i explicar contínuament, es pot haver produït una millora local i una pèrdua sistèmica.

3.5. L'adopció s'ha de dissenyar abans del desplegament, no després

Moltes implantacions segueixen una seqüència poc favorable: primer es tria l'eina, després es configura, després es fa un pilot i només al final es pensa com aconseguir que l'equip la faci servir.

És massa tard.

L'adopció hauria d'estar dins del disseny inicial perquè condiciona el cas d'ús mateix. Cal saber qui utilitzarà la IA, en quin moment, amb quina informació, quina part us estalviarà feina, què haurà de validar i què passarà quan l'eina no pugui resoldre el cas.

3.6. Obligar l'ús pot millorar l'adopció aparent i empitjorar el diagnòstic

Quan lús és baix, augmentar instruccions, objectius dadopció o reporting pot aconseguir que pugi el nombre dusuaris actius.

Això no demostra que hagi millorat la feina.

Una mètrica d'adopció pot créixer perquè les persones estan obligades a fer servir una eina que continua afegint-hi fricció. L'empresa estaria aconseguint obediència, no necessàriament capacitat.

Per això convé combinar ús amb altres senyals: utilitat percebuda, temps net estalviat, qualitat, càrrega de revisió, errors, recurrència i continuïtat després del període inicial.

La capacitació operativa té sentit després d'aquest disseny: convertir un canvi ja definit en una manera de treballar que cada rol pugui executar amb claredat.

Abans d'atribuir una mala adopció a la cultura, convé comprovar si l'empresa demana a les persones que adoptin una millora real o simplement una altra capa de treball.

4. Persona, IA i sistema: qui decideix, qui suggereix i qui executa

Una implantació d'IA no està prou dissenyada mentre l'empresa no pugui explicar quina responsabilitat conserva la persona, quin paper exerceix la IA i quines tasques executa o controla el sistema.

Aquesta frontera importa perquè una recomanació generada per IA pot semblar una decisió. Una automatització pot amagar qui va assumir el criteri. I una persona pot acabar responent per un resultat sense tenir clar què havia de revisar.

L'objectiu no és mantenir sempre un humà a cada pas. És assignar la intervenció humana on hi ha judici, responsabilitat o risc i automatitzar allò que realment es pot executar amb regles i controls suficients.

4.1. Un suggeriment d'IA no és una decisió empresarial

Un scoring comercial, un forecast, un resum executiu o una recomanació poden estar expressats amb gran seguretat i continuar sent insuficients per decidir.

La IA pot treballar amb informació incompleta, interpretar malament una excepció o no conèixer una condició que una persona considera evident per experiència.

Per això cal separar la preparació d'una decisió de la mateixa decisió.

La IA pot recuperar antecedents, ordenar informació, detectar patrons, comparar alternatives o assenyalar riscs. La persona ha de valorar quin pes tenen aquestes evidències dins del context i assumir la decisió quan hi ha impacte rellevant.

4.2. La matriu persona / IA / sistema fa explícita la responsabilitat

Una manera senzilla de dissenyar aquesta frontera és separar tres funcions.

4.3. No tot el que es pot automatitzar s'hauria d'automatitzar

La possibilitat tècnica no és un criteri suficient.

Com més gran sigui l'impacte d'una decisió, més important és revisar si hi ha prou informació, regles estables, capacitat de detectar excepcions i un nivell de risc acceptable.

Una IA pot proposar quina oportunitat comercial prioritzar, però potser no hauria de descartar automàticament un compte estratègic. Podeu preparar una oferta, però no aprovar un descompte o un marge fora de política. Podeu classificar una incidència, però no tancar per si sola un cas sensible amb un client.

La decisió no és “humà o IA”. És determinar quina combinació dautomatització, recomanació i revisió ofereix un equilibri defensable entre capacitat, cost i risc.

4.4. El sistema també ha de saber quan no avançar

Pensar en automatització únicament com a velocitat deixa fora una funció essencial: el control.

Un sistema ben dissenyat hauria de poder reconèixer determinades condicions en què no ha de completar automàticament el flux.

Aquesta és la diferència entre moure automàticament informació i governar un procés. El primer estalvia passos. El segon a més protegeix la qualitat de l'operació.

4.5. Govern d'IA vol dir fer explícits ús, risc i responsabilitat

El govern IA pot semblar un concepte reservat a grans companyies, àrees legals o projectes especialment sofisticats. A la pràctica, fins i tot una pime necessita respondre unes poques preguntes bàsiques.

Quins sistemes de IA utilitzeu. Per què. Amb quines dades. Qui hi té accés. Quins outputs requereixen revisió. Quines decisions no es poden delegar. Quins errors cal escalar. Quina informació ha de quedar enregistrada. I qui respon pel procés.

El AI Risk Management Framework del NIST estructura la gestió del risc al voltant de quatre funcions.Govern, Map, Measure i Manage— i planteja el govern com una funció transversal a tot el cicle de vida del sistema.

La traducció empresarial és força directa: saber on existeix IA, entendre el context i els riscos de cada ús, mesurar com es comporta i mantenir capacitat per corregir, limitar o retirar.

4.6. Des d'agost del 2026, part d'aquesta conversa ja no és només voluntària

El context europeu també ha canviat des de la publicació original daquest article.

Des del 2 d'agost del 2026 són aplicables les obligacions de transparència de larticle 50 del Reglament Europeu dIntel·ligència Artificial per a determinats proveïdors i responsables del desplegament de sistemes dIA.

Entre altres supòsits, les normes inclouen obligacions dinformació quan una persona interactua directament amb determinats sistemes dIA i requisits específics relacionats amb contingut generat o manipulat mitjançant IA.

Això no vol dir que qualsevol ús intern d'IA en una pime quedi sotmès a la mateixa obligació ni que l'article s'hagi de convertir en una guia legal. Sí que reforça una conclusió empresarial: ja no és raonable introduir IA sense saber quins sistemes es fan servir, què fan i quines responsabilitats poden activar.

4.7. La frontera persona / IA / sistema canvia segons el cas dús

No hi ha una distribució universal.

Resumir una reunió interna té un nivell de risc diferent de preparar una oferta, classificar una reclamació, prioritzar clients o analitzar documentació contractual.

Per això, la matriu s'ha de definir per cas d'ús.

Aquesta arquitectura forma part d'una implantació d'IA aplicada a processos reals : no determinar només què pot fer una eina, sinó quin lloc ha d'ocupar dins un sistema de treball que continuarà tenint responsables, límits i decisions.

Abans de decidir què pot fer la IA sola, adreça hauria de decidir quina responsabilitat no està disposada a deixar sense propietari.

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

Una empresa pot tenir més usuaris de IA, més automatitzacions, més documents generats i més processos assistits i continuar sense haver millorat de manera rellevant.

L´ús demostra adopció tecnològica. No demostra productivitat empresarial.

Per saber si una implantació genera valor cal tornar al problema que va justificar el cas d'ús i comprovar què ha canviat després: temps, qualitat, capacitat, cost, marge, conversió, risc, servei o qualitat de decisió.

5.1. Les mètriques dús són útils, però responen a una pregunta limitada

Mesurar quantes persones utilitzen una eina, amb quina freqüència o quantes tasques executa pot ser necessari. Permet detectar manca daccés, problemes dadopció o usos inesperats.

Lerror apareix quan aquestes mètriques es converteixen en la prova principal de lèxit.

Una empresa pot incrementar el nombre dusuaris actius sense reduir cap coll dampolla. Podeu generar més informes sense prendre millors decisions. Pot produir propostes comercials més ràpid i augmentar alhora el retreball o deteriorar la qualitat.

5.2. Mesurar en quatre nivells evita confondre una millora local amb una millora empresarial

Una mateixa implantació pot produir efectes diferents segons on s'observi.

La IA pot millorar una tasca sense millorar el flux complet. Podeu millorar el flux sense canviar una decisió rellevant. I pot millorar una decisió sense que l?efecte econòmic sigui encara material.

Per això cal separar quatre nivells d'impacte.

No tots els casos necessiten arribar immediatament al quart nivell. Una automatització administrativa es pot justificar per reducció clara de temps i error. Però l'empresa hauria de saber a quin nivell espera obtenir valor i evitar atribuir a una millora de tasca un impacte empresarial que encara no ha demostrat.

5.3. L'estalvi de temps s'ha de mesurar de manera neta

“Estalviem temps” és probablement l'afirmació més habitual en avaluar IA.

Pot ser certa i, tot i així, resultar insuficient.

Cal descomptar la preparació, la correcció, la supervisió, la gestió d'excepcions i el manteniment. També cal saber quin perfil estalvia temps i quin perfil assumeix la revisió posterior.

Si una eina allibera vint minuts un usuari operatiu però obliga un responsable sènior a dedicar quinze minuts a comprovar-ne el resultat, l'economia del cas és molt diferent de la que suggereix la primera xifra.

5.4. La qualitat forma part de la productivitat

Reduir temps deteriorant el resultat no és productivitat.

En una oferta comercial importa si l'abast està més ben definit, si conté menys errors i si protegeix marge. A reporting importa si la síntesi permet entendre abans què mereix atenció. En atenció al client, importa que la resposta sigui correcta i útil, no simplement ràpida.

La qualitat s'ha d'avaluar segons el cas d'ús, però sol incloure precisió, utilitat, especificitat, consistència i necessitat de correcció humana.

5.5. Les empreses que capturen més valor no es limiten a accelerar el workflow existent

L'evidència disponible reforça la relació entre l'impacte i el redisseny del treball.

A The State of AI 2025 de McKinsey , el 55% dels anomenats AI high performers va declarar que la seva organització havia redissenyat fonamentalment workflows en desplegar IA, davant del 20% de la resta d'enquestats.

McKinsey identifica a més aquest redisseny com un dels factors analitzats amb més contribució a l'impacte empresarial significatiu.

No prova que redissenyar un workflow garanteixi per si sols resultats superiors. Sí que reforça una idea que apareix repetidament en l'evidència i en la pràctica: afegir IA sobre una forma de treballar que roman intacta limita el potencial de captura de valor.

5.6. Mesurar serveix també per decidir què retirar

Una mètrica útil no hauria d'existir per justificar una inversió ja feta. Hauria d'ajudar a governar-la.

Si una iniciativa aporta, es manté o s'escala. Si teniu potencial però el workflow, les dades o l'adopció són insuficients, es corregeix. Si l'impacte és petit davant del cost, el risc o la complexitat, es pausa o es retira.

Mantenir una eina només perquè ja s'ha pagat converteix el cost enfonsat en criteri de decisió.

L'empresa no necessita demostrar que fa servir molta IA. Necessiteu saber quina part del vostre negoci funciona millor perquè la utilitza.

6. Què hauria de revisar direcció abans de continuar invertint a IA

Arribats a aquest punt, la pregunta no és si una empresa hauria de continuar utilitzant intel·ligència artificial.

La pregunta és si té sentit ampliar la inversió actual abans de resoldre les condicions que permeten convertir-la en capacitat.

Comprar una altra llicència, ampliar un pilot o afegir un cas nou pot ser raonable. Però direcció hauria de poder respondre primer unes poques preguntes de manera suficientment concreta.

6.1. Vuit preguntes per saber si l'empresa està preparada per escalar

No cal tenir una resposta perfecta a les vuit preguntes. Sí que hi ha d'haver prou claredat per saber què s'està intentant millorar i quines condicions podrien fer fracassar la implantació.

6.2. Impacte i implantabilitat s'han d'avaluar per separat

Un dels errors més freqüents en seleccionar casos dús és prioritzar allò que sembla tecnològicament atractiu.

Convé separar dues variables: quant valor pot generar i quina capacitat real té l'empresa per implantar-ho.

Aquesta matriu evita una confusió força comuna: que un cas sigui fàcil d'implantar no vol dir que hagi de ser prioritari, i que tingui molt de potencial no vol dir que l'empresa estigui preparada per executar-lo avui.

6.3. No tots els problemes de dades necessiten resoldre abans de començar

“Les nostres dades no estan preparades” es pot convertir en una altra excusa paralitzant.

No tots els casos d‟IA necessiten una plataforma corporativa perfectament ordenada. El que necessiten és prou fiable informació per al problema concret.

La revisió s'hauria de centrar en les dades mínimes del cas d'ús: on són, quina qualitat tenen, qui hi pot accedir, qui les manté i què passa quan manca informació.

6.4. La revisió ha d'acabar en una decisió, no en cap altra llista d'oportunitats

Una auditoria d'IA que acaba amb vint casos nous d'ús pot augmentar la dispersió que intentava resoldre.

L'objectiu de revisar la situació actual hauria de ser classificar les iniciatives existents i decidir què fer-ne.

6.5. El millor moment per revisar és abans d'ampliar el següent euro d'inversió

Una empresa no necessita aturar tots els seus projectes per fer aquesta revisió.

Ho pot fer precisament utilitzant allò que ja ha après de les seves primeres experiències: on hi ha ús real, quins casos s'han quedat en demo, quins equips troben utilitat, on apareix massa revisió i quines iniciatives segueixen sense una mètrica convincent.

La revisió permet separar l'aprenentatge útil de l'entusiasme inicial i decidir on té sentit concentrar la fase següent.

Abans de preguntar-se quina nova IA hauria de comprar, adreça hauria de poder explicar què ha après de la IA que ja té.

7. D'un pilot útil a una capacitat instal·lada

Una implantació d'IA no s'hauria de considerar acabada quan l'eina està configurada, el pilot ha funcionat o l'equip comença a fer-la servir.

El resultat més exigent és un altre: que l'empresa hagi incorporat una capacitat que pugui mantenir, mesurar, governar i millorar sense dependre permanentment de l'entusiasme inicial, d'un proveïdor o d'unes quantes persones especialment implicades.

Això exigeix connectar tot el que hem vist fins aquí: problema de negoci, procés real, cas dús, repartiment de responsabilitats, dades, risc, adopció, mesurament i seguiment.

7.1. Una capacitat instal·lada ha de poder sobreviure al pilot

Un pilot sol dependre de condicions favorables: atenció especial, poques persones, un cas acotat i un nivell de seguiment superior al que hi haurà després.

La capacitat instal·lada comença quan la millora continua existint sense aquestes condicions extraordinàries.

El procés és comprensible per als qui l'executen. Les dades necessàries estan disponibles. Les excepcions tenen sortida. Els usuaris saben què revisar. Els responsables coneixen els límits. Les mètriques permeten detectar si el cas perd utilitat.

7.2. La capacitat no depèn d'una eina concreta

Aquesta distinció també protegeix l'empresa davant d'una dependència innecessària de la tecnologia escollida.

Els models canvien. Les funcionalitats canvien. Els preus canvien. Apareixen nous proveïdors. Algunes eines s'integren millor i d'altres deixen de ser competitives.

Si l'empresa només ha après a fer servir una eina, el canvi tecnològic la pot obligar a començar pràcticament de nou.

Si heu definit el procés, els criteris, les dades, els rols, la revisió i les mètriques, podeu substituir una part de la tecnologia sense perdre tota la capacitat construïda.

7.3. El sistema ha de produir aprenentatge, no només outputs

Una implantació madura també permet aprendre del que passa.

Quins tipus de casos generen més errades. Quins usuaris necessiten més suport. Quines dades falten amb freqüència. Quines excepcions consumeixen més temps. Quines recomanacions es descarten. Quines automatitzacions generen realment estalvi. Quins resultats perden qualitat en augmentar el volum.

Aquesta informació hauria d'alimentar el sistema de treball propi.

Pot conduir a canviar una regla, modificar un prompt, millorar una font, afegir una validació, simplificar el procés, formar de nou un rol o fins i tot concloure que un determinat ús no mereix continuar.

7.4. Escalar no vol dir estendre tot el que funciona

Una empresa pot trobar molts usos tècnicament viables i tot i així haver de seleccionar només uns quants.

Escalar consumeix atenció, integració, formació, pressupost, supervisió i capacitat de canvi. Per això no tot cas que genera alguna millora mereix esdevenir una iniciativa corporativa.

La prioritat hauria de recaure en aquells casos que milloren capacitats rellevants i la implantació dels quals segueix sent defensable quan incorporem cost, risc, adopció i manteniment.

7.5. El sistema R&R per convertir IA en capacitat instal·lada

Aquest és el punt on tots els elements anteriors es poden resumir en una arquitectura dintervenció.

A Rumbo & Resultats no plantegem la implantació des d'un catàleg d'eines. El punt de partida és el negoci: quina capacitat necessita guanyar l'empresa i què impedeix desenvolupar-la avui.

A partir d'aquí, la feina segueix una seqüència deliberadament senzilla.

7.6. L'objectiu no és implantar més IA, sinó millorar millor

La conclusió pot semblar menys ambiciosa que moltes promeses sobre intel·ligència artificial, però és més útil per a una empresa.

No es tracta d'incorporar IA a totes les àrees ni d'automatitzar tot allò que sigui tècnicament possible. Es tracta d'identificar quines capacitats limiten avui el negoci i utilitzar la tecnologia on realment permet canviar-les.

En alguns casos significarà implantar IA. En altres, ordenar abans un procés, millorar dades, aclarir una responsabilitat o retirar feina innecessària. I en alguns casos la decisió correcta serà no fer servir IA.

Aquesta capacitat de triar també forma part duna implantació madura.

7.7. Què faria ara si lempresa ja està invertint

No començaria aturant totes les iniciatives ni comprant cap altra solució.

Faria un inventari breu del que ja existeix i classificaria cada cas segons quatre preguntes:

1. Quina capacitat havia de millorar?
2. Què ha canviat realment al workflow?
3. Quina evidència tenim dimpacte net?
4. Hem d'escalar, redissenyar, pausar o retirar?

Aquesta revisió sol aportar més claredat que obrir immediatament una altra ronda de ferramentes i pilots.

El següent avantatge competitiu amb IA pot no venir de comprar una eina millor, sinó aprendre a decidir millor on mereix utilitzar-se.