En 2021, casi nadie en el sector de Compras hablaba de inteligencia artificial con la intensidad con la que se habla hoy. La conversación todavía no estaba dominada por asistentes generativos, copilotos, automatizaciones inteligentes o modelos capaces de responder en lenguaje natural. En aquel momento, la IA no era el centro de los eventos, ni aparecía en todas las presentaciones comerciales, ni se había convertido en una condición casi obligatoria para cualquier proveedor tecnológico.

En itbid decidimos empezar a invertir igualmente. No porque viéramos venir el boom de ChatGPT —no lo vimos—, sino por una razón mucho más concreta y menos glamurosa: nuestros clientes empezaban a manejar volúmenes de datos que ya no podían gestionar cómodamente a mano. Y nuestro propio equipo también.

Cada vez había más información dispersa, más documentos, más proveedores, más procesos, más datos operativos y más necesidad de encontrar patrones en entornos complejos. La pregunta que nos hicimos entonces no fue “¿qué modelo grande compramos?” ni “¿cómo podemos decir que somos una empresa de IA?”. La pregunta fue más práctica: “¿qué tecnología nos permite trabajar con datos diversos sin morir en el intento?”.

Esa pregunta, que en apariencia suena menos ambiciosa que las que se escuchan en los keynotes, resultó ser la correcta. Porque la IA no empezó para nosotros como una narrativa de mercado, sino como una respuesta a una limitación operativa real. Necesitábamos ayudar a nuestros clientes a gestionar mejor su información, y necesitábamos también mejorar nuestra propia forma de trabajar.

Esa diferencia de origen importa. Cuando una empresa llega a la IA desde el discurso, tiende a buscar primero lo que impresiona. Cuando llega desde un problema operativo, tiende a buscar lo que funciona. En itbid, ese segundo camino marcó la forma en la que seguimos entendiendo la inteligencia artificial hoy.

Lo que pasó cuando llegó el boom de la IA generativa

Cuando en 2023 la IA generativa se convirtió en el tema central de cualquier conversación de negocio, no tuvimos que reinventar la plataforma desde cero. No partíamos de una hoja en blanco, ni necesitábamos construir una narrativa artificial para explicar por qué la IA podía tener sentido en Compras. Ya llevábamos tiempo trabajando con la idea de que los datos, los documentos y los procesos necesitaban una capa tecnológica capaz de ayudar a ordenarlos, interpretarlos y hacerlos más accionables.

Eso no significa que lo tuviéramos todo resuelto. Ninguna empresa lo tenía. La IA generativa abrió nuevas posibilidades, aceleró expectativas y obligó a revisar muchos planteamientos. Pero sí significó algo importante: la plataforma ya estaba preparada para incorporar capacidades concretas en puntos concretos del proceso, sin necesidad de convertir la IA en un producto paralelo o en una promesa desconectada de la realidad operativa.

No fue suerte. Fue el resultado de haber empezado antes y con criterio. Y también de haber entendido algo que ahora compartimos con nuestros clientes: hay una diferencia enorme entre IA útil e IA decorativa.

La IA útil resuelve un problema concreto dentro de un proceso real. Reduce una fricción, mejora una revisión, acelera una tarea repetitiva, ayuda a encontrar información o permite que una persona llegue mejor preparada a una decisión. La IA decorativa, en cambio, mejora la presentación de ventas, suena bien en una demo y ayuda a parecer más moderno, pero no cambia de forma significativa la operación diaria.

Esa diferencia no siempre se ve en una presentación comercial. Se ve cuando la tecnología entra en producción, cuando trabaja con datos reales, cuando el usuario tiene dudas, cuando falta información, cuando aparecen excepciones y cuando el cliente pregunta lo que de verdad importa: dónde queda mi dato, qué decide la IA y qué sigo decidiendo yo.

IA útil frente a IA decorativa

La distinción entre IA útil e IA decorativa es uno de los aprendizajes más importantes de estos años. No toda funcionalidad que incorpora IA genera valor real. Tampoco toda capacidad llamativa es necesariamente prioritaria. En Compras, muchas veces lo más valioso no es lo que mejor se enseña en una demo, sino lo que reduce fricción en procesos críticos y permite que el equipo trabaje mejor.

Para itbid, esta diferencia ha sido clave tanto en producto como en nuestra propia operación interna. No usamos IA porque sea tendencia, sino porque hay tareas, procesos y análisis donde aporta una mejora real. Y cuando no la aporta, no intentamos forzarla.

Cómo usamos IA internamente

Una forma sencilla de comprobar si una empresa cree realmente en la IA es observar cómo la usa en su propia operación. No en una demo, ni en una presentación, ni en una declaración de intenciones, sino en el trabajo diario de sus equipos.

En itbid usamos IA en varias áreas internas, pero con una lógica común: mejorar productividad sin eliminar criterio. La IA nos ayuda a priorizar, clasificar, preparar, analizar y acelerar tareas. No sustituye la responsabilidad de las personas que toman decisiones, hablan con clientes, diseñan producto, dan soporte o construyen la plataforma.

Actualmente, hay cuatro ámbitos especialmente relevantes donde la IA forma parte de nuestra operación: prospección, operación interna, soporte y desarrollo.

Esta forma de utilizar IA refleja nuestra postura general: automatizar lo repetitivo, acelerar lo preparatorio y proteger lo estratégico.

Prospección: encontrar las cuentas correctas antes de llamar

El equipo comercial de itbid utiliza herramientas de IA para identificar y cualificar cuentas objetivo. En un mercado B2B como el de Compras, no basta con tener una lista amplia de empresas potenciales. Lo importante es entender cuáles tienen más encaje, qué señales indican una necesidad real y desde qué ángulo tiene sentido iniciar una conversación.

La IA ayuda a reducir el tiempo que pasa entre detectar una empresa interesante y abrir una conversación relevante. Puede analizar señales de intención, combinar datos firmográficos con indicadores de madurez digital, identificar patrones en sectores concretos y sugerir prioridades comerciales. Esto permite que el equipo no trabaje solo desde intuición o volumen, sino desde una lectura más ordenada del mercado.

Pero la IA no reemplaza el criterio comercial. No decide por sí sola a quién llamar, cómo enfocar la conversación ni qué propuesta presentar. Puede sugerir que una empresa tiene encaje potencial, pero entender el momento, la necesidad, el contexto y la oportunidad sigue siendo trabajo del equipo comercial.

Este matiz es importante porque la prospección B2B no consiste solo en encontrar empresas. Consiste en llegar con una hipótesis útil. La IA puede ayudar a preparar esa hipótesis, pero la conversación sigue siendo humana. La capacidad de escuchar, adaptar el mensaje, entender objeciones y construir confianza no se automatiza con un modelo.

En este ámbito, la IA funciona como una capa de priorización. Ayuda a enfocar mejor el tiempo del equipo, evita esfuerzos dispersos y permite llegar a las conversaciones con más contexto. Ese es su valor: no vender por nosotros, sino ayudarnos a vender con más precisión.

Operación: automatizar lo repetitivo, proteger lo estratégico

En la operación interna usamos IA para gestionar tareas repetitivas de alto volumen. Esto incluye clasificar solicitudes, ordenar información, generar primeros borradores, resumir contenidos o preparar materiales de trabajo que después una persona revisa y ajusta.

La lógica es sencilla: si una tarea consume tiempo, sigue patrones reconocibles y no requiere una decisión estratégica en cada paso, la IA puede ayudar a acelerarla. Pero si esa tarea implica criterio, relación con el cliente, interpretación de contexto o decisión con impacto, el control debe seguir siendo humano.

Aplicamos una regla práctica: si la IA puede hacer una parte importante del trabajo en menos tiempo sin perder calidad, la usamos como apoyo. Pero si el tramo final requiere juicio, ese tramo no se delega. Esta frontera no siempre es fácil de trazar, pero precisamente el ejercicio de trazarla obliga a pensar mejor cómo funciona la organización.

La IA en operación no debería servir para que el equipo deje de entender lo que ocurre. Debería servir para que deje de dedicar tiempo a tareas mecánicas y pueda concentrarse en lo que realmente aporta valor. En una empresa tecnológica, esa diferencia es esencial. No se trata de automatizar por automatizar, sino de liberar capacidad para resolver mejor.

Un buen uso interno de IA en operación no es aquel que elimina la intervención humana de forma indiscriminada. Es aquel que permite que la intervención humana llegue donde más importa: decisiones, excepciones, relaciones y mejora continua.

Soporte: más velocidad sin menos criterio

El equipo de Customer Success utiliza IA para reducir tiempos de respuesta en consultas frecuentes y mejorar la gestión de conocimiento interno. En una plataforma de Compras, muchas dudas de cliente tienen patrones comunes: cómo realizar una acción, dónde encontrar una información, qué significa un estado, cómo interpretar una configuración o cómo avanzar en un flujo concreto.

La IA puede ayudar en esa primera capa. Identifica el tipo de consulta, busca información relevante en la base de conocimiento, propone un borrador de respuesta y permite que el especialista llegue antes a una solución. El cliente percibe más velocidad y el equipo puede dedicar más energía a las conversaciones que realmente requieren análisis, criterio o acompañamiento específico.

Pero, de nuevo, el objetivo no es sustituir al especialista. Un buen equipo de soporte no solo responde tickets; entiende el contexto del cliente, detecta patrones, identifica fricciones recurrentes y ayuda a mejorar el producto. Si la IA absorbiera toda la relación sin criterio humano, se perdería una parte fundamental del aprendizaje que conecta soporte, producto y cliente.

Por eso, en itbid la IA se entiende como apoyo a Customer Success, no como reemplazo. Puede preparar respuestas, acelerar búsquedas y reducir carga repetitiva, pero la revisión, el ajuste y el envío final siguen dependiendo de una persona cuando la consulta lo requiere.

La mejora no está solo en responder más rápido. Está en responder mejor, con más contexto y con más tiempo disponible para los casos donde la experiencia del especialista marca la diferencia.

Desarrollo: código con asistencia, decisión con control

Nuestros desarrolladores también utilizan IA como herramienta de apoyo en el trabajo técnico. En desarrollo de software, la IA puede ayudar a analizar código, detectar patrones, proponer optimizaciones, generar alternativas, documentar fragmentos, revisar errores o acelerar tareas que antes consumían más tiempo.

Este uso tiene mucho sentido cuando se entiende correctamente. La IA puede ser un asistente muy útil para aumentar velocidad y explorar soluciones, pero no debe confundirse con una autoridad técnica. Puede proponer código, pero no asumir la responsabilidad de que ese código sea correcto, seguro, escalable o coherente con la arquitectura de la plataforma.

La decisión técnica sigue siendo del equipo. La IA no decide qué construir, no define la arquitectura, no valida por sí sola una solución y no sustituye la revisión de un desarrollador. Su papel es asistir, no gobernar.

Este punto es especialmente importante porque el desarrollo asistido por IA puede generar una falsa sensación de productividad. Es posible producir más código en menos tiempo y, aun así, generar más deuda técnica si no hay criterio detrás. Por eso, el control humano no es una formalidad: es la garantía de que la velocidad no se convierte en fragilidad.

En itbid, la IA acelera partes del trabajo técnico, pero el estándar de calidad, la validación y la responsabilidad siguen estando en manos del equipo de desarrollo.

El patrón común: la IA prepara, la persona decide

Aunque los casos de uso internos sean distintos, todos comparten un mismo patrón. La IA prepara, organiza, acelera y sugiere. La persona interpreta, valida, decide y asume responsabilidad.

Ese patrón es coherente con la forma en la que entendemos la IA aplicada a Compras. No creemos que la tecnología deba desplazar el criterio humano en decisiones sensibles. Creemos que debe reducir carga operativa para que ese criterio tenga más espacio y mejor información.

Esta forma de trabajar evita dos extremos. Por un lado, evita el rechazo a la IA por miedo a perder control. Por otro, evita la delegación acrítica que convierte al usuario en un simple validador de outputs generados por una máquina.

El equilibrio está en usar IA para trabajar mejor, no para dejar de pensar.

Lo que este uso interno aporta a nuestros clientes

Usar IA internamente no es solo una mejora de productividad. También nos permite hablar con más credibilidad con nuestros clientes.

Cuando un CPO pregunta qué pasa con el dato, qué decide la IA, qué límites existen o qué ocurre cuando el sistema no sabe responder, no estamos contestando solo desde una ficha de producto. Contestamos desde la experiencia de haber tenido que resolver esas mismas preguntas dentro de nuestra propia organización.

Esto cambia la conversación. Una empresa que utiliza IA de forma real aprende antes dónde aporta valor y dónde genera riesgo. Aprende que no todo debe automatizarse, que los datos incompletos contaminan resultados, que una respuesta bien redactada no siempre es una buena respuesta y que la adopción interna depende tanto de la confianza como de la funcionalidad.

También aprendemos que la IA no sustituye una buena organización. Si los procesos son confusos, la IA no los convierte automáticamente en claros. Si los datos están mal gobernados, la IA no los vuelve fiables por sí sola. Si el equipo no sabe qué puede delegar y qué debe revisar, la IA puede generar más dependencia que eficiencia.

Estas lecciones internas son las que después aplicamos al producto y a la conversación con clientes.

Qué hemos aprendido en estos años

Cinco años después de empezar a invertir en IA, hay aprendizajes que tenemos muy claros. El primero es que empezar pronto ayuda, pero solo si se empieza con criterio. Anticiparse a una tendencia no tiene demasiado valor si la empresa se limita a perseguir titulares. El valor aparece cuando esa inversión temprana se traduce en capacidades útiles, procesos más sólidos y una comprensión más madura de los límites.

El segundo aprendizaje es que la IA debe conectarse con problemas concretos. Cuanto más genérica es la promesa, más difícil es medir el impacto. En cambio, cuando la IA se aplica a una tarea concreta —clasificar, resumir, extraer, priorizar, asistir, validar— es más fácil saber si aporta valor o no.

El tercer aprendizaje es que la calidad del dato sigue siendo decisiva. La IA no arregla por sí sola una base de información desordenada. Puede ayudar a detectar problemas, pero si la información de origen está incompleta, duplicada o mal estructurada, el resultado seguirá condicionado por esa debilidad.

El cuarto aprendizaje es que la confianza depende tanto de los límites como de las capacidades. Decir qué hace la IA es importante. Decir qué no hace es igual de importante. En un mercado saturado de promesas, la capacidad de declarar límites genera más credibilidad que una lista interminable de funcionalidades futuras.

Y el quinto aprendizaje es que la IA no debe convertir al equipo en menos crítico. La mejor IA no es la que consigue que una persona piense menos, sino la que le permite pensar mejor, con más contexto y menos carga repetitiva.

La frase de Josep

“No fuimos los más rápidos en hablar de IA. Fuimos de los primeros en usarla con criterio. La diferencia importa.”

— Josep, CEO de itbid

Esta frase resume bien nuestra posición. No presumimos de ser “la empresa de IA en Compras” como si la IA fuera una identidad completa. Presumimos de haber empezado pronto, de haber aprendido antes de que el mercado lo exigiera y de haber integrado la IA como una capa racional dentro de una plataforma existente.

A veces, la decisión más estratégica no es la que recibe aplausos inmediatos. Es la que se toma cuando todavía no hay titulares, cuando el mercado aún no está mirando y cuando el problema operativo ya existe aunque la conversación pública no lo haya convertido en tendencia.

La IA no es el producto

itbid no se presenta como una empresa que sustituye su propuesta de valor por inteligencia artificial. La IA no es el producto. El producto es la plataforma. El valor está en la gestión de proveedores, en la mejora de procesos de Compras, en la trazabilidad, en la colaboración, en la eficiencia operativa y en la capacidad de ayudar a los equipos a trabajar mejor.

La IA es una herramienta al servicio de ese valor. Una capa que permite mejorar productividad, automatizar tareas concretas, aumentar capacidades del equipo y reducir fricción en procesos donde antes había demasiado trabajo manual.

Esta distinción es importante porque el mercado tiende a convertir cada nueva tecnología en una etiqueta total. Durante un tiempo, parece que todo debe ser “nativo de IA”, “impulsado por IA” o “liderado por IA”. Pero en Compras, el cliente no compra IA en abstracto. Compra una plataforma que le ayude a gestionar mejor proveedores, documentos, procesos, decisiones y riesgos.

Si la IA mejora eso, tiene sentido. Si solo mejora la presentación comercial, no.

Cierre

Empezamos a invertir en IA antes de que fuera el gran tema de conversación del sector. No por intuición futurista, sino por necesidad operativa. Nuestros clientes tenían más datos, más documentos y más complejidad. Nuestro equipo también. Necesitábamos tecnología que ayudara a trabajar mejor con esa realidad.

Hoy usamos IA internamente en prospección, operación, soporte y desarrollo. La usamos para priorizar, clasificar, preparar, analizar y acelerar. Pero la decisión, el criterio y la responsabilidad siguen siendo humanos.

Ese es el mismo enfoque que llevamos a la plataforma itbid. IA aplicada con criterio, integrada en procesos reales y comunicada con honestidad. Sin vender lo que todavía no está listo. Sin confundir roadmap con producción. Sin convertir una herramienta en el centro del producto.

La IA puede aportar mucho valor a Compras, pero solo cuando está al servicio de algo más importante: mejores procesos, mejores decisiones y mejores equipos.