La pyme española lleva años suscrita a herramientas que generan datos cada hora. Y sigue debatiendo si comprar IA.
Cualquier empresa de cierto tamaño tiene hoy un CRM con miles de registros, un ERP que captura cada operación, un Google Analytics conectado a su web, una cuenta publicitaria en Meta o Google con histórico de campañas, y normalmente alguna herramienta más — Mailchimp, Brevo, HubSpot, alguna plataforma sectorial específica. Esas herramientas producen datos sin parar. Lo hacen mientras el directivo está en una reunión, mientras el equipo comercial está cerrando un contrato, mientras la empresa duerme.
El problema no es de datos. La pyme española tiene más datos de los que sabe qué hacer con ellos. El problema es que casi nadie los lee con criterio. Y mientras los datos disponibles no se leen, el debate público insiste en vender el siguiente nivel: aplicar IA. Como si el paso anterior, el de mirar lo que ya está ahí, estuviera resuelto. No lo está.
Lo que el CRM ya sabe y nadie pregunta
El CRM de una pyme cualquiera tiene información comercial profunda que casi nunca se interroga. Sabe cuánto tarda un lead en convertirse en cliente, en promedio y por canal de origen. Sabe qué comerciales cierran rápido y cuáles arrastran oportunidades sin avanzar. Sabe qué tipos de cliente se pierden tras la primera operación y cuáles repiten. Sabe en qué punto del funnel se cae más gente y en qué tipo de operación se pierde más margen.
Toda esa información está ahí, registrada por la propia herramienta. Lo que falta es alguien que pregunte. Las pymes que tienen comerciales miran cifras de cierre mensual. Las pymes que tienen marketing miran número de leads generados. Pero rara vez alguien cruza esa información, busca patrones, identifica fricciones estructurales del proceso comercial. La conversación interna sigue siendo de actividad, no de criterio: cuántos leads, cuántos contratos, cuánta facturación. Sin lectura de fondo.
Como ha planteado Judea Pearl en su trabajo sobre causalidad, el dato sin lectura causal es información estéril. Saber que dos cosas correlacionan no permite decidir; permite decir frases. Decidir exige preguntarse qué causa qué, qué pasaría si se cambiara una variable, qué relación tiene un patrón con la estructura del negocio. Esa pregunta no la formula ninguna herramienta por sí sola. La formula alguien con criterio.
Lo que Analytics dice sin que nadie escuche
Cualquier web pyme con Google Analytics activo desde hace dos años tiene una mina de datos sobre comportamiento real. Sabe qué páginas captan tráfico orgánico de calidad y cuáles solo lo desperdician. Sabe en qué momento del recorrido pierde al visitante. Sabe qué fuentes de tráfico generan visitas que se convierten en consultas reales y cuáles solo inflan métricas vanas.
Ninguna de esas lecturas es opaca. Cualquier directivo con dos horas dedicadas y la pregunta correcta puede sacarlas. Pero la pregunta correcta no aparece en los informes mensuales de la agencia ni en los dashboards que vienen por defecto. Aparece cuando alguien dentro de la empresa, con criterio, decide que esos datos importan y los cruza con las decisiones que tiene encima de la mesa.
Eso casi nunca pasa. Lo habitual es que el dashboard se mire una vez al mes, se valoren las métricas más visibles — visitas, posición, tiempo en página —, y se archive. Las preguntas estructurales — por qué la página de servicios convierte un 70% peor que la de blog, por qué los visitantes de campañas pagadas se van más rápido que los orgánicos — quedan sin formular.
La promesa del dashboard que nunca se mira
Algo parecido pasa con el ERP, con las herramientas de email marketing, con los paneles publicitarios. Cada herramienta promete una promesa de visibilidad: «ahora puedes ver lo que antes no veías». Esa promesa se cumple a medias. La herramienta enseña, pero la mayoría de las pymes no mira.
Hay una explicación operativa razonable. Mirar datos exige tiempo, exige formación, exige tener clara la pregunta que uno quiere responder. Y la pyme española suele estar atrapada en una operativa diaria que consume todo el tiempo del directivo y de su equipo. Mirar datos parece un lujo cuando hay que cerrar el mes, atender a clientes, gestionar incidencias.
Pero hay también una explicación estructural más profunda. La pyme española no ha construido el hábito intelectual de leer datos como parte de la dirección de empresa. La dirección sigue siendo, en muchos casos, intuitiva: el CEO conoce su mercado, conoce a sus clientes, decide con experiencia y criterio acumulado. Eso ha funcionado bien durante mucho tiempo. Pero hoy, con un volumen de datos que multiplica por cien la información que el CEO podía retener mentalmente, la intuición sin lectura de datos toma decisiones más pobres que las que tomaría leyéndolos.
La pyme no necesita IA antes. Necesita criterio para leer los datos que ya tiene.
Por qué la inteligencia comercial precede a la IA
El debate público sobre IA en pyme parte de una premisa equivocada: que la IA va a permitir extraer valor de los datos sin que nadie haya tenido que leerlos antes. Eso es una promesa exagerada y, en muchos casos, una venta de humo. La IA actual amplifica lo que ya existe: si los datos están sucios, la IA produce conclusiones sucias amplificadas; si los datos no se han interpretado nunca, la IA no aporta interpretación nueva.
Como ha argumentado Kate Crawford en su análisis de las cadenas de valor del dato, la inteligencia que produce valor no surge automáticamente del volumen. Surge de las decisiones humanas previas — qué se mide, cómo se interpreta, con qué criterio se contextualiza, qué pregunta se le hace al sistema. Esas decisiones son anteriores a la IA y, sin ellas, la IA tampoco resuelve nada.
La inteligencia comercial — entendida como la práctica de leer con criterio los datos que ya tienes para tomar mejores decisiones — es el paso previo que la pyme española se ha saltado. No porque la IA no sea útil. Es útil. Pero porque sin haber leído primero los datos disponibles, no hay forma de saber qué problema concreto la IA debería resolver. Y entonces se compran herramientas que no se sabe para qué sirven, se contratan consultorías de IA que producen informes intercambiables, se acumula tecnología sin retorno.
El paso correcto no es renunciar a la IA. Es reconocer que la pyme tiene un déficit anterior, mucho más mundano y mucho más resoluble: leer con criterio los datos que ya tiene. Cuando ese hábito se construye, la incorporación de IA pasa de ser una promesa abstracta a ser una decisión concreta, con preguntas claras y problemas definidos.
Finalizo con una breve reflexión
La paradoja es exquisita. La pyme española invierte presupuesto en herramientas que generan datos. Paga suscripciones mensuales por mantenerlas. Y deja sin leer la información que esas herramientas producen. Mientras tanto, debate si comprar IA — otra capa de tecnología — para extraer valor de unos datos que ya están ahí esperando. Lo desarrollé desde otros ángulos en el SEO ya no decide quién es leído, publicar en redes sin sistema y por qué los CEOs españoles publican menos que los suecos.
El paso anterior es gratis. No requiere comprar nada. Requiere sentarse, dos horas al mes, con los datos que ya están en el CRM, en Analytics, en el ERP, en el panel publicitario. Hacer las preguntas que la operación diaria ha dejado en silencio. Cruzar lo que la herramienta muestra con las decisiones que hay que tomar. Eso es inteligencia comercial. Y es el paso que cambia más cosas, antes de hablar de IA.
El dato sin lectura no es información. Es decoración.
FAQ
¿No estamos ya midiendo todo con Google Analytics?
Medir y leer son cosas distintas. La mayoría de las pymes mide — los datos están ahí —, pero no lee. Leer significa formular preguntas estructurales y contestarlas con los datos: por qué este canal convierte mejor, qué cliente repite y por qué, dónde se pierde más margen. Sin esas preguntas, el dato es archivo, no inteligencia.
¿Qué tipo de datos debería estar mirando un CEO de pyme?
Cinco categorías mínimas. Velocidad real del funnel comercial (cuánto tarda un lead en convertirse). Productos zombie (los que generan operaciones pero no margen). Concentración real de cliente (qué porcentaje de la facturación depende del top 5 o top 10). Coste de adquisición por canal. Patrones de abandono. Cinco lecturas que no requieren BI sofisticado, solo criterio.
¿No hace falta un departamento de BI para esto?
No para el primer nivel de inteligencia comercial. Cualquier directivo con criterio y dos horas al mes puede leer lo más importante del CRM, el ERP y Analytics. El BI sofisticado es útil después, cuando ya hay hábito de lectura instalado y las preguntas se vuelven más complejas. Empezar contratando BI sin haber construido el hábito de lectura es invertir el orden.
¿La IA no resuelve esto automáticamente?
La IA amplifica lo que ya existe. Si los datos están sucios o no se han interpretado nunca, la IA produce conclusiones contaminadas amplificadas. Sin un criterio humano previo que defina qué pregunta vale la pena responder, ninguna IA aporta valor real. La IA es útil después de la inteligencia comercial, no antes.
¿Por dónde se empieza si no tengo nada estructurado?
Por las preguntas, no por las herramientas. Definir cinco preguntas concretas que el negocio necesita responder — cuánto cuesta cada cliente nuevo por canal, qué clientes repiten, qué productos sostienen el margen, dónde está la concentración de cliente, qué pasa con los leads que no cierran. Después, ir a las herramientas que ya tienes y cruzar datos. La estructura aparece sola cuando las preguntas están bien planteadas.
¿Cuánto tarda en notarse el cambio?
Las primeras lecturas dan resultados inmediatos: casi siempre aparecen patrones que el directivo intuía pero no había confirmado. El hábito de lectura sostenida produce efectos compuestos a partir del tercer mes: decisiones mejor calibradas, asignación de recursos más eficiente, identificación temprana de problemas. Como toda capacidad organizacional, se construye en meses, no en días.
Glosario
Inteligencia comercial. Práctica directiva de leer con criterio los datos disponibles en las herramientas operativas de la empresa — CRM, ERP, Analytics, plataformas publicitarias — para informar decisiones de negocio. No requiere herramientas adicionales ni equipos especializados al inicio: requiere criterio interno, preguntas claras y disciplina de lectura sostenida.
Dato no leído. Información generada por una herramienta operativa que la empresa registra pero no interpreta. Característico de la pyme suscrita a múltiples plataformas: los datos se acumulan, se archivan, se reportan en dashboards genéricos, pero no se cruzan con decisiones reales. Pierden todo su valor potencial al quedar sin lectura crítica.
Causalidad vs. correlación. Distinción central de la lectura crítica del dato. Correlación es que dos variables se mueven juntas; causalidad es que una causa la otra. La inteligencia comercial útil exige preguntarse por causalidad — qué causa qué — y no quedarse en correlaciones que solo permiten describir, no decidir. La diferencia determina la calidad de las decisiones que se toman después.
Lectura crítica del dato. Capacidad para interrogar la información generada por las herramientas operativas con preguntas estructurales: qué causa qué, qué pasaría si cambiara una variable, qué patrón revela la composición de la cifra agregada. Se opone a la lectura cosmética, que se queda en métricas visibles y archivables.
Cuadro de mando ejecutivo. Conjunto de indicadores cruzados que un directivo revisa con cadencia regular para informar sus decisiones. A diferencia del dashboard genérico que viene por defecto en cualquier herramienta, el cuadro de mando ejecutivo está construido a medida desde las preguntas que la empresa necesita responder. Es output de la inteligencia comercial, no su input.
Una carta al mes. Nada más.
Un análisis, una idea y un término del glosario. Doble confirmación y baja en un clic.