Automatització de processos amb IA: Casos reals

Els números sonen bé. «Redueix costos 40%. Estalvia 30 hores setmanals. ROI en 2 mesos.» Però realment passa? Aquí hi ha 5 històries d\'empreses espanyoles que ho van fer. Sense filtres. Amb el que va funcionar, el que no, i el que va costar realment.

Cas 1: Assessoria fiscal a Madrid — Email i qualificació de leads

La situació: 8 assessors fiscals, oficina al centre de Madrid. Cada dia rebien 40-50 emails: «puc deduir això?», «m\'ha arribat una multa», «necessito una cita». Un empleat dedicat passava 3 hores diàries responent les mateixes preguntes.

Què van fer: Van implementar un sistema automàtic que analitza cada email. Si és pregunta sobre horaris, ubicació, o les 10 preguntes més freqüents, respon automàticament amb una plantilla personalitzada. Si és una consulta real, marca com a prioritària perquè un assessor la vegi.

Implementació: 3 setmanes. Van necessitar 30 exemples d\'emails ja resolts perquè el sistema aprenguès.

Els números reals:

• Abans: 3 hores/dia en email = 15 hores/setmana.
• Després: 45 minuts/dia en email = 3.75 hores/setmana.
• Estalvi: 11.25 hores/setmana = 585 hores/any.
• Què va fer l\'assessoria amb això? L\'empleat va ser reclassificat a prospecció de clients nous. Les seves 585 hores anuals la van portar a tancar 12 clients nous = +36.000€ en ingressos anuals.

El que no va funcionar: Al principi, la IA responia de forma massa tècnica. Els clients sentien que no era un assessor. Van ajustar el to a la plantilla. Problema resolt.

Lliçó: L\'estalvi de temps és bonus. El real és reclassificar ese temps a alt valor.

Cas 2: Clínica dental a València — Processament de fitxes de pacients

La situació: Nou pacient entra a la clínica. Omple un formulari en paper (telèfon, email, al·lèrgies, medicaments, historial). Una secretària transcrivia això manualment al sistema informàtic. 100+ pacients nous/mes = 500 fitxes manuals/any.

Què van fer: Van implementar un sistema que fotografía la fitxa en paper i extreu automàticament: nom, telèfon, email, al·lèrgies, medicaments. Mete tot al sistema de la clínica automàticament. Només demana confirmació si hi ha dubtes de lectura.

Implementació: 2 setmanes. Va ser principalment configuració de l\'API amb el sistema existent de la clínica.

Els números reals:

• Abans: 5 minuts per fitxa × 100 pacients = 500 minuts/mes = 6.25 hores/setmana.
• Després: 1 minut de revisió per fitxa (només si hi ha dubtes). Diguem 30 minuts/mes de revisió manual = 7.5 minuts/setmana.
• Estalvi: 5.75 hores/setmana = 300 hores/any.
• A 15€/hora de salari de secretària: 4.500€/any en costos estalviats.

L\'inesperat: L\'estalvi real no va ser el temps de transcripció. Va ser precisió. Les fitxes manuscrites tenien errors (telèfon mal llegit, al·lèrgies confoses). El sistema automàtic va tenir 0 errors. Els dentistes passaven 10 minuts revisant fitxes abans d\'atendre. Ara atenen un 10% més de pacients amb el mateix horari.

Lliçó: Vegades l\'estalvi no és en el que és obvi. És en la qualitat i l\'efecte en cascada.

Cas 3: Gestoría a Barcelona — Facturació automàtica

La situació: Rebien factures en PDF, email, SMS, foto. Un gestor passava 4 hores diàries validant factures, classificant-les per proveïdor, i ingessant-les al sistema comptable. Error humà: 2-3% de factures es classificaven malament = reconciliació manual al final del mes.

Què van fer: Sistema que:

• Rep qualsevol format (PDF, foto, email attachment).
• Extreu: proveïdor, concepte, import, data, referència de pagament.
• Classifica automàticament per tipus de despesa (serveis, subministraments, amortitzacions, etc.).
• Ingessa al software comptable automàticament.
• Marca dubtes per a revisió.

Implementació: 1 mes. La complexitat va ser connectar amb el software comptable existent (software específic de gestoríes). Va requerir custom code.

Els números reals:

• Abans: 4 hores/dia de gestió de factures.
• Després: 20 minuts/dia (només revisió de duboses).
• Estalvi: 3.5 hores/dia = 17.5 hores/setmana = 910 hores/any.
• Però també: errors de classificació van baixar de 2-3% a 0.3% = 200-300€/mes menys en reconciliació manual.

El que gairebé va sortir malament: La integració amb el software comptable de la gestoría. El proveïdor de software no tenia APIs netes. Van haver de fer cert scraping automàtic (llegir la interfície i fer clic automàtic). Funciona, però és fràgil. Si el software canvia, necessita reajust.

Lliçó: Si el teu software no té API, l\'automatització costa més i és més fràgil. És un factor en la decisió de quin software usar.

Cas 4: Botiga de roba online a Sevilla — Classificació de devolucions

La situació: 30% de les ordres es tornaven (normal en moda online). Cada devolució requeria:

• Processar l\'albarà de retorn.
• Inspeccionar la prenda (quina condició?)
• Classificar-la: vàlida per a restock, defecte de fàbrica, massa usada (outlet), inservible (reciclatge).
• Documentar al sistema.
• Respondre al client.

Una persona passava 6 hores diàries gestionant 50 devolucions.

Què van fer: Sistema amb càmera que fotografía la prenda tornada. IA analitza la foto i classifica: condició de la prenda, probable categoria. L\'empleat només confirma o ajusta. Després tot es actualitza automàticament en inventari, comptabilitat, i s\'envia resposta al client.

Implementació: 6 setmanes (incloïa setup de hardware: càmera de bona qualitat, il·luminació).

Els números reals:

• Abans: 6 hores/dia de gestió de devolucions.
• Després: 2.5 hores/dia (foto + confirmació + ajustos).
• Estalvi: 3.5 hores/dia = 17.5 hores/setmana = 910 hores/any.
• Demés: temps de restock va baixar de 3 dies a 1 dia. Menys tela en limbo = millor rotació d\'inventari = estimat +2% en marge anual.

L\'inesperat: La IA comet errors amb certs tipus de tela (satèn, tul). Per a aquestes, simplement ho marca com a «revisió manual obligatòria». No és perfecte, però el 80% de devolucions es processen sense intervenció humana.

Lliçó: Perfecta és enemiga de bona. 80% automàtic és un èxit rotund.

Cas 5: Empresa de consultoría a Bilbao — Redacció de reportes

La situació: Generaven reportes mensuals personalitzats per a 30+ clients. Cada reporte: extreu dades del client, anàlisi, gràfics, conclusions, recomanacions. Temps: 3 hores per client = 90 hores/mes en redacció de reportes.

Què van fer: Sistema automàtic que:

• Connecta amb dades del client (Google Analytics, conversions, leads).
• Genera anàlisi automàtic: tendències, anomalies, comparació mes anterior.
• Redacta el reporte: «En març, vares tindre 12.000 visites (↑5% vs febrer). Conversions varen ser X. Ticket mitjà va ser Y.»
• Genera gràfics.
• Proposa recomanacions basades en les dades.

Un consultor revisa, ajusta redacció, afegeix insights propis, i l\'envia.

Implementació: 3 setmanes. La complexitat va ser integrar diverses fonts de dades (GA, CRM, ferramentes de publicitat).

Els números reals:

• Abans: 3 hores/client × 30 clients = 90 hores/mes en redacció automàtica.
• Després: 30 minuts/client de revisió i ajustos = 15 hores/mes.
• Estalvi: 75 hores/mes = 900 hores/any = 1 FTE complet de consultor.

Què va passar amb eses 900 hores: Els consultors van reclassificar el seu temps a venda i consultoría estratègica. Van tancar 15 clients nous en l\'any = +250.000€ en ingressos.

Lliçó: El valor no està en estalviar hores. Està en reclassificar eses hores cap a allò que realment genera valor pel negoci.

Patrons que veiem en tots

Patró 1: Comencen petits. No automatitzen tot. Automatitzen UN procés que dol. Veuen resultat. Expanden.

Patró 2: L\'implementació mai toma allò que promit. Promesa: 2 setmanes. Realitat: 4-6 setmanes (integració, dades brutes, ajustos). Planejal per a 150% del temps estimat.

Patró 3: L\'estalvi inicial és enganyós. El veritable valor és reclassificar hores cap a alt valor. Si no ho fas, estalvies diners però el pierdes en oportunitat.

Patró 4: Necessita manteniment. La IA no és set-and-forget. Cada 3-6 mesos cal revisar: què va canviar? Què es va rompre? Com millorem?

Patró 5: Les dades netes són crítiques. Si les teves dades són un desastre, la IA és garbage-in, garbage-out. Abans d\'automatitzar, neteja.

El que falla (basat en allò que hem vist)

Falla 1: Sobreengineria. Intenten automatitzar al 99% quan 80% seria suficient i costa 1/3.

Falla 2: No documentar canvis. Implementen el sistema, ningú documenta com funciona, se\'n va el consultor, el teu equip no sap mantenir-ho.

Falla 3: No mesurar resultats. Implantem quelcom però no mesurem: quantes hores varem estalviar? On va anar els diners? Sense números, és difícil justificar millores.

Falla 4: Canvi de ferramenta core sense pensar en integració. «Anem a canviar de software de comptabilitat». Si tot està integrat a ese software, canviar és caòtic. Pensa antes de canviar infraestructura.

La veritat incòmoda

L\'automatització amb IA en PIMEs espanyoles funciona quan:

• Identifiques un procés específic que dol.
• Tens dades netes (o pots netejar-les).
• Acceptes que serà 80% automàtic, no 100%.
• Reclassifiques el temps estalviat cap a quelcom de valor real.
• Mesures resultats.
• Mantens i millores contínuament.

Falla algú d\'estos elements, i el projecte no genera valor.

Tots esos casos d\'aquí en tenen esos elements. Per eso van funcionar.