IA predictiva con tus propios datos: demanda, impagos y citas que no se presentan

La inteligencia artificial que sale en las noticias escribe: redacta correos, resume documentos, contesta preguntas. Hay otra, mucho menos vistosa, que lleva años funcionando en bancos, aseguradoras y grandes distribuidores: la que predice a partir de las tablas que ya guarda tu programa de gestión.

La IA predictiva aprende de tu propio histórico (las filas y columnas de tu ERP, tu CRM o tu programa de citas) y calcula la probabilidad de que algo ocurra: que una factura se cobre tarde, que un paciente falte a su cita, cuánto pedirá cada cliente la semana que viene. Su trabajo es ordenar: te dice qué mirar primero. Con unos cientos o unos pocos miles de casos ya se puede probar, y su valor está en la decisión que provoca, revisada por una persona.

Dos tipos de IA: la que escribe y la que decide

La IA generativa produce contenido: texto, imágenes, código. La IA predictiva trabaja con datos tabulares, es decir, información ordenada en filas y columnas, como una hoja de cálculo o las tablas de un programa de gestión. Cada fila es un caso (una factura, una cita, un pedido) y cada columna, una característica (el importe, el cliente, el día de la semana, los días de retraso del último pago).

Las dos se complementan. La predictiva calcula. La generativa explica el resultado en lenguaje natural, prepara el correo o crea la tarea para la persona que tiene que actuar.

Entre lo que esta tecnología puede hacer y lo que las empresas usan hay mucha distancia. En la encuesta de McKinsey de 2025, el 88 % de las empresas dice usar IA de forma habitual en al menos un área, pero menos de dos de cada cinco atribuyen a la IA alguna mejora en su resultado operativo. Parte de esa distancia está aquí: el histórico ya está en el programa de gestión y nadie lo convierte en una decisión diaria.

Qué puede prever con los datos que ya tienes

Estos son los usos que más se repiten en empresas medianas, y todos salen de datos que ya existen:

• Demanda por cliente o por producto. Cuánto pedirá cada cliente o cuánto venderás de cada referencia la próxima semana. Sirve para comprar mejor y para no quedarte sin stock en lo que más rota.
• Retrasos e impagos. Qué facturas tienen más probabilidad de cobrarse tarde, según cómo ha pagado cada cliente hasta ahora. Así se llama primero a quien más riesgo tiene, antes del vencimiento.
• Citas que no se presentan. En clínicas, talleres, asesorías o centros de formación, qué citas tienen más riesgo de quedarse vacías. Se refuerza la confirmación de esas o se ofrece el hueco a la lista de espera.
• Presupuestos que se aceptarán. Cuáles tienen más probabilidad de cerrarse y cuáles se están enfriando, para hacer el seguimiento donde más rinde.
• Clientes que se están yendo. Quién ha bajado su frecuencia de compra antes de que deje de comprar del todo.
• Material que caduca o que se agota. Qué referencias van a caducar antes de usarse al ritmo actual de consumo.

En todos los casos la pregunta es la misma: qué decisión tomas cada día o cada semana, con qué datos, y cuánto cuesta equivocarse.

Cómo funciona, paso a paso

1. Se reúne el histórico. Los casos pasados con su resultado conocido: facturas con la fecha real de cobro, citas con si el paciente vino o no, pedidos con lo que se sirvió. Sale del programa de gestión, sin cambiarlo.
2. El modelo aprende y se comprueba con el pasado. Se entrena con un periodo (por ejemplo, 2024) y se mide cuánto acierta con otro que no ha visto (2025). Si no mejora lo que ya hacéis a ojo, no se usa.
3. Cada día puntúa lo nuevo. Las facturas de esta semana, las citas de mañana, los presupuestos abiertos. Junto a cada probabilidad indica qué factores la explican.
4. La IA generativa lo cuenta y lo convierte en tareas. «Estas cinco facturas tienen riesgo alto de retraso: dos son de clientes que han tardado más en sus tres últimos pagos». Y prepara el recordatorio o la tarea para quien tiene que actuar.
5. Una persona decide. La predicción ordena el trabajo y la decisión sigue siendo de tu equipo.

Cuántos datos hacen falta

Menos de lo que se suele pensar. Hasta hace poco, un modelo predictivo exigía mucho histórico y semanas de ajuste. Los modelos de base para tablas, entrenados de antemano con millones de conjuntos de datos sintéticos, han cambiado eso. El más conocido, TabPFN, publicado en la revista Nature en enero de 2025 por un equipo dirigido por la Universidad de Friburgo, supera a los métodos anteriores en tablas de hasta 10.000 filas y da el resultado en segundos.

Para una empresa mediana, eso significa que dos o tres años de su propio histórico pueden bastar para una primera prueba. Lo que sí hace falta es que el resultado esté registrado: si nadie apunta si el paciente vino o la fecha real en que se cobró, no hay nada de lo que aprender.

Lo que no hace

• Da probabilidades. Un 80 % de riesgo significa que, de cada diez casos parecidos, ocho acabaron mal. Los otros dos salieron bien.
• Aprende del pasado. Si cambia algo de fondo (una crisis en un sector, un cliente nuevo muy grande, una tarifa distinta), el modelo tarda en notarlo. Hay que medir sus aciertos cada mes.
• Encuentra relaciones, pero no explica sus causas. Que los pedidos de los lunes se retrasen más no dice por qué.
• Hereda los sesgos del histórico. Si en el pasado se trató peor a un tipo de cliente, el modelo lo aprenderá. Por eso se revisan los factores que usa.

Qué dice la ley

Si la predicción afecta a personas, hay dos normas que conviene tener presentes. El RGPD (artículo 22) reconoce el derecho a no ser objeto de decisiones basadas únicamente en un tratamiento automatizado que produzcan efectos jurídicos o afecten de forma significativa: con una persona revisando cada decisión, el modelo ordena el trabajo y no decide solo. Y el Reglamento europeo de IA considera de alto riesgo los sistemas que evalúan la solvencia de personas físicas. Predecir la demanda, el stock o los retrasos de pago de otras empresas no entra en esa categoría. Las fechas de aplicación del Reglamento están en nuestro glosario de IA.

Además, los datos no tienen por qué salir de tu entorno: el modelo puede funcionar con los datos en la Unión Europea o en tus propios servidores.

Cómo empezar

Elige una sola decisión que se repita y que hoy cueste dinero cuando se falla: las facturas que se cobran tarde, las citas vacías o el material que caduca. Con tu histórico se hace una prueba de concepto y se compara con lo que pasó de verdad antes de usarla en el día a día.

En Tecnea, la prueba de concepto empieza en 850 €, el desarrollo completo va de 5.000 a 20.000 € y la cuota mensual, desde 250 € (qué incluye cada importe). Si tu programa de gestión deja leer sus datos, no hay que cambiarlo: lo explicamos en ¿se integra la IA con mi ERP?. Y si dudas entre la IA que ya trae tu programa y un desarrollo propio, el criterio está en ¿me basta con la IA que trae mi programa?.

Preguntas frecuentes

¿Necesito un equipo de datos para usar IA predictiva?

No. El modelo lo prepara y lo mantiene quien desarrolla la aplicación. Tu equipo ve el resultado donde ya trabaja (una lista ordenada por riesgo, un aviso, una tarea) y decide.

¿Cuántos datos necesito?

Para una primera prueba suelen bastar unos cientos o unos pocos miles de casos con su resultado registrado, por ejemplo dos o tres años de facturas o de citas. Lo decisivo es que el resultado esté apuntado.

¿Tengo que cambiar de programa de gestión?

No. Los datos se leen del programa que ya usas y el resultado vuelve a él o a la herramienta donde trabaja tu equipo.

¿En qué se diferencia de un cuadro de mando?

Un cuadro de mando enseña lo que ya ha pasado. Un modelo predictivo estima lo que va a pasar con cada caso concreto (esta factura, esta cita) y lo ordena para actuar antes.

¿Puede decidir solo, sin una persona?

Técnicamente sí, pero no lo recomendamos cuando afecta a personas, y el RGPD limita las decisiones totalmente automatizadas con efectos significativos. Lo habitual es que ordene el trabajo y una persona decida.

Si tienes una decisión que se repite y un histórico en tu programa de gestión, cuéntanos cuál es y te decimos si se puede predecir con tus datos.

Este artículo es informativo. Tecnea desarrolla aplicaciones a medida con IA, también predictiva, así que tenemos interés en que la pruebes. Por eso explicamos también lo que no hace y en qué casos la ley pide una persona detrás de cada decisión.

Fuentes

1. McKinsey & Company, «The state of AI in 2025: Agents, innovation, and transformation» (noviembre de 2025): mckinsey.com
2. Hollmann, N. y otros, «Accurate predictions on small data with a tabular foundation model», Nature 637, 319-326 (enero de 2025): nature.com
3. Universidad de Friburgo, «New AI model TabPFN enables faster and more accurate predictions on small tabular data sets» (enero de 2025): uni-freiburg.de
4. Reglamento (UE) 2016/679 (RGPD), artículo 22: eur-lex.europa.eu
5. Reglamento (UE) 2024/1689 de inteligencia artificial, anexo III: eur-lex.europa.eu