Cómo elegir una consultora de IA para tu empresa: criterios, preguntas y señales de alerta
Por Juanma (Juan Manuel Ortiz de Zárate), co-fundador y CTO de Data Voices. Magíster y PhD en Ciencias de la Computación (UBA). · 11 min de lectura
Elegir una consultora de IA es verificar cuatro cosas: casos en producción, no demos; un método para pasar del diagnóstico a la implementación; claridad sobre quién es dueño del código y de los datos; y cómo se mide el resultado. Si una consultora no puede mostrarte las cuatro con evidencia, seguí buscando.
Esta guía responde cómo elegir una consultora de inteligencia artificial cuando ya tenés dos o tres propuestas en la mesa, o estás por pedirlas. Vas a encontrar siete criterios con la prueba concreta que conviene pedir para cada uno.
También vas a encontrar diez preguntas literales para copiar en un mail antes de firmar, y lo que debería entregarte un diagnóstico inicial.
Todo empieza antes de la primera reunión, con el problema que querés resolver.
Antes de buscar: qué problema querés resolver
Conviene llegar a la primera reunión con un proceso concreto y medible, porque sin él ninguna consultora puede proponerte algo comparable. Vale igual para una pyme que para una empresa grande que contrata consultoría en inteligencia artificial.
Un proceso concreto se describe en una línea: quién lo hace hoy, con qué datos y cuánto tarda. “Dos personas responden a mano las consultas de WhatsApp y cargan cada pedido en el sistema” es un punto de partida. “Queremos usar IA” todavía es una intención.
Con un proceso definido, las propuestas se pueden comparar lado a lado y el diagnóstico se dedica a evaluar viabilidad desde el primer minuto. Si todavía no lo tenés claro, buscá dónde una persona hace de puente entre un canal y un sistema: ahí suele estar el primer caso.
Los 7 criterios para evaluar una consultora de IA
Una consultora de IA se evalúa con siete criterios, y cada uno se verifica con una prueba que podés pedir por escrito. Los cuatro de la respuesta de arriba (producción, método, propiedad y medición) son el piso; los otros tres pesan según tu proyecto.
| Criterio | Qué pedir como prueba | Señal de alerta |
|---|---|---|
| 1. Casos en producción | Un sistema que funcione hoy, con sector, problema y estado en que quedó | Solo demos, pilotos o capturas de pantalla |
| 2. Método | Las etapas por escrito, del diagnóstico a la implementación y el seguimiento | Arranca por la herramienta antes de entender el proceso |
| 3. Equipo técnico propio | Nombres y perfiles de quién construye y quién mantiene | Todo se subcontrata o nadie responde por el mantenimiento |
| 4. Propiedad del código, los datos y las cuentas | Una cláusula que diga de quién es cada cosa al terminar | Respuestas vagas o cuentas a nombre del proveedor |
| 5. Integración con lo que ya tenés | Con qué datos y sistemas se conecta (bases, documentos, WhatsApp, CRM) | Exige migrar todo antes de empezar |
| 6. Medición | La métrica de negocio que se va a mover y cómo se reporta | “Vas a ver el impacto”, sin un número para mirar |
| 7. Seguridad y datos sensibles | Permisos, registro de uso y qué hace el sistema cuando no sabe | Nadie pregunta qué datos son sensibles |
1. Casos en producción
Un caso en producción es un sistema que usuarios reales operan hoy, con un resultado que alguien puede describir. Pedí que te digan en qué estado quedó cada caso: en uso, validado técnicamente, piloto o archivado.
2. Método
El método es la secuencia que lleva un proyecto desde el diagnóstico hasta un sistema operando, con entregables en cada etapa. Una secuencia sólida primero releva procesos, datos y permisos, después prepara al equipo que va a operar el sistema y recién ahí implementa.
La metodología de implementación de inteligencia artificial de Data Voices, por ejemplo, publica sus etapas: madurez, nivelación, implementación, informe a quien paga y seguimiento. Si una propuesta salta directo a la herramienta, preguntá quién evaluó si tu equipo la va a poder usar.
3. Equipo técnico propio
El equipo técnico define quién construye el sistema y, sobre todo, quién lo mantiene cuando ya está operando. Pedí nombres y perfiles, y preguntá qué parte se subcontrata: los modelos, los datos y el proceso cambian después de la entrega.
4. Propiedad del código, los datos y las cuentas
Al terminar el proyecto, el código, los datos y las cuentas tienen que tener un dueño definido por contrato. Eso incluye el repositorio, la base de conocimiento, los registros de uso y las claves de los proveedores de modelos.
Si las cuentas quedan a nombre de la consultora, cambiar de proveedor implica empezar de nuevo.
5. Integración con lo que ya tenés
Una buena consultora trabaja sobre los datos y sistemas que tu empresa ya opera: bases propias, documentos, WhatsApp o el CRM. Pedir una migración completa como condición para empezar agrega un proyecto antes del proyecto.
6. Medición
Cada proyecto tiene que nombrar desde el inicio la métrica de negocio que va a mover y cómo se va a reportar. Puede ser tiempo de respuesta, horas de carga manual, consultas resueltas sin intervención o adopción del sistema por parte del equipo.
7. Seguridad y manejo de datos sensibles
La consultora tiene que explicar qué datos ve el sistema, quién accede a qué y qué queda registrado. Pedí ver cómo se configuran los permisos, si las respuestas citan la fuente y qué hace el sistema cuando no tiene la información.
Las preguntas que tenés que hacer antes de firmar
Antes de firmar, mandá estas diez preguntas por escrito y compará las respuestas de cada consultora lado a lado. Son la versión práctica de qué preguntar antes de contratar una consultora de IA.
- ¿Me mostrás un sistema que esté funcionando hoy en producción? ¿En qué estado quedó?
- ¿Qué etapas tiene el proyecto y qué recibo al final de cada una?
- ¿Quién construye el sistema y quién lo mantiene después de la entrega?
- ¿De quién es el código al terminar? ¿Y los datos, el repositorio y las cuentas de los proveedores?
- ¿Con qué sistemas nuestros se conecta y qué accesos necesitan?
- ¿Qué métrica de negocio vamos a mirar y cómo me la reportan?
- ¿Qué pasa si el modelo responde mal? ¿Quién lo detecta y cómo se corrige?
- ¿En qué casos el sistema deriva la conversación a una persona de mi equipo?
- ¿Qué modelo o plataforma proponen y por qué ese? ¿Lo podemos cambiar más adelante?
- ¿Qué pasa con el sistema si dejamos de trabajar juntos?
En la pregunta 7 conviene pedir mecanismos concretos: revisión humana antes de publicar una respuesta, registro de cada ejecución o un criterio explícito para que el sistema diga “no sé”.
Señales de alerta
Seis señales justifican descartar una propuesta o, como mínimo, pedir explicaciones antes de seguir.
- Promete automatización total o reemplazar equipos. Los sistemas que funcionan en producción definen en qué momento interviene una persona.
- Garantiza un ROI antes de conocer tus procesos y tus datos. Sin diagnóstico, esa cifra es una estimación comercial.
- Solo muestra demos. Una demo prueba que la idea es posible; un caso en producción prueba que alguien la sostiene en el tiempo.
- Cierra un precio sin haber visto tus datos. El alcance depende de qué datos existen, en qué estado están y con qué sistemas hay que integrarse.
- Depende de una sola plataforma y no explica por qué. Elegirla antes del diagnóstico deja el proyecto atado a ella.
- Presenta casos sin nombre ni detalle verificable. Sin sector, sin estado del sistema y sin un dato concreto, un caso se parece mucho a una promesa.
¿Consultora o agencia de IA?
Una consultora de IA diagnostica, diseña e implementa con criterio de negocio, mientras que una agencia de IA ejecuta piezas o herramientas que el cliente ya definió.
Las dos cumplen funciones distintas. Si ya sabés qué querés construir y tenés quien lo especifique, una agencia puede alcanzar. Si todavía tenés que decidir qué proceso atacar, con qué datos y cómo medirlo, necesitás que alguien haga ese trabajo antes de ejecutar.
¿Local o global?
Una consultora local te da idioma, zona horaria y conocimiento del contexto regulatorio y de negocio en Argentina; una firma global te da escala y presencia en varios países.
Para una empresa mediana argentina, lo local pesa en el día a día: reuniones en tu horario y un equipo que conoce los canales que usan tus clientes, de WhatsApp a Mercado Libre. El marco legal también cuenta, porque el tratamiento de datos personales en Argentina se rige por la Ley 25.326.
Una firma global conviene cuando el proyecto abarca varios países con un mismo estándar. En los dos casos aplican los mismos siete criterios.
Qué debería incluir un buen diagnóstico inicial
Un buen diagnóstico inicial termina con cinco entregables: el mapa del proceso, los datos disponibles, las oportunidades priorizadas por impacto y esfuerzo, los riesgos y un próximo paso concreto.
- Mapa del proceso: quién hace qué hoy y dónde se traba.
- Datos disponibles: qué información existe, en qué formato y con qué permisos.
- Oportunidades priorizadas: qué conviene atacar primero según impacto y esfuerzo.
- Riesgos: datos sensibles, dependencias y adopción del equipo.
- Próximo paso: un alcance acotado, o la recomendación de no avanzar todavía.
Ese nivel de detalle se arma en etapas. La primera conversación funciona como filtro y define si hay un problema que valga un proyecto; el relevamiento completo llega cuando el trabajo arranca.
Así lo plantea Data Voices: el diagnóstico gratuito es una reunión para ver si hay un problema que valga un proyecto, y si no lo hay, lo dice. Cuando hay proyecto, la etapa de madurez releva qué procesos, qué datos y qué permisos existen, y el informe a quien paga reporta la adopción y, cuando se puede medir, el efecto.
Sus casos publicados muestran el tipo de prueba que conviene pedirle a cualquier consultora:
- En el trabajo con un organismo internacional, la consultora hizo auditoría de datos y pipelines de inferencia sobre del orden de mil unidades organizacionales y unos quince años de proyectos.
- El Real Time Interview Agent está disponible en Windows y macOS, con el flujo principal en producción, y procesa la respuesta de un candidato en unos 6,45 segundos en Windows 11.
- En Normsy, las respuestas que propone el modelo pasan por colaboradores humanos antes de publicarse; el estudio tuvo 1.021 participantes y el proyecto ganó el Anthem Award 2024 en la categoría Best Use of AI.
- En Agent Launcher, cada ejecución queda persistida y auditada, y el usuario puede cambiar de modelo o de proveedor sin rehacer los agentes.
Preguntas frecuentes
¿Cómo elijo una consultora de IA para mi empresa?
Elegí la consultora que pueda mostrarte casos funcionando en producción, un método por escrito desde el diagnóstico hasta la implementación, un contrato que diga quién es dueño del código, los datos y las cuentas, y la métrica de negocio con la que se va a medir el resultado. Si falta alguna de esas pruebas, seguí comparando.
¿Qué diferencia hay entre una consultora y una agencia de IA?
Una consultora de IA diagnostica el proceso, diseña la solución y la implementa con criterio de negocio hasta dejarla operando. Una agencia de IA ejecuta piezas o herramientas que el cliente ya definió. Si todavía tenés que decidir qué proceso atacar, con qué datos y cómo medirlo, ese trabajo previo es el de una consultora.
¿Qué preguntar antes de contratar una consultora de IA?
Preguntá si pueden mostrarte un sistema funcionando hoy, qué etapas tiene el proyecto, quién construye y quién mantiene, de quién son el código, los datos y las cuentas al terminar, qué métrica se va a mover, qué pasa si el modelo responde mal y qué queda del sistema si dejan de trabajar juntos. Pedí las respuestas por escrito.
¿Conviene una consultora local o una firma global?
Para una empresa mediana en Argentina, una consultora local simplifica el día a día: mismo idioma, misma zona horaria y conocimiento del contexto regulatorio y de negocio. Una firma global conviene cuando el proyecto abarca varios países con un mismo estándar. En los dos casos, evaluala con los mismos criterios.
¿Qué errores comunes cometen las empresas al contratar una consultoría de IA?
Cuatro errores comunes: arrancar sin un proceso concreto, elegir por la demo más vistosa, firmar sin definir quién es dueño del código y de los datos, y empezar sin una métrica de negocio acordada. Los cuatro se previenen con un diagnóstico previo y preguntas por escrito.
¿Cómo sé si una consultora tiene casos reales en producción?
Pedí ver un sistema que funcione hoy con usuarios reales y que te digan en qué estado quedó: en uso, validado técnicamente o piloto. Un caso verificable tiene sector, problema, qué se construyó y al menos un dato concreto, como tiempos de respuesta o volumen procesado. Si solo hay capturas o videos, es una demo.
¿Quién queda como dueño del código y de los datos al terminar?
Tiene que quedar escrito en el contrato antes de firmar: de quién es el código, los datos, la base de conocimiento, el repositorio y las cuentas de los proveedores de modelos. Lo recomendable es que todo quede a nombre de tu empresa o con acceso garantizado al terminar el proyecto.
Cómo decidir entre las propuestas que tenés en la mesa
Quedate con la consultora que responda por escrito las diez preguntas y muestre al menos un caso en producción con detalle verificable. Si dos propuestas empatan, elegí la que mejor defina la métrica y el dueño del código: son los dos puntos más difíciles de corregir después de firmar.
El próximo paso es llevar tu proceso concreto a una primera conversación y pedir que te digan si hay un proyecto. Data Voices es una consultora de inteligencia artificial para empresas con sede en Buenos Aires, y su primer paso comercial es esa conversación; acá podés conocer al equipo de Data Voices.
¿Tenés un proceso concreto para revisar?
Llevalo a una primera conversación con el equipo.
Pedí un diagnóstico gratuito