Integración de IA en la empresa: conectar un LLM al ERP

Uno de sus distribuidores escribe a las 08:40 de la mañana: «Hola, mándennos 40 unidades de los tubos de 20 de la última vez y 5 cajas del juego de juntas con nuestro descuento especial, la misma dirección». Para que esa frase se convierta en una línea de pedido en el ERP, alguien tiene que leer el correo, buscar el código de producto, comprobar el stock y crear el documento a mano. Con 60 correos al día, esto no es un asunto de «inteligencia artificial»: es una partida de su coste operativo.

En el otro extremo de la misma fábrica, el jefe de almacén pide a TI un informe para responder a «cuántas entregas incompletas hicimos el mes pasado y a qué clientes», y se pone en la cola. Cuando la respuesta llega tres días después, la pregunta ya ha perdido vigencia.

Estas dos escenas muestran dónde aportan realmente los grandes modelos de lenguaje (LLM: modelos de IA que entienden texto escrito en lenguaje humano y producen texto a su vez) dentro del software empresarial. No se trata de que las máquinas decidan, sino de cerrar la brecha entre el texto libre que escriben las personas y los datos estructurados que esperan los sistemas. En este artículo abordamos la integración de IA en la empresa alrededor de tres preguntas: qué ganamos, cuánto cuesta y si nuestros datos salen fuera.

01. ¿Qué hace exactamente un LLM en el software empresarial?

¿Por qué un LLM no es un decisor, sino una capa de traducción?

Lo que hace un LLM es, en esencia, traducir. Convierte texto libre en datos estructurados: la frase «40 unidades del tubo de 20» pasa a ser el objeto {codigo_articulo: BR-020, cantidad: 40}. También funciona en sentido inverso: convierte una tabla salida de la base de datos en un resumen de tres frases que el director comercial puede leer.

Mantener nítida esta definición importa, porque de aquí nace la mayoría de las decepciones que vemos en campo. Si pregunta a un LLM «cuánto plazo de pago concedo a este distribuidor», producirá una frase segura de sí misma, pero eso es generación de lenguaje, no una decisión financiera. La decisión debe quedarse dentro de sus reglas de riesgo.

¿Cómo se conecta un componente no determinista a un sistema determinista?

Los sistemas de stock, contabilidad y expedición son deterministas: la misma entrada devuelve siempre el mismo resultado, y así debe ser. El LLM, en cambio, es probabilístico; puede responder a la misma pregunta con dos redacciones distintas. La forma segura de unir ambos mundos es trazar una frontera entre ellos.

La regla es esta: el LLM propone, el sistema valida, la persona aprueba y el código ejecuta la escritura. El LLM nunca lanza un INSERT directo a la base de datos. Su salida pasa primero por la validación de esquema (¿existe realmente el código de artículo?, ¿la cantidad es positiva?, ¿el distribuidor tiene límite disponible?); después se presenta en pantalla a una persona como «aprobar / corregir».

En la práctica esto significa: cuando el LLM se equivoca, el resultado es que un usuario corrige un campo, no que el sistema se rompa. Ese es el diseño que hace el riesgo asumible.

02. Cómo se construye la arquitectura: ¿dónde se conecta el LLM a sus sistemas actuales?

Esta estructura no se levanta creando una plataforma desde cero, sino añadiendo un anillo sobre las capas que ya utiliza. La capa de API REST en .NET 8 que ya existe en Think WMS y en el Portal de Distribuidores B2B es el punto de conexión natural.

¿Qué es RAG? ¿Estamos entrenando el modelo con los datos de la empresa?

No. Este es el malentendido más frecuente. RAG (Retrieval-Augmented Generation) significa que, en lugar de entrenar el modelo con sus datos, se busca el documento pertinente para la pregunta y se le hace leer al modelo en ese momento. Su catálogo de productos, sus procedimientos de ERP y su documentación técnica se dividen en fragmentos pequeños, cada fragmento se convierte en una representación numérica (embedding) y se guarda en una base de datos vectorial; cuando llega una pregunta, se recuperan los fragmentos más relevantes y se pasan al modelo como contexto. El resultado: cuando actualiza su lista de precios no hay que reentrenar el modelo, basta con sustituir el documento, y puede verificar en qué documento se apoya la respuesta porque cita su fuente.

03. ¿En qué procesos produce un beneficio concreto? Cinco escenarios

Las cifras siguientes son estimaciones extraídas de mediciones de carga de trabajo en procesos comparables y de los rangos observados en pilotos; varían según la calidad de datos de cada empresa. Léalas como objetivos de partida que se medirán en el estudio de viabilidad, no como un compromiso firme.

a) ¿Cómo funciona la entrada de pedidos en lenguaje natural en el Portal B2B?

Proceso actual: El distribuidor envía el pedido en texto libre por correo o WhatsApp. Un comercial traduce los productos a códigos y los introduce a mano en el portal o en el ERP. Los códigos de producto confundidos y las líneas que faltan son los dos errores más habituales.

Proceso con LLM: El distribuidor escribe la misma frase en el buscador del portal, o el correo entrante se analiza automáticamente. El sistema cruza con el catálogo de productos mediante RAG y le presenta el carrito ya preparado: «¿Quería decir esto?». El distribuidor confirma y el pedido baja al ERP a través de la capa de adaptadores.

Ganancia medible: Reducir aproximadamente a la mitad los 4-6 minutos de introducción manual por pedido, y una caída notable de devoluciones y correcciones por códigos de producto erróneos. Con 60 pedidos al día, eso equivale a una parte importante de la carga de trabajo de una persona.

Dónde se integra: Portal de Distribuidores B2B (interfaz React + capa de adaptadores agnóstica al ERP) y módulo PWA de venta en ruta.

b) ¿Se pueden resumir automáticamente las notas de visita en Think CRM?

Proceso actual: El comercial de campo visita cinco distribuidores durante el día y escribe las notas por la noche, o no las escribe. Y cuando lo hace, queda una frase del tipo «hablamos, positivo»; el responsable no puede leer un embudo de ventas en esas notas.

Proceso con LLM: El comercial deja la visita como nota de voz en el móvil o escribe un texto libre breve. El sistema lo convierte en un registro estructurado: productos tratados, motivo de objeción, plazo de pago solicitado, siguiente acción y fecha propuesta. Con la aprobación del comercial, la propuesta se graba en el CRM.

Ganancia medible: 2-3 horas semanales de tiempo de reporte por comercial y, más importante, un aumento claro del porcentaje de visitas realmente registradas. Un CRM vacío también da informes vacíos.

Dónde se integra: Think CRM (módulos de distribuidores B2B y de cliente final B2C).

c) ¿Es posible obtener un informe de Power BI con una pregunta en lenguaje corriente?

Proceso actual: El director general pregunta «en qué grupo de productos cayó la facturación en la región de Mármara el trimestre pasado». La petición de informe va a TI o al consultor de BI, entra en la cola y vuelve unos días después.

Proceso con LLM: El directivo escribe la pregunta en lenguaje natural. El LLM toma como contexto el esquema de su modelo de datos (nombres de tablas y medidas) y genera una consulta DAX o SQL; la consulta se ejecuta con sus reglas de permisos y el resultado vuelve acompañado de un gráfico. La consulta generada permanece visible en pantalla, de modo que el equipo de BI pueda verificarla.

Ganancia medible: En preguntas rutinarias de una sola dimensión, el tiempo de respuesta baja de días a minutos. Los análisis complejos siguen siendo trabajo del consultor de BI: el objetivo es despejar la cola de TI de preguntas sencillas.

Dónde se integra: Una capa de preguntas y respuestas construida sobre nuestro servicio de informes con Power BI y consultoría de BI.

d) ¿Puede un operario con guantes hacer la recepción de mercancía por voz?

Proceso actual: El operario coge el terminal, se quita un guante, elige un menú en la pantalla y escribe la cantidad. En cámara frigorífica o en líneas que exigen las dos manos, ese paso es lento y además fuente de errores.

Proceso con LLM: El operario habla: «Recepción de mercancía, doce cajas a la estantería número cinco». La voz se convierte en texto, el LLM lo transforma en el objeto de transacción que espera el WMS y el terminal pide confirmación en pantalla y por voz. Tras la aprobación, el movimiento de stock se crea a través de la API .NET 8.

Ganancia medible: Unos segundos por operación en tareas repetitivas como recepción y recuento: un total relevante a lo largo de miles de operaciones por turno. La ganancia real son los menores registros de estantería o cantidad equivocadas, porque las manos quedan libres.

Dónde se integra: Think WMS (terminal de mano Android + API REST .NET 8).

e) ¿Qué aporta un asistente interno de preguntas y respuestas sobre los procedimientos del ERP?

Proceso actual: La pregunta «¿con qué tipo de documento emitíamos la factura de abono en Mikro?» acaba en la mesa de un compañero con experiencia. Si esa persona está de vacaciones, el trabajo se para. El conocimiento corporativo está en las personas, no en los documentos.

Proceso con LLM: Los documentos de procedimiento, los manuales del ERP y los registros de soporte anteriores se cargan en la capa RAG. El empleado escribe la pregunta y el asistente da la respuesta junto con el documento fuente y el número de apartado. Una respuesta sin fuente no cuenta como respuesta.

Ganancia medible: Una parte importante de las preguntas internas repetidas se resuelve en el primer contacto y se acorta el periodo de adaptación de los nuevos empleados. Beneficio añadido: ver qué preguntas se repiten y escribir el procedimiento que realmente falta.

Dónde se integra: Dentro de la consultoría de TI, embebido en su portal o intranet actual.

04. ¿Dónde están los riesgos: qué acepta usted a sabiendas?

¿Qué significa la alucinación en términos operativos?

En lugar de decir que no saben algo, los LLM pueden inventar una respuesta de apariencia razonable. A eso se le llama alucinación. Su equivalente operativo es: puede proponer un código de artículo que no existe o explicar un procedimiento de forma segura y equivocada.

La solución no está en el modelo, sino en la arquitectura. El código de producto se coteja siempre con el catálogo real, así que un código inventado no entra en el sistema. El asistente documental está obligado a citar fuentes. Y en los flujos críticos no se elimina la aprobación humana.

¿Adónde van nuestros datos y cómo queda la protección de datos?

Esta es la pregunta que hay que plantear en la primera reunión. Hay tres opciones y las tres ofrecen un equilibrio distinto entre coste y confidencialidad:

• Modelo en la nube con contrato corporativo: Se trabaja con el compromiso de que los datos no se usan para entrenar el modelo. Es el arranque más rápido y barato, pero los datos van a un encargado del tratamiento en el extranjero.
• Alojamiento ubicado en Türkiye: El middleware y la base de datos vectorial se mantienen en servidores en Türkiye; al modelo solo se le envía contexto enmascarado y mínimo necesario.
• Modelo abierto on-premise: El modelo se ejecuta en su propio servidor y los datos no salen del edificio. Requiere inversión en hardware y mantenimiento; es la opción preferida para contenidos sensibles como contratos y listas de precios.

Sea cual sea la opción, enmascarar los campos con datos personales (nombre del responsable del distribuidor, teléfono, dirección) antes de enviarlos al modelo es nuestra práctica estándar. El cumplimiento en materia de protección de datos no es una característica de producto: es una decisión de diseño.

¿Cómo se vuelve previsible el coste de tokens?

El uso del LLM se factura según la cantidad de texto procesado (tokens). A primera vista eso hace que el presupuesto parezca incierto; sin embargo, calculado por proceso, es previsible. Analizar un pedido o resumir una nota de visita cuesta del orden de unos céntimos por operación.

Lo que hacemos en el estudio de viabilidad es esto: tomamos el volumen mensual de operaciones del proceso, medimos el consumo medio de tokens por operación y fijamos un techo. Límites por usuario y por proceso, caché para las preguntas frecuentes, límite de fragmentos en documentos largos: no son detalles técnicos, son herramientas de control presupuestario.

¿Dónde no se utiliza?

Siendo honestos, esta parte de la lista importa tanto como las áreas aprovechables:

• Asientos contables y cálculo financiero: Asiento de diario, cálculo del IVA, contabilidad de costes. Eso es cosa del motor de reglas; un LLM no es una herramienta pensada para la aritmética.
• Declaraciones oficiales y documentos electrónicos: Factura electrónica, albarán electrónico, comunicaciones oficiales. Un error de formato o contenido tiene consecuencias legales.
• Trabajos que exigen un resultado exacto y repetible: Saldo de stock, conciliación de cuentas, cálculo de precios. Eso se obtiene escribiendo una consulta, no preguntando a un modelo.
• Disparadores irreversibles: Lanzar una expedición sin aprobación, pagos automáticos, correspondencia que sale directamente al cliente.

05. ¿Cómo se empaqueta y se compra esto?

Nuestro enfoque no consiste en abrir un presupuesto grande y difuso bajo el nombre de «proyecto de IA». La integración de IA en la empresa se parece más a un trabajo de mejora de procesos que a una compra de software; por eso seguimos un camino de cuatro pasos con una puerta de salida en cada uno:

1. Descubrimiento y viabilidad (1-2 semanas): Observamos los procesos in situ y vemos el estado de los datos y de la documentación. Resultado: procesos candidatos, rango de beneficio esperado, estimación de coste y lista de riesgos. La conclusión puede ser «todavía no tiene sentido en este proceso»; preferimos decirlo por adelantado.
2. Piloto (4-6 semanas, un departamento): Un solo proceso, usuarios limitados, objetivo medible. El criterio de éxito del piloto se escribe desde el principio: por ejemplo, la reducción prevista en el tiempo de entrada de pedidos.
3. Despliegue: Si el piloto funciona, extensión a otros departamentos y productos, con autorizaciones y formación.
4. Uso y mantenimiento mensual: Coste de uso del modelo, monitorización, actualidad documental y mejora. Esta partida no es opcional: una capa RAG sin mantenimiento queda obsoleta en pocos meses.

¿Por qué no vendemos un «módulo de IA» aparte?

Porque el usuario no quiere usar inteligencia artificial: quiere introducir el pedido rápido y ver el informe sin esperar. Los módulos que exigen una pantalla aparte, una licencia aparte y un hábito aparte se quedan en la estantería sin usar.

Por eso incrustamos la capacidad del LLM en la pantalla de recepción del WMS, en el formulario de visitas del CRM y en el buscador del portal. El usuario no aprende una herramienta nueva; la pantalla que ya usa le pide menos clics. La consecuencia comercial es esta: la inversión va a profundizar el uso de un producto que ya se utiliza, no a un módulo que nadie abre.

06. ¿Por qué proceso debería empezar?

Elegir bien el piloto es la decisión más determinante del proyecto. Empiece por un proceso que cumpla los tres criterios a la vez:

1. Repetitivo: Se hace decenas de veces al día. En tareas puntuales, la ganancia no se puede medir.
2. Intensivo en texto: Su entrada es texto libre, voz o documentos. El trabajo numérico y reglado ya es terreno del software clásico.
3. Con error reversible: Una propuesta equivocada debe poder corregirse mientras está en pantalla, no cuando la expedición ya ha salido.

Con estos tres criterios puede reducir sus propios procesos a una lista corta. En la mayoría de empresas de fabricación y distribución la lista empieza por la entrada de pedidos y las preguntas sobre documentación interna: ambos tienen volumen diario alto, entrada de texto y errores corregibles en pantalla.

Una advertencia: al hacer la lista, elija el proceso más repetido, no el más visible. Una demo que impresiona en el comité de dirección y una funcionalidad que ahorra tiempo de verdad durante todo un turno no suelen ser lo mismo. El objetivo de un piloto no es hacer una exhibición, sino documentar una diferencia medible.

También hay que mirar el lado de los datos desde el principio. Donde el mismo material aparece con tres nombres distintos en el catálogo, o donde los procedimientos nunca se escribieron, el primer trabajo no es instalar un LLM: es ordenar esas dos cosas. Es también a lo que más tiempo dedicamos en la fase de descubrimiento.

Concretemos juntos por dónde empezar: en una llamada de descubrimiento gratuita repasaremos su ERP actual (Mikro, Logo u otro), la calidad de sus datos y sus procesos para hablar de qué paso producirá realmente una ganancia; y si no la va a producir, también se lo diremos. Nuestro equipo en el Teknopark GTÜ de Gebze está siempre abierto a conversar sobre cómo montar un sistema que funcione en planta.