Mientras la inteligencia artificial generativa acapara la atención mediática y la inversión empresarial, una tecnología mucho menos visible está transformando el corazón de las organizaciones: la IA prescriptiva. Capaz de optimizar decisiones complejas en tiempo real, desde la logística hasta la planificación de recursos, sigue siendo una gran desconocida en la empresa española. En esta entrevista con DECIDE, analizamos por qué el 83% de las compañías aún depende de Excel, qué riesgos implica este modelo y cómo la optimización matemática puede marcar la diferencia entre gestionar y realmente competir en un entorno cada vez más exigente.

AI TALKS: Mientras el sector tecnológico está totalmente volcado con la IA generativa y agéntica, ¿por qué creéis que la IA prescriptiva (optimización matemática) sigue siendo la «gran desconocida» o la asignatura pendiente en la gran empresa española?

Decide: La IA prescriptiva, y en particular la optimización matemática, sigue siendo en gran medida la gran desconocida porque no ha tenido el mismo nivel de visibilidad que la IA generativa. La IA generativa ha tenido una barrera de entrada muy baja: cualquier persona puede probarla, interactuar con ella y percibir rápidamente su utilidad. Eso ha favorecido una adopción muy rápida y un enorme impacto mediático.

La optimización matemática, en cambio, requiere un mayor grado de especialización. No siempre es tan visible para el usuario final, ni genera resultados tan inmediatos o espectaculares desde el punto de vista de la experiencia. Sin embargo, trabaja precisamente donde más duele a las empresas: en las decisiones complejas, críticas y de alto impacto.

Hablamos de decisiones como cómo planificar mejor la producción, cómo asignar recursos escasos, cómo optimizar rutas, cómo ajustar inventarios, cómo mejorar márgenes o cómo responder ante restricciones cambiantes. Son decisiones que afectan directamente a la eficiencia, la rentabilidad y la capacidad de adaptación de una organización.

Por eso, aunque sea una tecnología menos vistosa que la IA generativa, puede ser mucho más transformadora cuando hablamos de impacto operativo real. La asignatura pendiente para muchas grandes empresas españolas es entender que la IA no solo debe ayudar a generar contenido o automatizar tareas, sino también a tomar mejores decisiones.

AI TALKS: El Barómetro revela que el 83% de las grandes empresas siguen apoyándose en hojas de cálculo para decisiones complejas. ¿Qué riesgos operativos reales está asumiendo una gran compañía al mantener este modelo frente a la complejidad actual?

Decide: Apoyarse en hojas de cálculo para tomar decisiones complejas expone a las grandes compañías a varios riesgos operativos muy relevantes. El primero es el riesgo de error: cuando se trabaja con múltiples variables, restricciones, escenarios y dependencias, cualquier fórmula mal aplicada, dato desactualizado o cambio no controlado puede alterar significativamente el resultado.

Pero el problema no es solo el error. También hay una falta de trazabilidad, una dependencia excesiva de personas concretas y una enorme dificultad para reaccionar ante cambios rápidos. Muchas veces, el conocimiento queda concentrado en quienes han construido o mantienen esos modelos, lo que genera vulnerabilidad para la organización.

Excel es una herramienta magnífica, pero no fue concebida para resolver problemas con miles de variables, restricciones simultáneas y escenarios cambiantes. En contextos de alta complejidad, mantener este modelo puede llevar a tomar decisiones equivocadas creyendo que son razonables.

El impacto puede verse en rutas menos eficientes, turnos mal dimensionados, inventarios excesivos o insuficientes, retrasos en producción, sobrecostes logísticos o pérdida de margen. Son riesgos que no solo afectan a la eficiencia operativa, sino que pueden traducirse en pérdidas económicas muy significativas, incluso millonarias, para una gran compañía.

AI TALKS: Destacáis que el 98% de las empresas que ya aplican IA prescriptiva reportan retornos significativos. ¿Podrías explicarnos qué tipo de problemas de negocio resuelve esta tecnología que los métodos tradicionales no alcanzan a solucionar?

Decide: La IA prescriptiva resuelve problemas en los que no basta con analizar datos o anticipar escenarios, sino que es necesario decidir qué hacer, hacerlo rápido y hacerlo de la mejor manera posible.

Son situaciones en las que una empresa se enfrenta a miles, o incluso millones, de combinaciones posibles, con múltiples variables, restricciones y objetivos que deben tenerse en cuenta al mismo tiempo. Ahí es donde los métodos tradicionales suelen quedarse cortos: pueden ayudar a gestionar la información, pero no siempre permiten identificar la mejor decisión viable.

Por ejemplo, esta tecnología puede aplicarse a problemas como la planificación de la producción, la asignación de recursos, la optimización de rutas, la gestión de inventarios, la organización de turnos, la planificación logística o la mejora de márgenes. En todos estos casos, la dificultad no está solo en saber qué está ocurriendo, sino en decidir cuál es la mejor acción posible teniendo en cuenta las restricciones reales del negocio.

Esa es precisamente la diferencia entre gestionar y optimizar. Gestionar consiste en tomar una decisión razonable con la información disponible. Optimizar significa encontrar la mejor decisión posible dentro de todas las alternativas viables. Por eso, cuando se aplica correctamente, la IA prescriptiva puede generar retornos significativos: porque actúa directamente sobre decisiones que impactan en costes, eficiencia, servicio, productividad y rentabilidad.

AI TALKS: Más allá de la falta de conocimiento, ¿cuáles consideráis que son las principales barreras (culturales, técnicas o de talento) que impiden a las empresas dar el salto del Excel a soluciones avanzadas de apoyo a la decisión?

Decide: Más allá de la falta de conocimiento, las principales barreras ya no están únicamente en la calidad del dato, que durante años fue uno de los grandes obstáculos. Según el estudio que presentaremos el próximo 12 de mayo, hoy las barreras más relevantes tienen que ver con las prioridades estratégicas de las empresas y con la complejidad percibida de las soluciones de optimización matemática.

En muchos casos, las compañías saben que tienen procesos mejorables, pero no siempre identifican la optimización como una prioridad inmediata frente a otros proyectos tecnológicos más visibles o urgentes. Esto hace que decisiones críticas sigan resolviéndose con herramientas tradicionales, aunque el impacto potencial de mejorar esas decisiones sea muy elevado.

Otra barrera importante es la percepción de complejidad. La optimización matemática puede parecer una tecnología difícil de entender, implantar o mantener, especialmente para organizaciones que no cuentan con perfiles especializados. Esa necesidad de talento experto puede convertirse en un freno, sobre todo en compañías de menor tamaño o con equipos tecnológicos más limitados.

Por eso, el reto no es solo técnico, sino también cultural y estratégico. Las empresas necesitan entender mejor el impacto que estas soluciones pueden tener en el negocio, identificar casos de uso concretos y abordarlos de forma progresiva. Dar el salto del Excel a soluciones avanzadas de apoyo a la decisión no implica transformar toda la organización de golpe, sino empezar por aquellas decisiones donde el valor sea claro, medible y directamente conectado con los objetivos de negocio.

AI TALKS: Son áreas con una complejidad operativa extrema. ¿Cómo transforma el día a día de un director de operaciones la implementación de un motor de optimización matemática frente a la planificación manual?

Decide: La implementación de un motor de optimización matemática transforma no solo el día a día de un director de operaciones, sino también el de todos los equipos que participan en tareas de planificación.

En entornos como logística o producción, donde hay que coordinar recursos, personas, rutas, almacenes, inventarios, turnos o capacidades productivas, la planificación manual puede consumir una enorme cantidad de tiempo. Con un motor de optimización, ese trabajo puede reducirse de forma muy significativa, llegando incluso a ahorrar semanas de dedicación en determinados procesos.

Pero el valor no está solo en planificar mejor. También está en la capacidad de reaccionar mejor. En el día a día de una operación siempre surgen incidencias: retrasos, cambios de demanda, bajas de personal, problemas de suministro, roturas de stock, restricciones de capacidad o alteraciones en rutas. Cuando eso ocurre, tomar una decisión rápida es imprescindible, pero hacerlo teniendo en cuenta el impacto global de cada alternativa es prácticamente imposible sin una herramienta avanzada.

Ahí es donde la optimización matemática marca la diferencia. Permite evaluar múltiples escenarios, considerar todas las restricciones relevantes y proponer la mejor decisión viable en muy poco tiempo. Así, un director de operaciones no solo gana eficiencia en la planificación, sino también agilidad, control y capacidad de respuesta ante imprevistos.

Para mí, este es uno de los aspectos clave: cuando hay que actuar rápido para resolver un problema operativo, no basta con encontrar una solución razonable. Es necesario entender su impacto en todos los ejes del negocio y elegir la alternativa que genere el mejor resultado global.

AI TALKS: Se suele hablar de estas tecnologías como silos. ¿Cómo se integra la optimización matemática con las nuevas capacidades de IA generativa? ¿Es posible hablar de una IA híbrida que sea, a la vez, inteligente y capaz de ejecutar la mejor decisión?

Decide: La tecnología, por sí misma, no debería entenderse como un silo. Lo verdaderamente importante es saber combinar distintas capacidades y gobernarlas correctamente, utilizando cada herramienta allí donde aporta más valor.

En el caso de la optimización matemática y la IA generativa, la integración tiene mucho sentido. La IA generativa puede ayudar a interpretar información, interactuar con los usuarios, generar escenarios, explicar resultados o facilitar la toma de decisiones. La optimización matemática, por su parte, permite evaluar restricciones, comparar alternativas y seleccionar la mejor decisión posible según los objetivos del negocio.

Por eso sí podemos hablar de una IA híbrida: una IA capaz no solo de comprender, asistir o generar recomendaciones, sino también de ejecutar decisiones óptimas de forma automatizada y gobernada.

El primer paso para aplicar bien estas tecnologías es entender el proceso de negocio, identificar los puntos de decisión y automatización, y definir qué tecnología debe intervenir en cada caso. Este es, además, uno de los aspectos en los que profundiza el estudio que publicaremos el próximo 12 de mayo.

Hoy no existe una limitación técnica relevante para integrar distintas soluciones, gobernar flujos de decisión o automatizar procesos complejos. El reto está en conectar lo que la tecnología permite con lo que el negocio necesita. Es ahí donde surgen las combinaciones tecnológicas más adecuadas para cada circunstancia.

AI TALKS: Tras analizar a 300 directivos españoles para este estudio, ¿qué perfil de líder está impulsando realmente la adopción de estas soluciones y qué consejo darías a quienes aún no han iniciado este camino?

Decide: El consejo es muy claro: antes de empezar por la tecnología, hay que empezar por entender los procesos y las decisiones.

El perfil de líder que está impulsando realmente la adopción de estas soluciones es aquel que entiende que la IA y la optimización matemática no son solo herramientas tecnológicas, sino palancas para mejorar la forma en la que la organización decide. Son directivos capaces de identificar dónde existen problemas asociados a decisiones complejas, repetitivas o de alto impacto, y de preguntarse cómo pueden tomarse mejor, más rápido y con mayor rigor.

Por eso, a quienes aún no han iniciado este camino les diría que no empiecen preguntándose qué tecnología deben implantar, sino qué decisiones necesitan mejorar. El primer paso es identificar los casos de uso en los que estas soluciones pueden generar verdadero valor de negocio: planificación, asignación de recursos, eficiencia operativa, gestión de la demanda, logística, pricing o cualquier otro ámbito donde existan múltiples variables, restricciones y objetivos.

Una vez claros esos puntos de decisión, la tecnología adecuada aparece de forma mucho más natural. La clave está en vincular cada proyecto a un impacto concreto en el negocio y avanzar de forma progresiva, con casos bien definidos, medibles y gobernados

AI TALKS: Si miramos hacia adelante, ¿cuál es el siguiente paso lógico para las empresas que ya han validado su primer proyecto de optimización? ¿Hacia dónde evoluciona la toma de decisiones basada en datos en España y Portugal?

Decide: El siguiente paso lógico para las empresas que ya han validado su primer proyecto de optimización es escalarlo. Es decir, pasar de un caso de uso concreto a extender esa capacidad a otras áreas críticas del negocio, pero también integrarla de forma natural en los procesos diarios de la organización.

No se trata solo de hacer más proyectos, sino de convertir la optimización en una forma habitual de decidir. Para ello, es clave conectar estas soluciones con los sistemas, flujos de trabajo y equipos que ya forman parte de la operación diaria de la empresa.

En España y Portugal, la toma de decisiones basada en datos evoluciona hacia modelos cada vez más prescriptivos. Durante años, muchas compañías han trabajado con modelos descriptivos o predictivos, orientados a entender qué ha pasado o anticipar qué puede ocurrir. El siguiente nivel consiste en responder a una pregunta más decisiva: qué acción concreta debemos tomar para obtener el mejor resultado posible.

Las empresas que destaquen serán aquellas capaces de transformar sus datos en mejores decisiones. Y eso implica avanzar hacia una toma de decisiones más automatizada, gobernada y conectada con los objetivos reales del negocio