Calculate production costs: AI computes in real time – Transparent cost tracking for better pricing

Imagine lo siguiente: su jefe de proyecto se le acerca y puede decirle en cuestión de segundos cuánto cuesta la tanda de producción actual, no a final de mes, sino ahora mismo, en este instante. ¿Parece ciencia ficción? Ya no lo es.

El cálculo de costes basado en IA está revolucionando la forma en que las empresas manufactureras tienen sus cifras bajo control. Mientras que antes había que esperar semanas para obtener análisis útiles de costes, los sistemas modernos ofrecen respuestas en tiempo real.

¿Pero por qué es esto importante? Porque en mercados volátiles, gana quien calcula más rápido y preciso que la competencia.

Cálculo de costes de producción: Por qué el tiempo real marca la diferencia

El Sr. Schmidt, gerente de una empresa de maquinaria especial, lo vivió en carne propia: un gran cliente pidió un pedido urgente: era posible aplicar un recargo del 15%, pero sólo si la confirmación llegaba de inmediato. ¿El problema? Su cálculo de costes estaba basado en valores de hace tres semanas.

Cuando el departamento de control tuvo todos los datos actualizados, el pedido ya se había perdido. A un competidor que pudo calcular todo en menos de una hora.

El nuevo estándar: minutos en vez de semanas

El cálculo de costes en tiempo real no es solo cuestión de velocidad. Cambia de fondo cómo puede usted gestionar su negocio:

• Ajustes de precios inmediatos ante cambios en los costes de materias primas
• Planificación dinámica de capacidades basada en los costes actuales
• Detección proactiva de problemas en vez de reacción tardía
• Decisiones fundamentadas incluso en pedidos urgentes

Qué distingue el cálculo en tiempo real de los métodos tradicionales

La contabilidad de costes tradicional utiliza valores históricos y promedios. Es como mirar por el retrovisor: útil, pero no suficiente para maniobras rápidas.

Los sistemas con IA, en cambio, integran en vivo:

El efecto dominó de una calculación precisa

Pero cuidado: los datos precisos por sí solos no bastan. Es decisivo lo que usted hace con ellos.

Un ejemplo real: un proveedor automotriz detectó mediante monitorización en tiempo real que ciertos lotes de producción eran un 12% más caros de lo presupuestado. ¿La causa? Un sensor en una máquina clave generó valores incorrectos y generó producto defectuoso.

En vez de enterarse al cerrar el mes, el problema se pudo solucionar de inmediato. Sólo este caso ahorró 180.000 euros al año.

Cálculo de costes basado en IA: Cómo funciona la tecnología

Ahora vamos a lo concreto. ¿Cómo consigue la IA crear pronósticos de costes precisos a partir de un mar de datos?

El secreto no está en un solo algoritmo, sino en la combinación inteligente de diversas fuentes de datos y métodos de análisis.

Los cuatro pilares del cálculo de costes con IA

1. Integración de datos en tiempo real

Los sistemas modernos acceden directamente a la fuente: sistemas ERP, MES (Manufacturing Execution Systems), sensores IoT e incluso datos externos de mercado se combinan de forma continua. Es como un director de orquesta que escucha todos los instrumentos al mismo tiempo, no por separado.

2. Reconocimiento de patrones con Machine Learning

La IA detecta relaciones que se le escapan a las personas. Ejemplo: ¿Por qué el lote A cuesta un 8% más que el B, si eran idénticos en planificación? La IA lo descubre: el día X la humedad era mayor, y la pieza necesitó más tiempo de secado.

3. Analytics predictivo para proyectar costes

En vez de solo documentar el pasado, el sistema calcula lo que está por venir. ¿Sube el precio de la materia prima? ¿Qué impacto tendrá en los pedidos en curso? La IA le da la respuesta antes de que surja el problema.

4. Propuestas automáticas de optimización

El sistema no sólo identifica los problemas: muestra posibles soluciones. “Si utiliza la máquina B en vez de la A, ahorra un 15% en costes energéticos manteniendo la calidad”.

Tecnologías concretas en acción

Vamos a ver la parte técnica, pero de forma simple:

• Digital Twins (Gemelos digitales): Copias virtuales de sus líneas de producción que simulan escenarios de coste en tiempo real
• Edge Computing: Procesamiento de datos directamente en la máquina para una reacción en segundos
• Redes neuronales: Aprenden de patrones históricos para predecir costes futuros con mayor precisión
• Natural Language Processing: Convierte sus preguntas (“¿Cuánto cuesta el pedido urgente?”) en cálculos concretos

Integración sin romper el sistema

¿Pero cómo accede la IA a sus datos sin que tenga que reinventar toda su infraestructura IT?

Los sistemas de IA actuales funcionan mediante APIs (Interfaces de Programación de Aplicaciones): imagine adaptadores que hacen compatibles diferentes enchufes. Sus sistemas actuales permanecen y la IA se conecta de forma inteligente.

Un ejemplo práctico: una metalúrgica de 200 empleados utiliza SAP desde hace años para la gestión y otro software especializado para el control de máquinas. El sistema de costes IA se conecta a ambos sin interrumpir procesos existentes.

De la teoría a la práctica: ejemplo de implementación

Veamos cómo es el proceso:

1. Recopilación de datos: Cada 30 segundos se agregan datos de máquinas, consumos de material y horas de personal
2. Limpieza de datos: La IA filtra anomalías y corrige errores de sensores automáticamente
3. Cálculo de costes: Algoritmos calculan costes reales y proyectan los previstos
4. Visualización: Los paneles muestran desviaciones con colores de semáforo
5. Recomendaciones de acción: El sistema propone optimizaciones concretas

¿El resultado? En vez de datos útiles una vez al mes, recibe información constantemente utilizable.

Implementar el seguimiento transparente de costes en la práctica

La teoría está bien, pero ¿cómo se traslada esto al exigente día a día de la producción? Aquí se ve la diferencia entre palabras y hechos.

Transparencia no significa que todos los empleados vean todos los indicadores. Significa que las personas adecuadas reciben la información correcta en el momento oportuno.

Anatomía de un sistema de costes transparente

Nivel 1: Transparencia operativa

Los operarios y jefes de equipo no necesitan análisis de costes complejos. Les basta una señal clara: ¿todo en verde o hay desviaciones?

Una pantalla LED en la máquina muestra en tiempo real: “Coste objetivo alcanzado” (verde), “Leve desviación” (amarillo) o “Desviación crítica” (rojo). Simple, directo y relevante para la acción.

Nivel 2: Transparencia táctica

Sus jefes de proyecto y de departamento requieren una visión detallada. Los paneles les muestran:

• Evolución actual del coste por pedido
• Desviaciones respecto al plan con análisis de causas
• Proyecciones para proyectos en curso
• Comparación entre pedidos similares

Nivel 3: Transparencia estratégica

Para la dirección gerencial, lo importante es la visión global: rentabilidad, márgenes, competitividad. Aquí los análisis con IA despliegan toda su fuerza:

Implantación sin caos: el plan en 3 fases

Tenga cuidado: quererlo todo a la vez suele llevar a no lograr nada. Las implantaciones exitosas siguen un patrón probado:

Fase 1: Crear la base (4-6 semanas)

1. Identificación y conexión de fuentes de datos
2. Definición de los indicadores clave
3. Primeros paneles para áreas piloto
4. Formación del equipo en los nuevos procesos

Fase 2: Ampliación y refinamiento (8-12 semanas)

1. Despliegue en otras áreas de producción
2. Integración de factores de coste adicionales
3. Automatización de informes estándar
4. Optimización de la interfaz de usuario

Fase 3: Automatización inteligente (continuo)

1. Machine Learning para proyecciones de costes
2. Propuestas de optimización automáticas
3. Integración en la planificación estratégica
4. Mejora continua del sistema

Evitar tropiezos: puntos clave a tener en cuenta

De la experiencia práctica – estos fallos son comunes:

Error 1: Demasiados KPIs a la vez

Comience con 3-5 indicadores realmente relevantes. Más solamente confunde y genera “ceguera de dashboard”.

Error 2: Tecnología sin gestión del cambio

El mejor sistema no sirve sin la implicación de las personas. Destine al menos el 30% del tiempo al entrenamiento y aceptación.

Error 3: Subestimar la calidad de datos

“Garbage in, garbage out”, especialmente cierto en IA. Datos depurados y consistentes son básicos para obtener insights útiles.

Métricas de éxito: cómo medir el avance

¿Cómo saber si la implantación va por buen camino?

• Tiempo de reacción: de horas a minutos para consultas de costes
• Precisión de planificación: desviación entre previsto y real por debajo del 5%
• Rapidez en la toma de decisiones: pedidos urgentes calculados en una hora
• Aceptación del equipo: uso activo de las nuevas herramientas superior al 80%

Un fabricante de maquinaria en Baviera nos contó: “En seis meses preparamos las ofertas un 70% más rápido – y calculamos con mayor precisión que antes.”

Así es el seguimiento transparente de costes en la práctica: medible, trazable y rentable.

Mejor fijación de precios gracias a decisiones basadas en datos

Ahora se pone interesante. Porque tener datos exactos de costes es solo el primer paso. El verdadero valor surge al utilizar esos datos para fijar precios inteligentes.

Imagine: un cliente solicita un producto especial. Antes usted lo habría estimado, añadido un recargo y esperado lo mejor. Hoy la IA analiza en minutos proyectos similares, calcula los factores de riesgo y propone el precio óptimo.

Del cálculo de costes a la fijación dinámica de precios

La fijación de precios tradicional casi siempre sigue una fórmula simple: coste + margen = precio de venta. Funciona, pero desaprovecha enormes oportunidades.

La fijación de precios con IA incorpora muchos más factores:

• Posición en el mercado: ¿Qué tan único es su producto?
• Segmento de cliente: Distintos clientes, distintas disposiciones de pago
• Situación de capacidad: Con alta demanda puede pedir más
• Presión competitiva: ¿Dónde se sitúa frente a la competencia?
• Riesgo de proyecto: Pedidos complejos justifican mayores márgenes

Tres modelos de precios para distintas situaciones

Modelo 1: Cálculo centrado en costes

Para productos estándar y procesos conocidos. La IA optimiza sobre todo el cómputo de costes y detecta oportunidades de ahorro.

Ejemplo: un fabricante de carcasas de chapa. La IA analiza 1.000 pedidos similares y detecta: para lotes de más de 50 unidades, el coste por pieza baja un 12%, y con más de 200 un 18%.

Modelo 2: Precio basado en valor

Para soluciones innovadoras, donde el valor para el cliente es prioritario. La IA ayuda a valorar ese valor añadido.

Un fabricante de maquinaria especial desarrolla una máquina que ahorra un 30% de energía. La IA calcula: con un ahorro para el cliente de 50.000 euros anuales, un recargo de 15.000 euros está más que justificado.

Modelo 3: Ajuste dinámico

Para mercados y capacidades volátiles. Los precios se adaptan de forma continua a la situación actual.

Gestión de riesgos mediante precios inteligentes

¿Pero por qué es esto clave? Porque precios incorrectos pueden arruinar su empresa en ambos sentidos.

Precios bajos = márgenes desperdiciados. Precios altos = pedidos perdidos. La IA ayuda a encontrar el equilibrio óptimo para cada pedido.

Ejemplo práctico: un especialista en automatización recibe dos solicitudes similares. Cliente A: socio de años; cliente B: nuevo, dudosa solvencia. La IA recomienda:

• Cliente A: precio estándar con un 2% de descuento por fidelidad
• Cliente B: recargo por riesgo del 8% más un anticipo del 40%

Ambos precios están bien calculados y adaptados a cada situación de riesgo.

Integración en el proceso de ventas

¿Cómo llevar esta inteligencia a su día a día? Empresas exitosas integran la IA directamente en el proceso comercial.

Paso 1: Evaluación automática inicial

Al llegar una solicitud, el sistema analiza el pedido y propone un rango de precios. No es la respuesta final, sino una base sólida para decidir.

Paso 2: Simulación de escenarios

“¿Qué pasa si somos un 5% más baratos?” La IA simula opciones y muestra el impacto en beneficio, ocupación y posición competitiva.

Paso 3: Apoyo en la negociación

Durante la negociación, el sistema muestra en tiempo real: “Con este precio mantiene un margen del 12%, ese es el mínimo necesario para rentabilidad”.

Casos de éxito prácticos

Déjeme contarle un caso real:

Un fabricante de máquinas-herramienta implantó precios automatizados por IA y logró resultados sobresalientes:

• 18% de margen medio superior gracias a precios más precisos
• 25% más rápido en preparar ofertas gracias a la evaluación automática
• 12% más pedidos ganados por mejor relación calidad-precio
• Riesgos reducidos por valoración sistémica de riesgos

El gerente: “Antes fijábamos precios por intuición. Hoy es ciencia, y los resultados son mucho mejores.”

Eso es el poder de la fijación de precios basada en datos: logros medibles con menos riesgos.

Retos y soluciones en la implantación

Seamos sinceros: el cálculo de costes basado en IA no es solo historias de éxito y luz de sol. Toda innovación trae sus retos, y la IA los tiene especialmente complejos.

Pero no se preocupe: la mayoría de obstáculos se conocen y son evitables. Aquí los principales y los caminos más probados para resolverlos.

Reto 1: Calidad y disponibilidad de los datos

El problema: La IA es solo tan buena como los datos que recibe. Muchas empresas subestiman lo fragmentados e incompletos que están sus datos de coste.

Ejemplo real: una empresa media quería controlar los costes de producción en tiempo real. Problema: el consumo de materiales estaba en tres sistemas distintos, los tiempos de máquina se anotaban a mano y el gasto energético se tomaba solo una vez al mes.

La solución: Consolidación paulatina de datos, no un “big bang”

1. Auditoría de datos: ¿Dónde y en qué calidad están los datos?
2. Detectar quick-wins: Arrancar con los mejores datos disponibles
3. Cerrar brechas de datos paso a paso: sensores e integración en paralelo
4. Monitoreo de calidad de datos continuo: Data Quality Checks automatizados

Consejo práctico: empiece por un área o línea de productos. La perfección llega con el tiempo; el avance importa más que la completitud.

Reto 2: Integración técnica con sistemas antiguos

El problema: Su sistema ERP lleva 15 años, el software de control de máquinas 10 años y no están conectados. ¿Cómo puede la IA integrarse aquí?

El 80% de nuestros clientes tiene este escenario. Los sistemas legados no son un problema, son la realidad.

La solución: Middleware e integración mediante APIs

Un fabricante de maquinaria especial contó: “Pensábamos que nuestro software antiguo era un obstáculo insalvable. Sin embargo, tras ocho semanas todo funcionaba junto, sin cambiar ni una línea del ERP.”

Reto 3: Aceptación del equipo y gestión del cambio

El problema: “¡La IA nos quitará el trabajo!” – Este miedo es real y comprensible. Si se pretende suplir a personas con algoritmos, la resistencia está garantizada.

La solución: Comunicar la IA como complemento, no reemplazo

Las implantaciones exitosas siguen un principio: la IA no sustituye, permite a las personas dedicarse a tareas de mayor valor.

• Comunicación transparente: ¿Qué cambia concretamente y para quién?
• Desarrollo de habilidades: Capacitación en el uso de la IA
• Nuevos roles: Del “recopilador de datos” al analista
• Celebre los quick-wins: Visibilice los primeros éxitos

Un controller nos contó: “Al principio temía sobrar. Ahora analizo tendencias estratégicas en vez de solo rellenar hojas Excel. Mucho más interesante.”

Reto 4: Requisitos legales y de compliance

El problema: RGPD, secretos empresariales, auditorías… ¿cómo asegurar que la IA cumple todo?

Esto preocupa en sectores especialmente regulados.

La solución: Implementar Compliance by Design

• Minimización de datos: Solo procesar lo necesario
• Procesamiento local: Los datos sensibles permanecen en la empresa
• Rastro de auditoría: Cada decisión de la IA documentada
• Control de accesos: Permisos según rol
• Anonimización: Identificadores personales ocultos

Reto 5: Demostrar ROI y aprobación presupuestaria

El problema: “Suena bien, pero ¿cuánto cuesta y en cuánto tiempo compensa?” – Una pregunta legítima de cualquier dirección.

La solución: Business case por etapas con metas intermedias mensurables

Los proyectos IA exitosos empiezan por pequeños pilotos, no por inversiones millonarias:

1. Fase Piloto (3 meses): Un área, objetivos claros
2. Fase de escalado (6 meses): Expansión tras comprobar éxito
3. Fase transformadora (12+ meses): Integración completa

Plazos típicos de ROI según nuestra experiencia:

• 6-9 meses para seguimiento en tiempo real de costes
• 12-18 meses para fijación de precios por IA
• 18-24 meses para cálculo de costes totalmente automatizado

Éxito en la implantación: el plan de 5 puntos

De decenas de implantaciones exitosas extraemos cinco claves críticas:

1. Apoyo ejecutivo: la dirección debe respaldar el proyecto plenamente
2. Equipos multifuncionales: desde IT hasta ventas, todos integrados desde el principio
3. Implementación ágil: trabajo en sprints de 2 semanas, no grandes proyectos anuales
4. Expertise externo: escoja partners que dominen IA y su sector
5. Mejora continua: la IA aprende, sus procesos también deben hacerlo

Un CEO lo resumió así: “El reto mayor no era la tecnología, era atrevernos a empezar. Hoy lo habríamos hecho antes.”

ROI y medición del éxito: Qué puede esperar

Vamos a los números que realmente importan. Porque con toda la pasión por la tecnología, todo depende de una cuestión: ¿Merece la pena el esfuerzo?

La buena noticia: el cálculo de costes basado en IA es de las pocas aplicaciones con efectos de negocio duros y medibles rápido. No alzas difusas de productividad, sino ahorros concretos en euros.

Éxitos medibles: Lo que consiguen nuestros clientes

Seamos honestos: cada empresa es distinta. Pero tras más de 50 implantaciones, vemos patrones claros en el retorno de la inversión.

Efectos directos (medibles en 3-6 meses):

• 15-25% menos trabajo de post-cálculo gracias a presupuestos más precisos
• 8-12% mayor ratio de éxito en ofertas por precios optimizados
• 20-30% más rapidez en preparar ofertas por procesos automáticos
• 5-8% menos desperdicio de material y energía gracias a monitorización en tiempo real

Efectos indirectos (perceptibles en 6-12 meses):

• Mejor planificación de capacidad gracias a proyecciones de costes exactas
• Decisiones de inversión fundamentadas basadas en datos de tiempo real
• Gestión de riesgos proactiva en vez de remedios tardíos
• Más motivación del equipo al reducir tareas repetitivas

Ejemplos concretos de ROI

Caso 1: Metalurgia, 180 empleados

Punto de partida: cálculo de costes mensual, frecuentes ajustes, erosión del margen del 12% en pedidos urgentes

Caso 2: Maquinaria especial, 95 empleados

El foco estuvo en reducir riesgos y presupuestar mejor proyectos complejos:

• Inversión año 1: 68.000 euros
• Ahorro año 1: 145.000 euros
• ROI: 213%
• Tiempo de recuperación: 5,6 meses

El gerente: “La IA nos salvó de dos proyectos deficitarios: eso solo ya valía más que toda la inversión.”

¿Qué determina su ROI?

No todas las empresas logran lo mismo. Cinco factores clave influyen en el éxito:

1. Situación de partida

Cuanto más manual e inexacto sea actualmente su cálculo, mayor margen de mejora. Quienes aún usan Excel suelen percibir más beneficio que quienes ya están digitalizados.

2. Complejidad de productos

En productos estándar el efecto es menor que en piezas a medida, ya que la incertidumbre de cálculo –y el potencial de mejora– es mayor.

3. Entorno de mercado

En mercados volátiles, con precios de materiales o energía fluctuantes, la IA se nota más. En mercados estables el beneficio es más moderado.

4. Calidad de la implantación

La mejor tecnología no sirve sin buena ejecución. Los que se apoyan en expertos alcanzan un ROI 40-60% superior a los que van por libre.

5. Calidad de los datos

Datos limpios y consistentes son imprescindibles; una mala calidad puede reducir el ROI un 30-50%.

Métricas de éxito: estos KPIs le muestran el avance

¿Cómo medir si la IA está funcionando? Estos indicadores han demostrado su eficacia:

Indicadores a corto plazo (1-3 meses):

• Disponibilidad del sistema: Más del 99% activo
• Calidad de datos: Menos del 2% de registros erróneos
• Adopción de usuarios: Más del 80% de uso activo
• Tiempo de cálculo: Reducción de al menos el 50%

Indicadores a medio plazo (3-12 meses):

• Precisión de cálculo: Desviación entre previsto y real inferior al 5%
• Éxito en ofertas: 15-25% más pedidos ganados
• Estabilidad de margen: 8-15% menos ajustes posteriores
• Tiempo de reacción: Cálculo de pedidos urgentes en 2 horas

Indicadores a largo plazo (12+ meses):

• Rentabilidad total: 10-20% mayor margen EBITDA
• Posición en el mercado: ganar pedidos que antes se perdían
• Reducción de riesgos: 50-70% menos proyectos con pérdidas
• Satisfacción del equipo: menos tareas repetitivas, más análisis

Expectativas realistas: lo que la IA puede y no puede hacer

Sincerémonos: la IA no es una varita mágica. Los casos exitosos fijan expectativas realistas:

Lo que la IA sí logra:

• Cálculo preciso de costes basándose en históricos
• Detección de patrones y anomalías
• Automatización de cálculos rutinarios
• Proyecciones basadas en tendencias

Lo que la IA no puede hacer:

• Predecir shocks políticos o económicos
• Reparar procesos empresariales defectuosos automáticamente
• Sustituir las decisiones empresariales humanas
• Funcionar sin datos de calidad

Un jefe de proyectos con experiencia lo expresó así: “La IA no nos hace adivinos, pero sí mejores decisores.”

Ese es el verdadero ROI del cálculo de costes con IA: decisiones mediblemente mejores y resultados visibles en euros y céntimos.

Preguntas frecuentes

¿Cuánto tiempo lleva implantar un sistema de cálculo de costes con IA?

La implantación suele hacerse en tres fases: piloto (6-8 semanas), escalado (12-16 semanas) y transformación (según tamaño de empresa). Los primeros resultados mensurables se ven en 4-6 semanas. El ROI completo en 6-12 meses.

¿Qué calidad de datos se requiere para el cálculo de costes con IA?

No necesita datos perfectos para empezar. Una calidad del 70-80% basta para los primeros éxitos. Es clave registrar de forma consistente el consumo de materiales, horas de trabajo y costes de máquina. La IA ayuda a limpiar los datos detectando anomalías y errores.

¿Cuánto cuesta el cálculo de costes con IA?

La inversión varía según tamaño y complejidad de la empresa. Para empresas de 50-200 empleados, la inversión inicial va de 60.000 a 150.000 euros. Los costes recurrentes son el 15-25% de la inversión inicial al año. El ROI típico es del 200-300% en el primer año.

¿Mi ERP antiguo es compatible con el cálculo de costes por IA?

Sí, los sistemas de IA modernos funcionan con APIs y middleware. Incluso instalaciones SAP de 15 años o ERPs sectoriales pueden conectarse. En el 90% de los casos no se requiere modificar el ERP existente.

¿Con qué precisión pronostica costes la IA?

Un sistema de IA bien entrenado logra una precisión del 92-97% en productos estándar y del 85-92% en pedidos especiales. Eso supera claramente los métodos tradicionales (70-85%). Más datos y entrenamiento aumentan la precisión.

¿Qué sectores se benefician más del cálculo de costes por IA?

Los más beneficiados son los de alta diversidad de producto: ingeniería mecánica, proveedores automotrices, metalurgia, electrónica personalizada y piezas únicas. También la producción seriada se beneficia optimizando el análisis de materiales y energía.

¿Están seguros mis datos con el cálculo de costes por IA?

Los sistemas actuales procesan datos localmente (On-Premise) o en clouds alemanas. Todos los datos permanecen en Alemania/UE. Con cifrado, controles de acceso y registros de auditoría, sus datos están más seguros que en Excel en PCs locales.

¿Necesito personal adicional para el cálculo de costes por IA?

No, la IA suele reducir el personal dedicado a tareas rutinarias. Los controllers actuales pasan a analizar y optimizar en vez de recopilar datos. Un responsable a tiempo parcial u integrado en IT suele ser suficiente para administrar la IA.

¿Qué pasa si hay caídas de servidor o problemas técnicos?

Los sistemas profesionales de IA tienen backups integrados. Ante fallos activan modos de contingencia con los últimos valores calculados. Además, las apps móviles permiten cálculos offline en emergencias. Disponibilidades del 99,5% o más son estándar.

¿En cuánto tiempo puedo aprender a usar el cálculo de costes con IA?

La mayoría de usuarios necesita 2-3 días de formación para las funciones básicas. Las funciones avanzadas requieren 1-2 días más. Los sistemas actuales son intuitivos: si maneja Excel, podrá manejar los paneles de IA.