Índice de contenido
- Introducción: La presión de decisión sobre IA en las medianas empresas
- 1. «¿Cómo protegen nuestros datos?» – Protección de datos como fundamento
- 2. «¿Qué tan transparente funciona su IA?» – Transparencia y explicabilidad
- 3. «¿Cómo se integra su solución en nuestro entorno de TI existente?» – Compatibilidad e integración
- 4. «¿Qué costos ocultos nos esperan?» – Transparencia total de costos
- 5. «¿Cómo nos apoyan durante la implementación?» – El camino hacia el uso productivo
- 6. «¿Qué tan a prueba de futuro es su tecnología?» – Escalabilidad y evolución tecnológica
- 7. «¿Qué sucede en caso de problemas?» – Soporte y nivel de servicio
- 8. «¿Cómo cumplen con los requisitos regulatorios actuales y futuros?» – Cumplimiento y seguridad jurídica
- 9. «¿Pueden mostrar referencias de nuestro sector?» – Experiencia y evidencia
- 10. «¿Cómo será nuestra colaboración a largo plazo?» – Asociación en lugar de venta
- La lista de verificación completa: Su guía para la próxima negociación
- Conclusión: Tomar decisiones informadas
- Preguntas frecuentes
La elección del proveedor adecuado de IA es hoy comparable a la selección de un socio estratégico de negocio – con consecuencias de gran alcance para su competitividad. Para las empresas medianas, esta elección es particularmente trascendental: sin equipos especializados en IA, deben poder confiar en la experiencia y fiabilidad de su proveedor.
Los hechos hablan por sí mismos: según la encuesta de Bitkom 2024, el 62% de las empresas medianas alemanas planean implementar soluciones de IA antes de finales de 2025. Al mismo tiempo, un estudio actual de Deloitte muestra que el 67% de las implementaciones de IA no proporcionan los resultados esperados. La razón principal: falta de diligencia en la selección del proveedor.
Como consultores experimentados en implementaciones de IA para el segmento de medianas empresas, en Brixon AI hemos visto repetidamente lo cruciales que son las preguntas correctas antes de firmar un contrato. Estas 10 preguntas esenciales para potenciales proveedores de IA le ayudarán a separar el grano de la paja y encontrar un socio que fortalezca sosteniblemente el éxito de su empresa.
1. «¿Cómo protegen nuestros datos?» – Protección de datos como fundamento
El manejo de sus datos empresariales no es solo una cuestión técnica, sino también existencial. Según un estudio de KPMG de 2024, solo el 32% de los proveedores de IA cumplen completamente con todos los requisitos del RGPD – un valor alarmante dado el drástico aumento de las multas por infracciones de protección de datos.
Requisitos específicos del RGPD para sistemas de IA
Pregunte específicamente sobre la base legal para el procesamiento de datos por parte de la IA. ¿Se utilizan datos personales para el entrenamiento? ¿Existe una evaluación de impacto de protección de datos (EIPD) para el sistema de IA? Un proveedor serio puede responder a estas preguntas de manera clara y transparente.
Especialmente relevante: desde la aprobación del EU AI Act, se aplican obligaciones de transparencia más estrictas para los sistemas de IA. Por lo tanto, solicite información sobre la hoja de ruta de cumplimiento del proveedor.
La cuestión de la propiedad de los datos y los derechos de uso
¿Su empresa sigue siendo propietaria de todos los datos alimentados? ¿Se utilizará su información para entrenar otros modelos? Una directriz del BSI recomienda establecer estos puntos explícitamente en el contrato. No asuma que esto es obvio – las consultas a menudo revelan sorprendentes lagunas en los contratos estándar.
Ubicaciones de datos y transferencias internacionales
Tras la sentencia Schrems II y el fin del Privacy Shield, la cuestión de dónde se almacenan sus datos es más crítica que nunca. Pregunte específicamente por:
- Ubicaciones de todos los centros de datos que procesan sus datos
- Garantías para el procesamiento exclusivo en la UE/EEE (si es necesario)
- Medidas técnicas y organizativas para proteger contra accesos no autorizados
Lista de verificación práctica: Cómo comprobar el cumplimiento del RGPD
Solicite al proveedor las siguientes pruebas:
- Certificado ISO 27001 actualizado
- Principios documentados de Privacy by Design
- Contrato de procesamiento de datos (DPA) según el Art. 28 RGPD
- Prueba de tests de penetración regulares
- Evaluación de impacto de protección de datos para la IA utilizada
Según la Oficina Federal de Seguridad de la Información (BSI), en 2024 registramos un aumento del 45% en incidentes de seguridad relacionados con sistemas de IA. Esto subraya la necesidad de tratar la protección de datos y la seguridad como criterios fundamentales de selección.
2. «¿Qué tan transparente funciona su IA?» – Transparencia y explicabilidad
La infame «caja negra» ya no es un riesgo aceptable en muchos sectores. Un análisis de Gartner predice que hasta 2025, alrededor del 85% de los proyectos de IA producirán resultados erróneos – debido a sesgos en datos o algoritmos. Pero, ¿cómo garantizar la transparencia?
Caja negra vs. IA transparente: La base para la toma de decisiones
Infórmese sobre los mecanismos concretos con los que el proveedor hace transparentes los procesos de decisión de su IA. Las soluciones avanzadas ofrecen hoy puntuaciones de confianza que evalúan la fiabilidad de una recomendación de IA, o funciones de IA explicable (XAI) que visualizan los caminos de decisión.
Un ejemplo práctico: si la IA en su empresa debe evaluar la solvencia crediticia, debe ser comprensible por qué un cliente se considera solvente y otro no. Sin esta transparencia, no solo se expone a riesgos legales, sino que también pierde el control sobre procesos comerciales críticos.
Posibilidades de auditoría y trazabilidad
Pregunte específicamente por pistas de auditoría y mecanismos de registro. Un estudio del MIT muestra que los sistemas de IA con funciones de auditoría robustas producen hasta un 40% menos de decisiones erróneas. Concretamente, debería saber:
- ¿Se registran todas las decisiones de la IA?
- ¿Se pueden reconstruir las rutas de decisión?
- ¿Hay posibilidades de auditorías independientes?
- ¿Cómo se documentan las actualizaciones del modelo?
Sesgo y equidad: Puntos críticos de verificación
La cuestión del sesgo en los sistemas de IA no es una discusión académica, sino un riesgo empresarial real. El EU AI Act clasifica los sistemas de IA discriminatorios como de alto riesgo – con las correspondientes obligaciones para los operadores.
Pregunte al proveedor específicamente:
- ¿Cómo se comprueban los datos de entrenamiento en busca de sesgos?
- ¿Qué métodos utilizan para verificar la equidad?
- ¿Pueden presentar pruebas demográficas?
Consejo para tomadores de decisiones: Así se prueba la explicabilidad en la demo
En la demostración del producto, debe preguntar específicamente sobre la trazabilidad. Pida al proveedor que explique el proceso de decisión de la IA utilizando un ejemplo típico de su sector. Preste atención a si la explicación:
- Es comprensible para no técnicos
- Nombra factores de influencia concretos
- Funciona también en escenarios complejos
- Está integrada en la interfaz de usuario
Esta prueba práctica a menudo desenmascara promesas teóricas de transparencia que no cumplen lo que prometen en el día a día.
3. «¿Cómo se integra su solución en nuestro entorno de TI existente?» – Compatibilidad e integración
La integración técnica es a menudo el mayor obstáculo práctico en los proyectos de IA. Un estudio de IDG de 2024 muestra que el 58% de las empresas medianas citan los desafíos de integración como el mayor obstáculo en la implementación de IA.
Interfaces API y compatibilidad estándar
La calidad y documentación de las APIs determina significativamente el esfuerzo de implementación. Haga preguntas concretas sobre:
- Disponibilidad de APIs REST, GraphQL o SOAP
- Soporte de estándares industriales (p.ej. ONNX para modelos ML)
- Documentación pública de API y recursos para desarrolladores
- Límites de tasa y garantías de rendimiento
Una señal positiva: los proveedores que ofrecen documentación pública, SDKs y código de ejemplo a menudo demuestran su madurez de integración.
Desafíos con sistemas heredados
Especialmente en empresas medianas, las estructuras de TI establecidas con sistemas propietarios no son infrecuentes. Según un estudio de Capgemini, el 62% de las iniciativas de IA fracasan debido a una integración insuficiente con sistemas heredados.
Confronte al proveedor con su panorama específico de sistemas y pregunte por:
- Experiencias con escenarios de integración similares
- Implementaciones de referencia en entornos comparables
- Adaptaciones necesarias a sus sistemas existentes
- Soluciones de middleware o conectores para sistemas más antiguos
On-premise vs. Cloud: Criterios de decisión
La opción de despliegue tiene consecuencias de gran alcance – técnica y económicamente. Desde 2023, cada vez más proveedores ofrecen modelos híbridos que pueden combinar ventajas de ambos mundos.
Compruebe los siguientes aspectos:
Criterio | On-premise | Cloud | Híbrido |
---|---|---|---|
Protección de datos | Máxima | Depende del proveedor | Configurable |
Tiempo de implementación | 3-9 meses | 2-8 semanas | 4-12 semanas |
Esfuerzo de mantenimiento | Alto | Mínimo | Moderado |
Escalabilidad | Limitada | Máxima | Flexible |
Modelo de inversión | CAPEX | OPEX | Mixto |
Mejor práctica: La hoja de ruta de integración
Solicite al proveedor un plan de integración concreto con:
- Fase de análisis técnico detallada (2-4 semanas)
- Hitos claros y dependencias
- Requisitos de recursos para su equipo interno
- Fases de prueba y medidas de control de calidad
- Estrategias de rollback en caso de problemas
Un proveedor serio no hará promesas generales, sino que insistirá en un análisis exhaustivo del sistema. No se deje deslumbrar por promesas poco realistas – una integración sólida requiere tiempo y planificación cuidadosa.
4. «¿Qué costos ocultos nos esperan?» – Transparencia total de costos
La dificultad en los proyectos de IA a menudo radica en los detalles financieros. Un estudio de Forrester Research muestra que los costos reales de las implementaciones de IA están, en promedio, un 43% por encima de las planificaciones presupuestarias originales. La transparencia aquí no es un lujo, sino una necesidad económica.
Estructuras de costos típicas en implementaciones de IA
Obtenga claridad sobre el modelo completo de costos. La Fundación Bertelsmann identificó en 2024, en un estudio sobre IA en empresas medianas, los siguientes bloques típicos de costos:
- Costos de licencias (35-40% del costo total)
- Implementación e integración (20-25%)
- Preparación y migración de datos (15-20%)
- Capacitación y gestión del cambio (10-15%)
- Mantenimiento y soporte continuos (10-15%)
Preste especial atención a la estructura de precios para actualizaciones, servicios de soporte y la incorporación de nuevos usuarios, ya que aquí a menudo se esconden costos ocultos.
La verdad sobre modelos de licencia y uso
En las soluciones de IA existen hoy diferentes modelos de facturación, que pueden significar diferencias de costos considerables:
- Basado en usuario: Costos por usuario (el más común)
- Basado en transacciones: Costos por consulta o acción de IA
- Basado en volumen: Costos según la cantidad de datos procesados
- Basado en resultados: Costos vinculados a resultados medibles
- Híbrido: Combinaciones de los modelos anteriores
Pregunte específicamente sobre escenarios con uso creciente y pida que se muestre la evolución de costos de manera transparente. Compruebe también los plazos y condiciones de rescisión – opciones de salida flexibles pueden ser más valiosas a largo plazo que descuentos a corto plazo.
Costos de escalado: Cuando el éxito se vuelve costoso
Una implementación exitosa de IA casi siempre lleva a un mayor uso – un efecto positivo que, sin embargo, debe calcularse en términos de costos. Capgemini informa que los costos operativos de los sistemas de IA aumentan un promedio del 30% en el segundo año, principalmente debido al uso ampliado.
Pida que le calculen un escenario de escalado: ¿Cuánto costará la solución si
- el número de usuarios aumenta un 50%?
- el volumen de datos se duplica?
- se necesitan módulos o funciones adicionales?
Verifique también si el proveedor ofrece descuentos por volumen o licencias empresariales que puedan activarse con un uso creciente.
Cálculo del ROI: Así determina el valor real para el negocio
Pida al proveedor cálculos de ROI específicos del sector y métricas concretas. Un análisis de McKinsey de 2024 muestra que las implementaciones exitosas de IA en empresas medianas logran un aumento promedio de productividad del 15-25% – pero este valor varía mucho según el área de aplicación y el sector.
Los proveedores serios le ayudarán a crear un caso de negocio realista que tenga en cuenta los siguientes factores:
- Ahorro de tiempo en horas-persona
- Mejoras de calidad y reducción de errores
- Ganancias de capacidad en equipos existentes
- Tiempos de procesamiento reducidos en procesos críticos
- Ventajas competitivas por decisiones más rápidas
Insista en KPIs concretos y medibles en lugar de vagas promesas de eficiencia. Un socio que evita esto o no ha entendido su contribución de valor o no quiere hacerla transparente – ambas son señales problemáticas.
5. «¿Cómo nos apoyan durante la implementación?» – El camino hacia el uso productivo
La fase de implementación es decisiva para el éxito o fracaso de un proyecto de IA. Un estudio del Boston Consulting Group identifica la falta de apoyo en la implementación como la segunda razón más común para el fracaso de iniciativas de IA en empresas medianas.
De la teoría a la práctica: Modelos de implementación
Los proveedores de IA siguen diferentes enfoques en la implementación – desde el simple «Aquí está tu clave API» hasta la gestión completa del proyecto. Para empresas medianas sin especialistas propios en IA, un proceso acompañado suele ser esencial.
Pregunte específicamente por:
- Plan de implementación detallado con cronograma
- Responsabilidades (¿Qué proporciona el proveedor, qué su empresa?)
- Recursos internos requeridos (TI, departamentos especializados, gerencia)
- Enfoque formalizado de gestión de proyectos
- Gestión de riesgos y estrategias de respaldo
Especialmente valioso: los proveedores que ofrecen una fase dedicada de implementación con gestores de éxito del cliente registran, según Forrester Research, una tasa de éxito un 64% mayor en proyectos de IA.
Gestión del cambio y aceptación por los empleados
La integración técnica es solo la mitad del trabajo – la integración organizativa decide sobre el uso real. Un estudio actual del MIT muestra que en proyectos de IA fallidos, en el 71% de los casos no fueron problemas técnicos, sino la falta de aceptación por parte de los usuarios lo determinante.
Pregunte sobre el concepto de gestión del cambio del proveedor:
- Medidas para la participación de departamentos especializados
- Concepto de comunicación para diferentes stakeholders
- Manejo de preocupaciones y resistencias
- Métodos para medir y promover la adopción
Una buena señal: proveedores que entienden la gestión del cambio no como un ítem separado, sino como parte integral de la implementación y planifican los recursos correspondientes.
Conceptos de formación y capacitación
La formación efectiva reduce considerablemente el tiempo hasta obtener valor. Según un análisis de PwC, los programas de formación completos reducen el tiempo de adaptación productiva en herramientas de IA un promedio del 60%.
Discuta con el proveedor los siguientes aspectos:
- Formatos: ¿Qué formatos de formación se ofrecen? (Webinars, talleres, formación 1:1)
- Grupos objetivo: ¿Hay formaciones especializadas para diferentes grupos de usuarios?
- Materiales: ¿Qué documentación y recursos de aprendizaje están disponibles?
- Idioma: ¿Están disponibles las formaciones en su idioma corporativo?
- Sostenibilidad: ¿Hay ofertas de formación continuas para nuevos empleados?
Caso de estudio: Implementación exitosa de IA en una empresa mediana
Los conceptos teóricos deberían reflejarse en historias reales de éxito. Pida al proveedor casos de estudio concretos de su industria con:
- Situación inicial detallada y objetivos
- Descripción del proceso de implementación
- Desafíos reales encontrados y su solución
- Resultados medibles y plazo hasta el ROI
- Posibilidad de contactar directamente con el cliente de referencia
Un ejemplo: un fabricante mediano de maquinaria pudo reducir el tiempo necesario para la creación de ofertas en un 62% mediante la implementación estructurada de una solución de documentación basada en IA – pero solo después de una fase intensiva de introducción de seis semanas con gestión del cambio dirigida.
6. «¿Qué tan a prueba de futuro es su tecnología?» – Escalabilidad y evolución tecnológica
La vida media de las tecnologías de IA se acorta constantemente. Según un estudio reciente de Stanford, el rendimiento de los modelos de IA líderes se duplica actualmente cada 3.4 meses – un ritmo que hace central la cuestión de la seguridad futura de su inversión.
Hoja de ruta tecnológica y política de actualizaciones
La transparencia sobre desarrollos futuros es un indicador decisivo para una asociación a largo plazo. Pregunte específicamente por:
- Hoja de ruta documentada del producto para los próximos 12-24 meses
- Ciclos y procesos de actualización
- Política sobre cambios disruptivos y su gestión
- Incorporación del feedback de clientes en el desarrollo del producto
- Programas beta y posibilidades de acceso anticipado
Una señal positiva: proveedores que comunican de manera transparente qué funciones están en desarrollo, cómo se involucra a los clientes en este proceso y cómo se implementan las actualizaciones en operación continua.
Flexibilidad ante requisitos crecientes
Su empresa y sus requisitos evolucionarán – ¿puede la solución de IA mantenerse al día? Considere estos aspectos:
- Modularidad: ¿Se pueden añadir funciones de forma flexible?
- Reservas de capacidad: ¿Cuánto crecimiento es posible sin cambio de sistema?
- Escalado de rendimiento: ¿Cómo se comporta el rendimiento con carga creciente?
- Adaptabilidad: ¿Se pueden configurar flujos de trabajo y procesos sin desarrolladores?
Según una encuesta de IDC, el 37% de las empresas medianas cambian de proveedor de IA dentro de los primeros dos años – principalmente debido a la falta de escalabilidad ante requisitos crecientes.
Evitar el vendor lock-in: Estrategias de salida
La forma más sencilla de protegerse contra sorpresas futuras es una estrategia de salida claramente definida. La Iniciativa D21 recomienda establecer contractualmente los siguientes puntos:
- Portabilidad de datos: ¿Cómo puede exportar sus datos?
- Formatos: ¿En qué formatos están disponibles las exportaciones?
- Asistencia: ¿Qué ayuda ofrece el proveedor durante la transición?
- Costos: ¿Hay tarifas adicionales por la extracción de datos?
- Plazos: ¿Cuánto tiempo permanecen disponibles sus datos después de la terminación?
Los proveedores serios no evitan esta conversación – al contrario: entienden que las opciones transparentes de salida fortalecen la confianza en la relación a largo plazo.
Seguridad futura en un panorama de IA de rápida evolución
El análisis actual de Gartner sobre el desarrollo del mercado de IA muestra: solo el 26% de los proveedores de IA clasificados como «líderes» en 2021 pudieron mantener esta posición en 2024. Esto subraya la importancia de una evaluación orientada al futuro.
Considere estos indicadores para proveedores a prueba de futuro:
- Inversión continua en I+D (>20% de los ingresos)
- Participación activa en investigación y estándares (publicaciones, conferencias)
- Asociaciones con proveedores tecnológicos líderes
- Estabilidad financiera y modelo de negocio sostenible
- Clientes de referencia con historias de éxito a largo plazo (>3 años)
7. «¿Qué sucede en caso de problemas?» – Soporte y nivel de servicio
El caso de soporte es el momento de la verdad en cualquier relación comercial. Un análisis de Forrester muestra que las empresas con aplicaciones de IA críticas para la producción experimentan un promedio de 4,3 casos graves de soporte por año – tendencia creciente con la complejidad de la implementación.
Examinando los SLAs detenidamente
Los Acuerdos de Nivel de Servicio definen de manera vinculante qué apoyo puede esperar. Preste atención no solo a los números, sino también a la definición de los términos:
- ¿Cómo se mide la «disponibilidad»? (período de observación, tiempos de inactividad)
- ¿Qué cuenta como «incidente crítico» y qué no?
- ¿Qué compensación recibe si no se cumplen los SLAs?
- ¿Están las ventanas de mantenimiento planificadas excluidas del cálculo de disponibilidad?
Según un estudio de KPMG, solo el 47% de los proveedores de IA en el segmento de empresas medianas ofrecen auténticos SLAs con mecanismos de compensación – un importante factor diferenciador para proveedores profesionales.
Tiempos de respuesta y vías de escalación
En aplicaciones críticas para el negocio, cada minuto cuenta. Aclare concretamente:
Prioridad | Definición | Tiempo de respuesta | Tiempo de resolución |
---|---|---|---|
Crítico (P1) | Fallo del sistema, sin soluciones provisionales posibles | < 30 minutos | < 4 horas |
Alto (P2) | Restricción funcional considerable | < 2 horas | < 8 horas |
Medio (P3) | Funcionalidad limitada, solución provisional disponible | < 4 horas | < 2 días laborables |
Bajo (P4) | Impacto menor | < 1 día laborable | < 5 días laborables |
Pregunte adicionalmente por:
- ¿Soporte 24/7 o en horario comercial?
- ¿Soporte en español?
- ¿Acceso directo a expertos o sistema de tickets multinivel?
- ¿Vías claras de escalación si la solución no es satisfactoria?
Garantías de disponibilidad y su significado
El frecuentemente citado «99,9% de disponibilidad» se traduce en casi 9 horas de posible tiempo de inactividad por año – posiblemente demasiado para aplicaciones críticas. Un estudio del Instituto Fraunhofer muestra que cada hora de inactividad del sistema de IA en entornos productivos causa costos promedio de 8.500€.
Evalúe las garantías de disponibilidad siempre en el contexto de su modelo de negocio:
- 99,5% = 43,8 horas de inactividad/año
- 99,9% = 8,76 horas de inactividad/año
- 99,95% = 4,38 horas de inactividad/año
- 99,99% = 52,6 minutos de inactividad/año
Verifique también si existen garantías separadas para diferentes componentes del sistema y cómo se calcula la disponibilidad total.
Verificación por expertos: Así se comprueba la sustancia de las promesas de soporte
Pruebe el soporte ya antes de firmar el contrato – un truco probado de los tomadores de decisiones de TI experimentados:
- Plantee una pregunta técnica compleja durante la fase de evaluación
- Observe el tiempo de respuesta, competencia y orientación a soluciones
- Compruebe la accesibilidad en diferentes momentos del día
- Pida una demostración del sistema de tickets o soporte
- Pregunte a clientes actuales específicamente sobre sus experiencias con el soporte
Según IDC, la calidad del soporte en la fase de evaluación se correlaciona en un 82% con la posterior satisfacción del cliente – un fuerte indicador para la colaboración futura.
8. «¿Cómo cumplen con los requisitos regulatorios actuales y futuros?» – Cumplimiento y seguridad jurídica
El panorama regulatorio para la IA está cambiando rápidamente. Con la entrada en vigor del EU AI Act en 2024 y su implementación gradual hasta 2025, las empresas se enfrentan a nuevos requisitos de cumplimiento que deben considerarse ya en la selección del proveedor.
EU AI Act: Impacto en su implementación de IA
El EU AI Act categoriza los sistemas de IA por clases de riesgo – desde «mínimo» hasta «inaceptable». Dependiendo del propósito de su solución de IA planificada, se aplican diferentes requisitos.
Pregunte al proveedor específicamente:
- ¿En qué clase de riesgo del EU AI Act se clasifica la solución ofrecida?
- ¿Qué medidas específicas de cumplimiento se han implementado?
- ¿Existe una metodología documentada de Evaluación de Impacto de IA?
- ¿Cómo se garantiza la supervisión humana (Human Oversight)?
- ¿Cómo se cumplen los requisitos de transparencia para IA de alto riesgo?
Un estudio de la Universidad de St. Gallen estima que hasta finales de 2025, aproximadamente el 35% de todos los sistemas de IA utilizados en la UE serán clasificados como «alto riesgo» – con las correspondientes obligaciones de documentación y pruebas.
Regulaciones específicas del sector y su cumplimiento
Además de las regulaciones horizontales como el EU AI Act, existen requisitos específicos del sector que pueden ser relevantes según su industria:
Sector | Regulaciones relevantes | Requisitos específicos |
---|---|---|
Servicios financieros | MiFID II, Basilea IV | Validación de modelos, auditabilidad |
Salud | MDR, IVDR | Validación clínica, evaluación de riesgos |
Manufactura | ISO/IEC 42001 | Gestión de calidad de IA, seguridad de procesos |
Automotriz | UNECE WP.29 | Seguridad funcional, ciberseguridad |
Pregunte específicamente si el proveedor tiene experiencia con los requisitos regulatorios relevantes en su sector y cómo se abordan estos en la solución.
Obligaciones de documentación y verificación
Con el aumento de la regulación, aumentan los requisitos de documentación. El EU AI Act prescribe documentación técnica extensa para sistemas de alto riesgo, que usted como operador debe mantener.
Aclare con el proveedor:
- ¿Qué documentación se entrega de forma estándar?
- ¿Hay informes y pruebas específicas de cumplimiento?
- ¿Cómo se documentan los cambios y actualizaciones del modelo?
- ¿Existen plantillas para sus procesos internos de cumplimiento?
Un análisis de McKinsey muestra que las empresas con documentación completa de IA dedican un promedio del 76% menos de tiempo a auditorías regulatorias – una ganancia de eficiencia significativa con requisitos de cumplimiento crecientes.
Proceso de cumplimiento: Adaptación continua a nuevos requisitos
El panorama regulatorio evoluciona constantemente. Pregunte sobre el proceso para garantizar el cumplimiento continuo:
- ¿Con qué frecuencia se realizan actualizaciones de cumplimiento?
- ¿Hay un equipo dedicado para requisitos regulatorios?
- ¿Se informa a los clientes sobre cambios relevantes?
- ¿Cómo se implementan ajustes regulatorios a corto plazo?
- ¿Existen planes de contingencia para restricciones regulatorias repentinas?
Una señal positiva: proveedores que no solo reaccionan a nuevas regulaciones, sino que participan proactivamente en asociaciones industriales y comités de estandarización para anticipar desarrollos futuros.
9. «¿Pueden mostrar referencias de nuestro sector?» – Experiencia y evidencia
Nada es más revelador que las experiencias de otros clientes. Una encuesta de IDC muestra que el 78% de las implementaciones exitosas de IA se basan en proveedores que ya tienen experiencia demostrable en el sector específico.
Identificar las referencias correctas
No toda referencia es relevante para su contexto. Preste especial atención a:
- Similitud en tamaño y complejidad de la empresa
- Sector comparable y escenarios de aplicación
- Situación tecnológica de partida similar
- Actualidad de la referencia (idealmente no más de 18 meses)
- Métricas y resultados de éxito verificables
Especialmente valiosas: referencias que cubren el ciclo de vida completo de la implementación, incluyendo desafíos y cómo se superaron.
Entender ejemplos de éxito específicos del sector
El baremo para el «éxito» varía considerablemente según el sector y caso de uso. Según un estudio de la Universidad de Mannheim, las métricas de éxito para implementaciones de IA difieren significativamente:
Sector | Métricas típicas de éxito | Benchmark |
---|---|---|
Manufactura | Reducción de desechos, aumento de productividad | 20-30% de ganancia en eficiencia |
Servicios financieros | Detección de fraude, velocidad de decisión | Procesos 40-60% más rápidos |
Comercio | Tasa de conversión, satisfacción del cliente | Conversión 15-25% más alta |
Servicios profesionales | Ahorro de tiempo, mejora de calidad | 30-50% de ganancia de tiempo |
Pregunte por benchmarks específicos del sector y cómo se comparan las implementaciones de referencia con ellos.
Reconocer señales de alarma en el historial del proveedor
Tan reveladoras como las historias de éxito son las señales de advertencia en el historial del proveedor. Las 5 principales señales de alarma según un análisis de la consultora Accenture:
- Falta de métricas concretas de resultados en casos de estudio
- Cambios frecuentes en la estrategia o posicionamiento del producto
- Fluctuación inusualmente alta de clientes
- Gran discrepancia entre promesas de marketing y feedback de clientes
- Falta de transparencia ante preguntas directas
Una prueba eficaz: pregunte al proveedor por un ejemplo de implementación que no haya ido de manera óptima y qué se aprendió de ello. La reacción a esta pregunta suele ser más reveladora que muchas historias de éxito.
Práctico: El método de 3 etapas para la validación de referencias
Para verificar referencias de manera efectiva, se ha probado este enfoque sistemático:
- Análisis de documentos: Revise casos de estudio, testimonios y feedback de clientes en busca de consistencia y resultados concretos.
- Conversaciones directas con referencias: Hable con al menos dos clientes existentes – idealmente sin la presencia del proveedor.
- Investigación independiente: Consulte fuentes independientes como informes de analistas (Gartner, Forrester), reseñas online o expertos del sector.
Para conversaciones directas con referencias, este catálogo de preguntas ha probado su eficacia:
- ¿Qué desafíos inesperados surgieron durante la implementación?
- ¿Qué tan rápido y efectivo fue el soporte para problemas críticos?
- ¿Qué promesas se cumplieron completamente y cuáles solo parcialmente?
- ¿Qué tan flexible respondió el proveedor a requisitos cambiantes?
- ¿Tomaría hoy la misma decisión de nuevo?
10. «¿Cómo será nuestra colaboración a largo plazo?» – Asociación en lugar de venta
La implementación exitosa de IA no es un sprint, sino un maratón. Un estudio de MIT Sloan muestra que el valor comercial completo de las soluciones de IA se realiza en promedio solo después de 14-18 meses – un período que presupone una relación estable y de colaboración.
De proveedor a socio estratégico
La calidad de una asociación a largo plazo a menudo se revela en los detalles. Preste atención a estos indicadores:
- ¿Hay un Gerente de Éxito del Cliente dedicado?
- ¿Se ofrecen revisiones de negocio regulares?
- ¿Existen vías de escalación a nivel de dirección?
- ¿Hay un sistema estructurado de feedback?
- ¿Cómo se mide y optimiza la creación continua de valor?
El Boston Consulting Group ha determinado en un estudio que las empresas con asociaciones estratégicas de IA tienen una probabilidad un 67% mayor de lograr ventajas competitivas sostenibles a través de la IA, en comparación con relaciones puras de proveedor-cliente.
Innovación y desarrollo conjunto
En el panorama de rápida evolución de la IA, la innovación continua es crucial. Pregunte por mecanismos concretos para el desarrollo conjunto:
- ¿Cómo se integran los deseos de los clientes en el desarrollo del producto?
- ¿Existe un método formalizado para la priorización de características?
- ¿Existen programas de co-innovación o labs?
- ¿Cómo se comparten las mejores prácticas entre clientes?
- ¿Hay una comunidad de usuarios activa o grupos de usuarios?
Una señal positiva: proveedores que han establecido procesos transparentes para recopilar, evaluar e implementar el feedback de los clientes y lo entienden como parte de su cultura empresarial.
Participación del cliente en el desarrollo del producto
Según un análisis de PwC, los sistemas de IA desarrollados con la participación activa de los usuarios tienen un 43% más de aceptación por parte de los usuarios que aquellos concebidos principalmente por técnicos.
Compruebe estas posibilidades concretas de participación:
- Consejos Asesores de Clientes con influencia en la estrategia del producto
- Programas de beta-testers para nuevas funciones
- Talleres de Design Thinking para feedback de usuarios
- Desarrollo conjunto de módulos específicos del sector
- Acceso a la hoja de ruta del producto y derecho a opinar
Especialmente valioso para empresas medianas: proveedores que ofrecen posibilidades reales de participación también a clientes pequeños y no solo privilegian a grandes clientes.
Establecer métricas de éxito a largo plazo
La medición continua del valor comercial es crucial para una asociación duradera. Un estudio de KPMG muestra que solo el 23% de las empresas miden sistemáticamente el ROI de sus inversiones en IA durante períodos más largos – un potencial perdido para la optimización.
Pregunte al proveedor por su enfoque para la medición del éxito a largo plazo:
- ¿Qué KPIs se miden típicamente para su solución?
- ¿Con qué frecuencia se revisan y ajustan las métricas de éxito?
- ¿Qué herramientas o dashboards están disponibles para medir el rendimiento?
- ¿Hay benchmarks de implementaciones comparables?
- ¿Cómo se implementa metodológicamente la mejora continua?
Un enfoque estructurado para la medición del éxito, que abarque tanto métricas técnicas (rendimiento del sistema, uso) como indicadores comerciales (ahorro de tiempo, mejora de calidad, satisfacción del cliente), es un fuerte indicador de una asociación orientada al valor.
La lista de verificación completa: Su guía para la próxima negociación
Para facilitar la aplicación práctica, hemos resumido las 10 preguntas clave con sus aspectos más importantes en una lista de verificación compacta. Utilícela en su próxima conversación con un proveedor potencial de IA.
Las 10 preguntas clave en resumen
- Protección de datos: «¿Cómo protegen nuestros datos?»
- Cumplimiento del RGPD y propiedad de datos
- Ubicaciones de datos y estándares de seguridad
- Certificaciones ISO y pruebas de penetración
- Transparencia: «¿Qué tan transparente funciona su IA?»
- Explicabilidad de decisiones
- Verificación de sesgo y equidad
- Auditabilidad y trazabilidad
- Integración: «¿Cómo se integra su solución en nuestro entorno de TI existente?»
- Interfaces API y compatibilidad estándar
- Integración con sistemas heredados
- Opciones On-premise vs. Cloud
- Costos: «¿Qué costos ocultos nos esperan?»
- Cálculo completo de TCO
- Modelos de licencia y uso
- Costos de escalado y cálculo de ROI
- Implementación: «¿Cómo nos apoyan durante la implementación?»
- Plan detallado de implementación
- Gestión del cambio y promoción de la aceptación
- Conceptos de formación y capacitación
- Seguridad futura: «¿Qué tan a prueba de futuro es su tecnología?»
- Hoja de ruta del producto y política de actualizaciones
- Escalabilidad para requisitos crecientes
- Estrategias de salida y evitación de vendor lock-in
- Soporte: «¿Qué sucede en caso de problemas?»
- SLAs y garantías de disponibilidad
- Tiempos de respuesta y vías de escalación
- Idiomas y horarios de soporte
- Cumplimiento: «¿Cómo cumplen con los requisitos regulatorios actuales y futuros?»
- EU AI Act y clasificación de riesgo
- Regulaciones específicas del sector
- Obligaciones de documentación y verificación
- Referencias: «¿Pueden mostrar referencias de nuestro sector?»
- Casos de uso comparables
- Conversaciones directas con referencias
- Evaluaciones independientes y valoraciones de analistas
- Asociación: «¿Cómo será nuestra colaboración a largo plazo?»
- Gestión de éxito del cliente
- Participación en el desarrollo del producto
- Medición continua de éxito y valor
Matriz de evaluación para múltiples proveedores
Para una comparación estructurada de varios proveedores, recomendamos una matriz de evaluación. Pondere los criterios según las prioridades específicas de su empresa en una escala de 1-5:
Criterio | Ponderación | Proveedor A | Proveedor B | Proveedor C |
---|---|---|---|---|
Protección de datos | [Su ponderación] | [Evaluación] | [Evaluación] | [Evaluación] |
Transparencia | [Su ponderación] | [Evaluación] | [Evaluación] | [Evaluación] |
Integración | [Su ponderación] | [Evaluación] | [Evaluación] | [Evaluación] |
Costos | [Su ponderación] | [Evaluación] | [Evaluación] | [Evaluación] |
Implementación | [Su ponderación] | [Evaluación] | [Evaluación] | [Evaluación] |
Seguridad futura | [Su ponderación] | [Evaluación] | [Evaluación] | [Evaluación] |
Soporte | [Su ponderación] | [Evaluación] | [Evaluación] | [Evaluación] |
Cumplimiento | [Su ponderación] | [Evaluación] | [Evaluación] | [Evaluación] |
Referencias | [Su ponderación] | [Evaluación] | [Evaluación] | [Evaluación] |
Asociación | [Su ponderación] | [Evaluación] | [Evaluación] | [Evaluación] |
Evaluación total | [Suma] | [Suma] | [Suma] |
Próximos pasos en el proceso de decisión
Después de evaluar a los proveedores utilizando la lista de verificación, recomendamos los siguientes pasos:
- Crear una lista corta: Limítese a los 2-3 proveedores más prometedores.
- Prueba de concepto: Implemente un caso de uso definido con alcance limitado como prueba.
- Visitas a referencias: Visite personalmente a clientes de referencia en su sector.
- Negociación del contrato: Asegúrese de que todos los puntos críticos de la lista de verificación queden establecidos contractualmente.
- Planificación de la implementación: Desarrolle un plan detallado de implementación con responsabilidades claras.
Involucre en este proceso a todos los stakeholders relevantes – desde los departamentos especializados y TI hasta el responsable de protección de datos y la dirección.
Conclusión: Tomar decisiones informadas
La selección del proveedor adecuado de IA es una decisión estratégica para las empresas medianas con impacto a largo plazo. Las 10 preguntas clave presentadas en este artículo le ofrecen un marco estructurado para tomar esta decisión de manera fundamentada y cuidadosa.
Los principales conocimientos resumidos
- Evaluación integral: No tome su decisión basándose únicamente en factores tecnológicos o costos. Incluya las 10 dimensiones en su evaluación.
- Perspectiva a largo plazo: Piense más allá del período inicial de implementación. Una iniciativa de IA exitosa es un proceso continuo, no una implementación única.
- Confianza a través de la transparencia: Los proveedores serios no evitan preguntas críticas y ofrecen máxima transparencia – desde el procesamiento de datos hasta los costos a largo plazo.
- Experiencia específica del sector: Priorice proveedores con experiencia demostrada en su sector y casos de uso similares.
- Asociación en lugar de transacción: Busque un socio que entienda sus objetivos comerciales y contribuya a largo plazo al éxito de su iniciativa de IA.
Cómo Brixon AI puede apoyarle en el proceso de decisión
Como socio especializado en implementaciones de IA para empresas medianas, Brixon AI le apoya en cada paso del proceso de decisión e introducción:
- Análisis de requisitos: Le ayudamos a identificar y priorizar sus requisitos específicos.
- Evaluación de proveedores: Le apoyamos en la evaluación estructurada de proveedores potenciales basada en las 10 preguntas clave.
- Acompañamiento en la implementación: Estamos a su lado como asesor neutral durante toda la implementación.
- Formación y capacitación: Preparamos óptimamente a sus empleados para trabajar con sistemas de IA.
- Medición de éxito y valor: Le ayudamos a medir el valor comercial de su iniciativa de IA y a optimizarla continuamente.
Nuestra experiencia de numerosas implementaciones exitosas en empresas medianas muestra: con la preparación adecuada y un proceso estructurado de selección, incluso empresas sin equipos especializados en IA pueden realizar proyectos de IA exitosos y que generen valor.
Recomendación de acción para 2025
El panorama de la IA evoluciona a una velocidad vertiginosa. Para empresas medianas en 2025, recomendamos:
- Actúe ahora: La ventaja competitiva por la adopción temprana de IA está creciendo. Según Accenture, los adoptantes tempranos tienen una ventaja promedio de productividad del 37% sobre los rezagados.
- Comience de manera enfocada: Empiece con casos de uso bien definidos y manejables que proporcionen valor medible rápidamente.
- Invierta en conocimiento: Forme a sus empleados continuamente para realizar todo el potencial de su inversión en IA.
- Piense en escalabilidad: Elija soluciones y socios que puedan crecer con sus requisitos crecientes.
- Manténgase informado: El panorama regulatorio y las posibilidades tecnológicas cambian constantemente – manténgase al día.
Con las preguntas correctas a proveedores potenciales de IA, sienta las bases para una transformación exitosa de su empresa a través de la Inteligencia Artificial – metódica, controlada y con valor comercial sostenible.
Preguntas frecuentes
¿Cuánto tiempo dura típicamente la implementación de una solución de IA en una empresa mediana?
La duración de implementación varía según la complejidad y profundidad de integración. Según un análisis de Forrester, el tiempo promedio de implementación para empresas medianas es de 3-6 meses. Las soluciones basadas en la nube pueden estar productivas en 2-8 semanas, mientras que las soluciones on-premise con integración más profunda pueden requerir 3-9 meses. Factores decisivos para la planificación temporal son la calidad de los datos existentes, la complejidad de la integración en sistemas existentes y el alcance de la capacitación necesaria. Una implementación por etapas con un Producto Mínimo Viable (MVP) inicial y posterior escalado ha demostrado ser particularmente efectiva en la práctica.
¿Qué departamentos deberían estar necesariamente involucrados en el proceso de selección de un proveedor de IA?
Para una implementación exitosa de IA, un equipo multifuncional es esencial. Además del departamento de TI (viabilidad técnica, integración), deben incluirse los departamentos especializados (requisitos funcionales, conocimiento de procesos). Igualmente importante es la participación temprana del responsable de protección de datos y el departamento legal (cumplimiento, diseño de contratos). El departamento de recursos humanos juega un papel importante en la gestión del cambio y la planificación de la formación. La dirección debe participar en decisiones estratégicas y consideraciones de ROI. Los estudios de McKinsey muestran que los proyectos de IA con equipos multifuncionales tienen una probabilidad de éxito un 65% mayor que aquellos impulsados principalmente por un solo departamento.
¿Qué aplicaciones de IA ofrecen el retorno de inversión más rápido para empresas medianas?
Las aplicaciones de IA con el ROI más rápido varían según el sector, pero algunos casos de uso muestran períodos de amortización especialmente rápidos en todos los sectores. Según un análisis de PwC de 2024, en las empresas medianas, particularmente las siguientes aplicaciones logran un ROI dentro de 6-12 meses: análisis y extracción de documentos (60-80% de ahorro de tiempo), comunicación automatizada con clientes mediante chatbots de IA (30-50% de ahorro de costos en soporte), mantenimiento predictivo en fabricación (25-35% menos de tiempos de inactividad no planificados) y pronósticos de ventas asistidos por IA (15-25% mayor precisión de pronóstico). La IA generativa para la creación de materiales de marketing y ventas logra, según un análisis de Gartner, un aumento promedio de productividad del 30-40% en los equipos correspondientes. El ROI más rápido se logra típicamente en aplicaciones que optimizan procesos existentes intensivos en trabajo y repetitivos.
¿Cuáles son los costos anuales promedio para una implementación de IA en una empresa mediana?
El rango de costos para implementaciones de IA en empresas medianas es considerable y depende de varios factores. Según un estudio de Capgemini de 2024, los costos totales en el primer año suelen estar entre 50.000€ y 250.000€ para empresas medianas. Estos se componen de costos de licencia (35-40%), costos de implementación (20-25%), preparación de datos (15-20%), formación (10-15%) y soporte (10-15%). Las soluciones basadas en la nube con licencias por usuario suelen comenzar en 10.000-15.000€ anuales para equipos pequeños y pueden costar hasta 100.000€ para implementaciones a nivel empresarial. Las soluciones on-premise requieren mayores inversiones iniciales, pero ofrecen a menudo costos operativos más bajos. A partir del segundo año, los costos totales suelen disminuir entre un 30-40%, siempre que no haya una escalación significativa.
¿Cómo podemos asegurarnos de que nuestros datos no se utilicen para entrenar la IA de otros clientes?
Para garantizar el uso exclusivo de sus datos, debe tomar varias medidas. Primero: establecer explícitamente en el contrato que sus datos solo pueden utilizarse para sus propias aplicaciones de IA y no para entrenar otros modelos o para otros clientes. Segundo: preguntar por garantías técnicas como mecanismos de separación de datos, instancias aisladas o implementaciones de nube privada. Tercero: implementar una estrategia de clasificación de datos que identifique datos sensibles y los proteja especialmente. Cuarto: solicitar auditorías regulares e informes de transparencia del proveedor. Quinto: para aplicaciones altamente sensibles, considerar soluciones on-premise o sistemas air-gapped que estén completamente desconectados de Internet. La BSI también recomienda definir con precisión los derechos de acceso y uso y establecer contractualmente reclamaciones de compensación en caso de incumplimiento.
¿Qué requisitos legales mínimos debe cumplir un proveedor de IA en la UE?
Con la entrada en vigor del EU AI Act en 2024, los proveedores de IA en la UE deben cumplir diferentes requisitos según la clase de riesgo. Básicamente, se aplican las disposiciones del RGPD para el procesamiento de datos personales. Para los sistemas de IA de alto riesgo (p.ej. en infraestructura crítica, educación, empleo) se requiere adicionalmente: un sistema documentado de gestión de riesgos, gestión de calidad de datos, documentación técnica, mecanismos de registro y logging, medidas de transparencia para usuarios, supervisión humana, así como robustez y precisión. Están prohibidos los sistemas de IA con riesgos inaceptables, como sistemas de puntuación social o ciertos sistemas de identificación biométrica. Para todos los sistemas de IA se aplican requisitos de transparencia que deben informar a los usuarios que están interactuando con una IA. Especialmente importante: a partir de 2025 se requieren evaluaciones completas de conformidad y marcado CE para sistemas de IA de alto riesgo. Los proveedores también deben designar un representante en la UE si están establecidos fuera de la UE.
¿Cómo reconozco la diferencia entre soluciones reales de IA y «AI-Washing»?
Para distinguir las soluciones reales de IA del «AI-Washing», debe prestar atención a varios indicadores. Los proveedores genuinos de IA pueden explicar el mecanismo concreto de aprendizaje de sus sistemas y demostrar cómo el sistema aprende de los datos y mejora. Ofrecen visiones transparentes de la arquitectura del modelo, los métodos de entrenamiento y el manejo de datos. Los proveedores serios formulan promesas de rendimiento realistas con métricas concretas y medibles en lugar de vagas promesas de eficiencia. Otra característica de calidad es la posibilidad de adaptar los modelos a sus datos específicos y casos de uso. En el «AI-Washing», a menudo se comercializan sistemas basados en reglas o modelos estadísticos simples como «IA», los materiales de marketing utilizan excesivamente términos de moda de IA sin sustancia técnica, y los proveedores evitan preguntas técnicas concretas. Según un análisis de Gartner de 2024, en hasta el 60% de los productos comercializados como «potenciados por IA» no se utilizan técnicas avanzadas de aprendizaje automático.
¿Qué preguntas debería hacer a los clientes de referencia de un proveedor de IA?
En conversaciones con clientes de referencia, debe preguntar específicamente sobre los aspectos críticos de la colaboración. Especialmente reveladoras son las siguientes preguntas: ¿Qué desafíos inesperados surgieron durante la implementación y cómo se resolvieron? ¿En qué medida el cronograma real se desvió de la planificación original? ¿Se entregaron todas las funcionalidades como se prometió o hubo limitaciones? ¿Qué tan rápida y competentemente respondió el soporte a problemas críticos? ¿Cuáles fueron los costos totales reales en comparación con el presupuesto original? ¿Qué resultados medibles se lograron y en qué período? ¿Cómo fue aceptada la solución por los empleados? ¿Hubo resistencias y cómo se superaron? ¿Qué tan flexiblemente respondió el proveedor a requisitos cambiantes? ¿Volvería a elegir a este proveedor hoy? Preste especial atención a respuestas concretas en lugar de declaraciones generales de satisfacción e intente hablar con clientes de referencia sin la presencia del proveedor.
¿Es mejor trabajar con una startup especializada en IA o con un proveedor tecnológico establecido?
La decisión entre una startup especializada en IA y un proveedor tecnológico establecido depende de sus requisitos específicos. Las startups de IA ofrecen a menudo experiencia especializada en aplicaciones de nicho, mayor agilidad y adaptabilidad, así como soluciones a menudo más innovadoras y de última generación. Sus desafíos radican en potencial inestabilidad financiera, recursos limitados para soporte y posiblemente procesos menos maduros. Los proveedores establecidos destacan por estabilidad financiera, infraestructura de soporte integral, amplia integración con sistemas existentes y procesos probados de seguridad y cumplimiento. Sus desventajas pueden estar en menor especialización, menos flexibilidad para adaptaciones específicas del cliente y a veces tecnología más antigua. Según un análisis de Forrester de 2024, las startups especializadas en IA logran en innovación técnica calificaciones en promedio un 25% más altas, mientras que los proveedores establecidos en fiabilidad e integración rinden un 30% mejor. La elección óptima depende de sus prioridades: velocidad de innovación vs. estabilidad, especialización profunda vs. integración amplia, flexibilidad vs. estandarización.
¿Cómo cambia el EU AI Act los requisitos para implementaciones de IA en empresas medianas?
El EU AI Act, que entra en vigor gradualmente desde 2024, cambia fundamentalmente los requisitos para implementaciones de IA. Para empresas medianas, esto significa principalmente nuevas obligaciones de cumplimiento según la clase de riesgo de la IA utilizada. Las aplicaciones de alto riesgo (p.ej. en contratación, solvencia crediticia, infraestructura crítica) requieren medidas exhaustivas: sistema de evaluación de riesgos, gestión de calidad para datos de entrenamiento, documentación técnica, obligaciones de registro, medidas de transparencia y supervisión humana. Incluso los sistemas de IA de menor riesgo están sujetos a obligaciones de transparencia – los usuarios deben ser informados cuando interactúan con IA. Para las empresas, esto significa una selección más cuidadosa del proveedor: estos deben poder demostrar que sus sistemas cumplen con los requisitos. La carga de la prueba recae tanto en el proveedor como en el operador de la IA. Especialmente relevante: a partir de 2025, los sistemas de IA de alto riesgo deben pasar un procedimiento de evaluación de conformidad y tener marcado CE. Las infracciones pueden ser sancionadas con multas significativas de hasta el 7% de la facturación anual mundial.