Checklist antes de firmar con una consultora de IA

Antes de firmar con una consultora de IA, valida su solvencia técnica, la propiedad de los activos que generará y la transparencia contractual. Sin este proceso previo, las empresas asumen riesgos legales, dependencias tecnológicas y costes imprevistos que comprometen el retorno de la inversión desde el primer día.

La adopción de inteligencia artificial en una empresa no empieza cuando el sistema entra en producción. Empieza cuando decides con quién vas a trabajar. En el mercado español existe una oferta creciente de consultoras que se presentan como expertas en IA, pero cuya solvencia real, experiencia verificable y condiciones contractuales varían enormemente. Este checklist está diseñado para que, antes de firmar cualquier acuerdo, tengas claros los criterios que distinguen una relación contractual sana de una que te puede dejar atado, sin datos propios y con resultados imposibles de medir.

Por qué la fase precontractual es decisiva

La mayoría de los errores en proyectos de IA empresarial no ocurren durante el desarrollo técnico. Ocurren antes: cuando no se valida la experiencia real del proveedor, cuando no se negocia la propiedad intelectual o cuando se acepta una propuesta económica sin entender qué incluye y qué no. Una consultora puede presentar casos de éxito brillantes que no son comparables con tu sector o tu escala. Puede ofrecer un precio inicial atractivo que no contempla el mantenimiento, la evolución del modelo o la integración con tus sistemas existentes.

El rigor en esta fase no es burocracia. Es la diferencia entre un proyecto que genera valor real y uno que se convierte en un lastre operativo.

1. Referencias y solvencia técnica verificable

No tomes decisiones basadas únicamente en presentaciones comerciales o en el número de logos que aparecen en la web del proveedor. Solicita casos de éxito documentados en el mercado español, con métricas reales y contactos verificables. Pregunta directamente: ¿qué problema resolvieron, en qué plazo, con qué presupuesto y cuál fue el resultado medible?

Además, confirma que la consultora conoce y aplica la normativa del AI Act europeo, que entró en vigor de forma progresiva a partir de 2024. Esto no es un detalle menor: los sistemas de IA de alto riesgo —los que afectan a decisiones sobre personas, procesos críticos o infraestructuras— tienen requisitos específicos de transparencia, auditoría y documentación técnica que no todos los proveedores están preparados para cumplir.

Puedes comenzar tu búsqueda de proveedores validados consultando el directorio de expertos en IA de Expertuno, donde encontrarás perfiles con especialización verificada.

2. Propiedad intelectual y titularidad de los activos

Este es el punto que más frecuentemente se pasa por alto y el que mayor conflicto genera a posteriori. Cuando una consultora desarrolla un algoritmo específico para tu negocio, entrena un modelo con tus datos o construye una integración personalizada, ¿de quién es ese activo?

La respuesta por defecto, si no se especifica en el contrato, puede favorecer al proveedor. Es imprescindible blindar la cláusula de propiedad intelectual para que quede explícito que:

• Los modelos entrenados con datos de tu empresa son de tu propiedad.
• El código desarrollado a medida para tus procesos te pertenece.
• Los datos utilizados para el entrenamiento no pueden ser reutilizados por el proveedor para otros clientes.

Sin esta cláusula, puedes terminar pagando por un activo que no puedes llevarte si cambias de proveedor.

3. El modelo de piloto como filtro de solvencia

Una consultora seria no debería resistirse a iniciar con una prueba de concepto (PoC) acotada. Este piloto tiene un doble propósito: por un lado, valida la hipótesis de negocio antes de un despliegue masivo; por otro, te permite evaluar la metodología de trabajo del proveedor, su capacidad de comunicación y su rigor técnico en condiciones reales.

Un piloto bien estructurado define de antemano su alcance, sus criterios de éxito y su duración. Si la consultora propone pasar directamente a una implementación completa sin fase de validación, es una señal de alerta.

4. Cláusulas de salida y prevención del vendor lock-in

La dependencia tecnológica es uno de los riesgos más subestimados en los contratos de IA. Algunas consultoras construyen soluciones sobre arquitecturas propietarias que dificultan o encarecen enormemente la migración posterior. Para evitarlo, el contrato debe especificar:

"El código fuente, la documentación técnica, los modelos entrenados y los datos procesados serán entregados en formatos abiertos y estándar al finalizar el contrato o a petición del cliente."

Negociar esta cláusula desde el principio no implica desconfianza. Implica profesionalidad por ambas partes.

5. Transparencia en precios y costes reales

La estructura de costes de un proyecto de IA puede ser compleja: hay costes de desarrollo inicial, costes de infraestructura en la nube, licencias de modelos base, coste de las integraciones, mantenimiento continuo y actualización ante cambios en los modelos fundacionales. Un presupuesto que solo contempla la fase de desarrollo inicial es, en el mejor caso, incompleto.

Antes de comparar propuestas, conviene conocer los rangos de mercado actuales. Puedes consultar el análisis detallado sobre cuánto cuesta implantar IA en una empresa en España para tener una referencia objetiva.

6. Seguridad, cumplimiento legal y auditoría de sesgo

La normativa europea en materia de protección de datos (RGPD) y el propio AI Act imponen obligaciones concretas sobre cómo se tratan los datos personales en sistemas de IA. Solicita al proveedor:

• Certificaciones ISO relevantes (como ISO 27001 para seguridad de la información).
• Protocolos de encriptación en tránsito y en reposo.
• Metodología de auditoría de sesgo en los modelos, especialmente si afectan a decisiones sobre personas.
• Documentación de los procedimientos ante brechas de seguridad.

Un proveedor que no puede responder con claridad a estas preguntas no está preparado para operar en el entorno regulatorio europeo actual.

7. KPIs y definición de éxito antes de empezar

Uno de los errores más habituales es iniciar un proyecto de IA sin haber definido previamente qué significa el éxito. Sin métricas claras y acordadas, cualquier resultado puede presentarse como un logro. Los KPIs deben ser específicos, medibles y relevantes para el negocio: reducción de un porcentaje concreto en tiempos de proceso, incremento en tasa de conversión, ahorro en horas de trabajo manual por semana.

EXPERTUNO · COMPARATIVA

Objetivo de negocio	Ejemplo de KPI medible	Quién lo valida
Eficiencia operativa	Reducción de tiempo en proceso X en un % acordado	Operaciones + proveedor
Reducción de costes	Ahorro mensual en horas de trabajo manual	Finanzas
Incremento de ventas	Mejora en tasa de conversión de leads	Marketing
Calidad del dato	Reducción de errores en registros procesados	IT + negocio

8. Soporte, mantenimiento y evolución del sistema

El despliegue es solo una parte del ciclo de vida de un sistema de IA. Los modelos base evolucionan, las regulaciones cambian y los datos de tu negocio se transforman. El contrato debe incluir un acuerdo de nivel de servicio (SLA) que especifique tiempos de respuesta ante incidencias, frecuencia de actualizaciones y condiciones para adaptar el sistema ante cambios normativos o técnicos.

Una consultora que no contempla esta fase en su propuesta está vendiendo un proyecto, no una solución sostenible.

El error más común: decidir por precio sin contexto

El coste es un criterio legítimo, pero tomar una decisión basada únicamente en el precio más bajo, sin haber validado el resto de criterios, es uno de los errores más frecuentes y costosos. Un proyecto mal planificado o con un proveedor sin solvencia real generará costes de corrección, retrasos y dependencias que superarán con creces el ahorro inicial.

Si estás en proceso de selección de proveedor, puedes complementar este checklist con nuestra guía sobre cómo elegir consultor de IA para tu empresa y explorar el directorio de consultoras verificadas para partir de una lista de opciones ya filtradas por criterios de especialización y experiencia.