De proyecto piloto a 6000 usuarios: cómo escalar agentes de IA en la empresa

A mediados de 2025, lanzamos el GTM AI Assistant de Snowflake para unos 6000 usuarios de nuestra organización de ventas y marketing: nuestro primer despliegue empresarial a gran escala de Snowflake CoWork (antes Snowflake Intelligence). Al finalizar el año, el asistente ya había respondido a más de 330 000 preguntas, lo que ayudó a los usuarios a trabajar más rápido y tomar mejores decisiones.

En los últimos meses, publicamos varias entradas dirigidas a desarrolladores sobre los fundamentos técnicos para crear un asistente de IA empresarial: cómo estructurar los datos de ventas, habilitar la recuperación de conocimiento a partir de contenido no estructurado, probar el comportamiento del agente y perfeccionar las instrucciones. Esas publicaciones resultaron útiles, pero las preguntas que seguíamos recibiendo no eran meramente técnicas:

• ¿Cómo formasteis el equipo del proyecto?

• ¿Cuál fue el calendario de desarrollo?

• ¿Cómo lo hiciste sin quebrar la confianza?

• ¿Qué tácticas de gestión del cambio funcionaron realmente?

• ¿Qué resultados observasteis tras el lanzamiento?

Este blog se centra en esos aspectos no técnicos: la estructura del equipo, las fases de lanzamiento, la estrategia de alcance y cómo escalamos desde un producto mínimo viable (MVP) hasta una capacidad empresarial de confianza.

Equipo de desarrollo y fases de lanzamiento

Empezamos a finales de febrero de 2025 con un objetivo acotado: crear un asistente de conocimiento basado en la generación aumentada por recuperación (RAG) para que los equipos de comercialización (GTM) pudieran encontrar los documentos adecuados en herramientas, páginas web y unidades de almacenamiento fragmentadas. En aquel momento, el proyecto contaba con un científico de datos dedicado.

A finales de mayo de 2025, decidimos desarrollar un asistente de IA completo para GTM con Snowflake CoWork que no solo indexara contenido de conocimiento, sino que también integrara datos estructurados de ventas y marketing. Ese cambio elevó los requisitos de calidad y fiabilidad, por lo que ampliamos el equipo a entre tres y cuatro científicos de datos e incorporamos un responsable de producto dedicado.

Desde el primer día, tratamos la calidad y la confianza de los usuarios como P(-1). Las entrevistas con usuarios y nuestra experiencia previa en proyectos de IA dejaron algo claro: la primera impresión determina la adopción. Si las primeras experiencias no son fiables, recuperar la confianza exige muchísimo más esfuerzo que hacerlo bien desde el principio.

Por eso elegimos una estrategia de despliegue por fases: empezar con poco, validar la calidad y los flujos de trabajo y, después, ampliar.

Estas fueron, a grandes rasgos, nuestras fases de lanzamiento:

Consejo: Un error habitual que observamos es apresurarse a extender el uso de un agente antes de que cumpla sistemáticamente el nivel de calidad exigido. Crear prototipos de agentes de IA es fácil; lo difícil es lanzar agentes fiables para miles de usuarios. Da a los equipos el tiempo y el espacio necesarios para ganarse la confianza desde el principio: dará sus frutos más adelante.

De un MVP acotado a la ampliación de capacidades

Los entornos empresariales son complejos. Solo en nuestra organización de ventas y marketing, damos soporte a más de 15 perfiles distintos, cada uno con flujos de trabajo y necesidades diferentes:

• Ejecutivos de cuentas (AE)

• Ingenieros de soluciones (SE)

• Comerciales de prospección (SDR)

• Responsables de marketing de producto

• Responsables de partners y alianzas

• Especialistas de Snowflake Professional Services

• Dirección de ventas y marketing

• Responsables de campañas

• … y otros perfiles

Como con cualquier producto, evitamos caer en la trampa de “conectarlo todo y esperar que los usuarios sepan qué hacer”. En su lugar, empezamos deliberadamente con un MVP más acotado y nos centramos en los perfiles para los que podíamos aportar el máximo valor con mayor rapidez.

En función del tamaño de la audiencia y del esfuerzo de desarrollo necesario para cada perfil, focalizamos el lanzamiento de disponibilidad general (GA) en los AE, los SE y los SDR. Estos tres grupos representaban aproximadamente el 50 % de nuestra audiencia objetivo de 6000 usuarios, lo que nos permitió maximizar el impacto inicial y mantener un alcance viable.

Tras la GA, ampliamos de forma deliberada el alcance, habilitando nuevos perfiles y capacidades paso a paso, sin comprometer la fiabilidad para la audiencia principal.

Este es un ejemplo ilustrativo de cómo se ampliaron las capacidades de nuestro agente con el tiempo:

• Alcance de la GA: Asistente de conocimiento + datos esenciales de Salesforce, uso del producto y finanzas
  

• Primer mes tras la GA: Corrección de errores y ampliación de la cobertura y la profundidad de las mismas fuentes
  

• Fases posteriores: Nuevas fuentes de datos, como datos de marketing, transcripciones de llamadas y correos electrónicos, datos de partners, compatibilidad con búsquedas web y mucho más

Cuando lanzamos el asistente de IA a mediados de septiembre de 2025, utilizaba seis vistas semánticas con 48 tablas y unas 1400 columnas. Tras la GA, lanzamos más de 40 funciones y fuentes de datos nuevas, y ampliamos la capa de datos a 10 vistas semánticas con 64 tablas y más de 1750 columnas.

Consejo: Un alcance excesivamente amplio es uno de los motivos más habituales por los que las iniciativas empresariales de IA se estancan. Empieza con un alcance en el que el agente responda a menos preguntas, pero lo haga correctamente. Es más fácil ampliar las capacidades una vez establecida la confianza que recuperar la adopción tras los primeros fallos.

Activación de usuarios y gestión del cambio

Implementar soluciones empresariales con éxito lleva tiempo, a menudo un trimestre completo o más. Como ocurre con el lanzamiento de cualquier producto, los usuarios se distribuyen de forma natural a lo largo de la curva de adopción: innovadores, primeros usuarios, mayoría temprana y tardía, y rezagados.

Teoría de la difusión de las innovaciones de Everett Rogers.

Durante las fases piloto y beta, la interacción suele proceder de los usuarios situados en la parte inicial de esa curva, es decir, aquellos deseosos de experimentar con herramientas nuevas. Una vez que se llega a la GA y se escala a miles de usuarios, la realidad cambia. Los usuarios tardíos entran en escena, aumentan las expectativas y puede surgir frustración si la adopción no avanza con suficiente rapidez.

Es aquí donde muchas iniciativas de IA que, por lo demás, son sólidas se estancan: no porque la tecnología no funcione, sino porque los usuarios nunca llegan a adoptarla por completo.

Asegurarse de que los usuarios realmente lo prueben

Incorporar un asistente de IA al flujo de trabajo diario supone un cambio de hábito importante. La mayoría de los usuarios no cambiarán a menos que tu solución sea muchísimo mejor (diez veces más rápida y diez veces más fácil) o permita hacer algo que antes sencillamente no podían hacer. La paridad funcional con las herramientas existentes rara vez es suficiente, sobre todo para los usuarios tardíos.

Dicho esto, ni siquiera el mejor producto puede ganarse a los usuarios si estos nunca llegan a probarlo.

Entonces, ¿cómo puedes lograr que los usuarios prueben tu asistente de IA y lo utilicen regularmente?

Validar la calidad y optimizar la recurrencia de uso en primer lugar

Nuestro enfoque fue deliberado y secuencial, en consonancia con nuestras fases de lanzamiento:

Durante la fase piloto, nos centramos exclusivamente en la calidad y la confianza. Nuestro principal objetivo era validar la corrección, la fiabilidad y la utilidad básica; recuerda que la calidad es P(-1).

En la fase beta, una vez demostrada la calidad, centramos la atención en la madurez de las funciones y la recurrencia de uso. La pregunta pasó a ser: ¿resuelve este agente suficientes problemas reales como para que los usuarios quieran volver a usarlo semana tras semana?

Los resultados nos dieron confianza:

• NPS >92 % entre los usuarios de la fase beta
  

• Tasa de retención de usuarios activos semanales (WAU) >70 %

Estas métricas nos indicaron que teníamos un producto cuyo escalado merecía la pena.

Generar impulso y entusiasmo en la organización

En la fase de GA, nuestra pregunta principal pasó a ser sencilla: ¿conocen los usuarios el GTM AI Assistant y lo están probando de verdad?

Para impulsar la adopción, colaboramos estrechamente con nuestro equipo de capacitación comercial y nos aseguramos de contar con los elementos fundamentales:

• Una página interna dedicada al producto
  

• Guías de usuario claras y documentación práctica
  

• Vídeos breves en los que los usuarios más destacados comparten prácticas recomendadas
  

• Un canal de Slack dedicado a comentarios y solicitudes de funciones
  
  

A partir de ahí, generamos impulso de forma activa:

• Correos electrónicos de lanzamiento y demostraciones en directo con cada equipo
  

• Menciones periódicas de los directivos de ventas, e incluso de nuestro CEO, en reuniones generales y de equipo
  

• Informes semanales de adopción compartidos con la dirección de ventas para que pudieran fomentar la participación en sus equipos
  

Esta combinación de capacitación, visibilidad y apoyo del equipo directivo resultó ser crucial.

¿El resultado? Adopción sostenida a gran escala

Gracias a una acción disciplinada de activación y gestión del cambio, impulsamos una adopción significativa del GTM AI Assistant durante los tres meses posteriores a la GA.

Todo este esfuerzo dio sus frutos. En las dos primeras semanas tras la GA, aproximadamente el 25 % de los usuarios habilitados había probado el agente al menos una vez. A finales de año, esa cifra había aumentado hasta casi el 77 % del total y superaba el 90 % entre nuestros perfiles principales (AE, SE y SDR).

Para nosotros, esto confirmó una lección clave: el escalado de la IA empresarial no es solo un reto técnico, sino también un problema de activación del producto y gestión del cambio.

Visión del producto tras el lanzamiento

El cambio funciona en ambos sentidos.

Transformar los flujos de trabajo de comercialización con agentes de IA empresarial supone un cambio importante, no solo para los usuarios, sino también para los equipos de datos que crean esos agentes.

Tradicionalmente, los equipos de datos están acostumbrados a trabajar en proyectos relativamente acotados: crear pipelines de datos, entrenar modelos o lanzar paneles de control, a menudo con una evolución limitada después del lanzamiento. Una vez implementados, estos activos suelen requerir únicamente un mantenimiento incremental.

Los agentes de IA son radicalmente distintos.

Un asistente de IA empresarial es un producto vivo. Interactúa continuamente con los usuarios, se adapta a nuevos datos, evoluciona conforme cambian los flujos de trabajo y debe seguir el ritmo de la rápida innovación en plataformas y modelos. Esto exige un cambio hacia una visión del producto (product thinking), un diseño a nivel de sistema y una colaboración sostenida entre los equipos a lo largo del tiempo.

Adaptación del equipo tras la GA

Tras un lanzamiento satisfactorio en GA, tuvimos que cambiar nuestra forma de trabajar como equipo.

Casi de inmediato, observamos:

• Un aumento de solicitudes de funciones por parte de los usuarios
  

• Mayores expectativas en cuanto a capacidad de respuesta y fiabilidad
  

• Una necesidad creciente de equilibrar la iteración rápida y el mantenimiento de la confianza
  

• Cambios continuos en la plataforma de IA subyacente que nos obligaban a replantearnos decisiones de diseño anteriores
  

Al mismo tiempo, no podíamos permitir que la calidad disminuyera. Había que corregir los errores rápidamente, evitar regresiones e implementar mejoras sin desestabilizar la experiencia en la que los usuarios habían aprendido a confiar.

El escalado del producto implicaba el escalado de nuestro modelo operativo.

Nuestra inversión tras el lanzamiento

Para evitar vernos desbordados y mantener el impulso, invertimos desde el principio en las siguientes áreas:

• Una forma de trabajo ágil: Adoptamos un modelo de desarrollo basado en sprints, con un marco claro de recepción, triaje y priorización para equilibrar la corrección de errores, las solicitudes de funciones y las mejoras a largo plazo.
  

• Ampliación del equipo con habilidades complementarias: Además de ciencia de datos, aumentamos nuestra capacidad de ingeniería de analíticas y de back-end de acuerdo con las necesidades del roadmap y la complejidad del sistema.
  

• Pruebas automatizadas e integración y desarrollo continuos (CI/CD): Poco después de la GA, invertimos en marcos de pruebas automatizadas y pipelines de CI/CD para aumentar la velocidad de implementación sin rebajar nuestro elevado nivel de calidad.
  

• Tiempo dedicado al estado y la evolución de la plataforma: Cada sprint incluía capacidad reservada de forma explícita para la refactorización, la evolución de la arquitectura y las actualizaciones de la plataforma, con el fin de evitar la deuda técnica a largo plazo.
  

La conclusión clave

El lanzamiento de un agente de IA empresarial no es la meta, sino el punto de partida.

El éxito a largo plazo exige tratar los agentes de IA como productos, no como proyectos: con responsabilidad, iteración, rigor operativo e inversión continua. Los equipos que adoptan este cambio están mucho mejor posicionados para escalar de forma responsable, adaptarse a los cambios y seguir aportando valor a medida que evolucionan tanto las expectativas de los usuarios como las capacidades de la IA.

El impacto y el retorno de la inversión

Llegados a este punto, quizá te preguntes: ¿cuáles fueron los resultados reales y mereció la pena la inversión?

Veámoslo en detalle.

A finales de 2025, el GTM AI Assistant respondía a más de 35 000 preguntas a la semana para más de 2500 usuarios activos semanales, frente a unas 10 000 preguntas semanales en el lanzamiento inicial.

Este crecimiento no se debió únicamente a la adopción.

Durante los tres meses posteriores a la GA, a medida que ampliábamos las capacidades del asistente y los usuarios empezaban a incorporarlo a sus flujos de trabajo diarios, la intensidad de uso aumentó significativamente. La media de preguntas por usuario activo semanal aumentó de 8,5 a 14, lo que reflejaba tanto una mayor confianza como una integración más profunda en el trabajo real.

Aumento de la productividad a escala empresarial

El ahorro de tiempo variaba según el caso de uso:

• Minutos para consultas sencillas de conocimientos o datos
  

• Horas para análisis más complejos que, de otro modo, requerirían SQL personalizado o la ayuda de un analista
  

Incluso partiendo de una estimación conservadora de cinco minutos ahorrados por consulta, el impacto se multiplica rápidamente. A nuestra escala, esto equivalía a la productividad anual de más de 65 empleados a tiempo completo en una organización de 6000 personas.

Y se trata de una estimación de mínimos. 

Demostración del retorno de la inversión a escala

A finales de 2025, realizamos un análisis detallado para comprender tanto la estructura de costes como el retorno de la inversión del GTM AI Assistant.

El análisis mostró que el coste por usuario activo era comparable al de las herramientas estándar de productividad empresarial por usuario. Al compararlo con el aumento de la productividad conseguido, el asistente ofrecía un retorno de la inversión superior a 5 veces, incluso antes de llevar a cabo iniciativas específicas de optimización de costes.

Es importante señalar que esta estimación refleja únicamente el ahorro directo de productividad. No incluye beneficios secundarios, como una menor carga para los analistas, ciclos de ventas más rápidos y una mejor calidad de las decisiones de los equipos de ventas y marketing. En otras palabras, la rentabilidad era convincente mucho antes de que la solución alcanzara su plena madurez o eficiencia operativa.

Reflexiones finales

La IA está transformando radicalmente los equipos empresariales y de comercialización.

La era de las demostraciones aisladas y los experimentos a pequeña escala está llegando a su fin. La IA empresarial ya está generando un impacto real y cuantificable a escala. Pero lograr ese impacto requiere algo más que modelos potentes o prompts ingeniosos: exige la mentalidad adecuada, una ejecución disciplinada y una atención especial a la gestión del cambio.

Como hemos explicado en este artículo, el escalado satisfactorio de los agentes de IA empresarial implica:

• Considerar la calidad y la confianza como aspectos irrenunciables
  

• Realizar el lanzamiento de forma deliberada y ampliar el alcance de manera intencionada
  

• Invertir en activación y adopción, no solo en tecnología
  

• Orientar a los equipos de datos hacia la responsabilidad sobre el producto a largo plazo
  

Las empresas que lo hagan bien en los próximos meses no solo mejorarán la productividad, sino que transformarán profundamente la forma de trabajar de sus equipos y obtendrán una ventaja competitiva significativa.

El cambio ya está en marcha. Las empresas que actúen ahora definirán la próxima generación de la ejecución de la estrategia de GTM.