En empresas lo suficientemente grandes como para plantearse un desarrollo propio, la pregunta “¿SaaS o a medida?” suele estar mal formulada porque plantea una decisión binaria cuando, en realidad, casi siempre es una decisión por piezas: qué compras como “core” estándar (por velocidad y madurez) y qué construyes como “capa” propia (por control, integración y diferenciación). La pregunta útil es:
- ¿Qué parte de mi stack debo comprar porque es commodity (y me conviene que evolucione por el vendor)?
- ¿Qué parte debo construir porque me diferencia, me ahorra costes estructurales o me da control real sobre datos/procesos?
- ¿Qué parte es una “capa” encima (híbrido) donde la IA sí cambia el juego?
La IA reduce barreras para prototipar e integrar, pero no elimina la responsabilidad de operar, asegurar, gobernar y verificar.
Lo que la IA ha cambiado… y lo que no
Lo que sí ha cambiado
Construir es más barato y rápido en las primeras fases: prototipos, integraciones, automatización de tareas repetitivas, generación de consultas, documentación, etc. Un estudio de McKinsey con desarrolladores internos reporta rangos de ahorro de tiempo relevantes en tareas como documentación, generación y refactor, pero mucho menos en tareas de alta complejidad.
Además, el valor real aparece cuando se aplica IA en todo el ciclo de vida (discovery → diseño → testing → despliegue → mantenimiento), no solo “para picar código”. Bain lo plantea explícitamente: si aceleras el coding pero no aceleras revisión, integración y release, creas cuellos de botella.
Lo que no ha cambiado (y ahora duele más)
- Verificación y calidad: la adopción sube, la confianza no acompaña. En la encuesta de Stack Overflow 2025, 46% desconfía de la precisión de las herramientas de IA frente a 33% que confía, y solo 3% declara “alta confianza”.
- Coste oculto de “limpiar” outputs: Zapier describe una media de 4,5 horas/semana corrigiendo resultados de IA (“workslop”).
- “Verification gap”: Sonar reporta que 96% de devs no confía plenamente en que el código generado por IA sea correcto, pero solo 48% dice que siempre lo revisa antes de commitear.
Conclusión práctica: la IA acelera la producción de borradores; tu ventaja competitiva depende de cómo gobiernas y validas esos borradores.
Un marco simple para empresas
Una forma operativa de tomar decisiones sin dogmas:
A) Systems of Record (Core) — normalmente comprar
Aquí entran típicamente HR, ERP, contabilidad, partes “base” de CRM (entidades, permisos, workflows estándar, compliance). Son procesos maduros, ampliamente resueltos por el mercado.
- Ventaja de comprar: roadmap del vendor, actualizaciones, auditorías, soporte, ecosistema, cumplimiento “estándar”.
- Riesgo de construir: acabar manteniendo un “mini-ERP/mini-HRIS” durante años.
B) Systems of Differentiation — normalmente híbrido
Lo que te diferencia rara vez es “tener un CRM”: es cómo operas (lead scoring propio, pricing, forecasting, operaciones comerciales, SLAs, ruteo, reglas internas).
Aquí suele ganar:
- SaaS como base (CRM/ERP/HR)
- Capa propia encima: integración, automatización, reglas, analítica, interfaces internas, agentes/IA.
C) Systems of Innovation — construir rápido, con guardrails
Herramientas internas (dashboards, copilotos de datos, automatizaciones de backoffice) donde el retorno viene de:
- menos fricción,
- más velocidad de decisión,
- menos dependencia del equipo de datos/BI,
- y reducción del “trabajo invisible”.
Aquí es donde tu intuición encaja: ya se pueden hacer herramientas internas para mostrar dashboards y datos con mucha más rapidez que antes.
Decisión por dominio: HR, ERP, CRM, contabilidad y BI
HR (SaaS casi siempre)
- Compra: payroll, performance, recruiting, benefits, compliance.
- Construye/híbrido: analítica interna de talento, indicadores por unidad, automatizaciones (altas/bajas, accesos), integraciones con IAM, workflows específicos.
ERP y contabilidad (SaaS/COTS casi siempre)
- Compra: contabilidad general, facturación estándar, cierres, reporting regulatorio.
- Construye/híbrido: conciliaciones específicas, orquestación de procesos entre sistemas, control de calidad de datos, reporting “operativo” no cubierto por el ERP.
CRM (SaaS base + edge propio)
- Compra: pipeline, cuentas, actividades, permisos.
- Construye/híbrido: scoring, automatizaciones, playbooks, integración con producto/usage, segmentación real, reporting operativo.
BI / Dashboards (zona “ganadora” del híbrido)
Aquí tienes dos rutas razonables:
- Aprovechar capacidades nativas con IA (p. ej., Power BI + Copilot)
Microsoft posiciona Copilot en Power BI como experiencia chat para análisis “on the fly” y generación de DAX, y documenta requisitos/capacidades (incluyendo controles por admin y capacidades Fabric/Power BI Premium). - Construir una capa interna de “Chat + dashboards” sobre tu modelo semántico
Cuando:
- tu dato está repartido (ERP+CRM+producto+operaciones),
- necesitas control fino de permisos (RLS/ABAC),
- quieres una experiencia unificada (y no 5 portals diferentes),
- o quieres evitar lock-in de “cómo se pregunta” y “cómo se gobierna” el conocimiento.
4) Cómo construir (bien) una herramienta interna de dashboards con IA
La arquitectura que suele funcionar en empresas grandes no empieza por el LLM. Empieza por el dato.
Paso 1: Asegura una “capa semántica” mínima
- Métricas definidas (ingresos, margen, churn, AR, etc.)
- Diccionario de entidades
- Reglas de calidad
- Permisos (RLS) y auditoría
Sin esto, el copiloto responde “convincente” pero inconsistentes.
Paso 2: Define qué puede hacer la IA (y qué no)
Patrón útil: IA como asistente de consulta + navegación + explicación, no como “sistema que decide”.
- “Dame un resumen de ventas por región vs objetivo”
- “Explícame por qué subió el churn”
- “Genera el DAX/SQL y enséñamelo”
- “Crea un dashboard plantilla con métricas aprobadas”
Paso 3: Guardrails de calidad (imprescindible en enterprise)
Los datos de adopción/confianza apuntan al mismo problema: el output de IA requiere revisión.
Por tanto:
- Respuestas con trazabilidad (“de dónde sale este número”)
- Citas a tablas / medidas / queries
- “Modo borrador” vs “modo oficial”
- Tests automáticos para métricas críticas
- Observabilidad (qué preguntas hacen, qué falla, qué se corrige)
Paso 4: Seguridad y responsabilidad compartida
Si parte corre en cloud/SaaS, el modelo de responsabilidad compartida aplica: el proveedor hace una parte, tu organización sigue siendo responsable de identidad, configuración, accesos, datos, etc.
El error más caro: “con IA, ya podemos construirlo todo”
No. La IA reduce coste de construcción inicial, pero el coste grande en enterprise suele estar en:
- Integración (APIs, eventos, datos maestros)
- Gobernanza (permisos, auditoría, compliance)
- Mantenimiento (cambios de negocio, deuda técnica)
- Verificación (calidad, seguridad, regresiones)
McKinsey, además, apunta que en tareas de alta complejidad el ahorro de tiempo puede caer a <10%, e incluso en perfiles muy junior ciertas tareas pueden tardar más con herramientas de IA.
Esto encaja con el fenómeno “workslop”: la productividad neta depende de cuánto “limpias” después.
Marco de decisión práctico (orientado a empresas grandes)
Puntúa cada criterio 1–5 (1 = favorece SaaS, 5 = favorece propio). Si queda “en medio”, huele a híbrido.
- Diferenciación: ¿esto define tu ventaja competitiva? (si sí → construir/híbrido)
- Time-to-value: ¿necesitas impacto en semanas? (si sí → SaaS/híbrido)
- Complejidad de procesos: ¿tu proceso es estándar o único?
- Integración: ¿cuántos sistemas, cuántos eventos, cuánta calidad de datos necesitas?
- Gobernanza de datos: permisos finos, RLS, auditoría, segregación.
- Riesgo y compliance: ¿impacto regulatorio y trazabilidad? (más alto → evita “inventar” si no tienes madurez)
- Coste total 3–5 años (TCO): licencias + servicios + integraciones + equipo + evolución.
- Lock-in: ¿puedes salir? (exportación, APIs, formatos, contratos)
- Capacidad interna real: producto, ingeniería, data, seguridad, operación.
- Madurez de verificación: ¿tienes testing/QA/observabilidad para “vibe then verify”?
KPMG y EY enmarcan la decisión como estratégica: no es solo coste, es ventaja competitiva, sostenibilidad y capacidad de gobierno.
“Híbrido inteligente”: el patrón que más compensa hoy
En la práctica, el patrón más rentable para muchas empresas grandes es:
1) Compra el core (HR/ERP/contabilidad/CRM base)
Minimiza personalización destructiva. Gana velocidad, compliance y roadmap externo.
2) Construye el edge con IA (donde el SaaS no llega)
- portal interno de operaciones,
- automatizaciones,
- copiloto de datos,
- dashboards por rol,
- motores de reglas,
- integraciones y workflows.
3) Acelera todo el SDLC con IA, no solo el coding
Si no ajustas el sistema (review, release, QA), la IA no se traduce en throughput real.
Gobernanza y regulación: por qué importará más en 2026
Si operáis en Europa (o con clientes europeos), el contexto regulatorio y de estándares ya es parte del “build vs buy”:
- La EU AI Act tiene una aplicación general prevista para 2 de agosto de 2026, con partes que entran antes (según capítulos).
- Marcos como NIST AI RMF 1.0 ayudan a operacionalizar gestión de riesgos (govern/map/measure/manage).
- ISO/IEC 42001:2023 define un sistema de gestión para IA (AIMS) que muchas organizaciones usarán como “columna vertebral” de gobernanza.
Esto afecta tanto si compras (evaluación de vendor + responsabilidad compartida) como si construyes (controles internos + evidencia).
Un plan realista (6–10 semanas) para un “copiloto de dashboards” interno
Sin entrar en un proyecto infinito:
Semana 1–2: Descubrimiento y diseño
- Inventario de fuentes (ERP, CRM, contabilidad, HR, producto)
- Priorización por impacto (5–10 preguntas de negocio recurrentes)
- Definición de métricas “aprobadas” y roles
Semana 3–5: Capa semántica + permisos
- Métricas y definiciones
- RLS / roles
- Auditoría mínima
Semana 6–8: Experiencia IA + dashboards
- Chat con datos (con trazabilidad)
- Plantillas de dashboards por rol (ventas, finanzas, operaciones, HR)
- Logging + feedback loop
Semana 9–10: Hardening
- Tests de métricas críticas
- Evaluación de seguridad (prompt injection / data leakage)
- Observabilidad y SLOs
Si ya tenéis Power BI/Fabric, muchas piezas se pueden acelerar con Copilot, siempre que el “dato esté listo” y la organización tenga controles.
Regla práctica para decidir rápido
- Compra cuando el proceso es commodity y el riesgo operativo/regulatorio es alto (HR/ERP/contabilidad).
- Construye cuando es diferenciador, o cuando tu dato/proceso requiere control y flexibilidad que un SaaS no te da.
- Híbrido cuando lo inteligente es comprar el core y construir el edge (especialmente en analítica, automatización e interfaces internas), donde la IA reduce el coste de iteración pero exige verificación y gobernanza.