La llegada de la IA está transformando los fundamentos mismos del funcionamiento de las empresas, redefiniendo en muchos casos la forma en que las empresas innovan, operan y compiten. ¿Estamos preparados para adoptar un nuevo enfoque de la transformación digital en la era de la IA que posicione a nuestras empresas para el éxito en el futuro? Este artículo resume los debates de la última reunión del Programa Quest, celebrada el 3 de junio de 2025 en San Cugat del Vallès, en la que más de 70 líderes digitales analizaron si los modelos operativos actuales se adaptan a las exigencias de la IA y cómo aprovechar su poder transformador.
Con Lluis Sancliment | Responsable d'Innovació | Direcció Innovació. Centre de Telecomunicacions i Tecnologies de la Informació. Generalitat de Catalunya y Carlos Larrosa | Responsable de Centre de Competència | CTTI - Centre de Telecomunicacions i Tecnologies de la Informació
Modelo de innovación
La propuesta de innovación del CTTI parte de un diagnóstico social claro: hemos pasado de una realidad con estructuras estables a una “sociedad líquida” —en palabras de Zygmunt Bauman—, incluso volátil, donde las reglas cambian deprisa y lo que funcionaba deja de ser válido en poco tiempo. En ese terreno movedizo, los negocios y las plataformas digitales ya dominan la economía y se extienden a casi todos los ámbitos de la vida cotidiana.
Ante ese escenario, el reto no es predecirlo todo, sino aprender a gestionar la incertidumbre y a convivir con dos planos que se superponen: el mundo real y el virtual. La innovación deja de ser un proyecto puntual para convertirse en una capacidad organizativa continua.
Además, el CTTI subraya que toda crisis abre una ventana de oportunidades. En ese marco, las tecnologías disruptivas tendrán un papel decisivo. La conversación no es solo técnica: junto a la inteligencia artificial aparece la inteligencia emocional, un binomio que invita a equilibrar automatización con comprensión humana. En síntesis, el modelo de innovación reclama instituciones y empresas capaces de moverse con agilidad entre ambos mundos, aprovechar los ciclos de cambio y poner la tecnología al servicio de decisiones más informadas y, a la vez, más humanas.
El CTTI se presenta como la empresa pública que integra todos los servicios informáticos y de telecomunicaciones de la Generalitat de Catalunya. Desde ese rol, diseña, construye, coordina y despliega proyectos tecnológicos para ofrecer soluciones a los departamentos y organismos de la Administración pública.
Su misión es clara: acompañar a la Generalitat en su transformación digital y coordinar la innovación, la transformación y el gobierno del dato. Su visión apunta a consolidarse como el centro de referencia de la transformación digital TIC de la Generalitat, concentrando capacidades y criterios para acelerar cambios con impacto real en la gestión pública.
El CTTI define con claridad el objetivo de su innovación tecnológica: “innovar para transformar”. La innovación no es un adorno, sino la vanguardia necesaria para avanzar en la transformación digital de la Generalitat.
Ese propósito se concreta en una forma de trabajar: usar la tecnología y la innovación como palanca de cambio para responder a necesidades y retos y entregar valor a los departamentos de la Administración catalana. ¿Cómo? Ejecutando proyectos de innovación con metodologías de experimentación controlada: tests, pruebas de concepto (PoC), pilotos y MVPs. Un itinerario que permite validar soluciones en escenarios reales antes de su despliegue a gran escala.
El modelo GovTech Catalunya del CTTI conecta a la Administración con el tejido innovador para convertir necesidades reales en soluciones que escalan. El punto de partida está dentro de casa: departamentos, direcciones generales, unidades TIC y equipos del propio CTTI identifican problemas y oportunidades en talleres de innovación, apoyados por consultoría estratégica y por la vigilancia de evolutivos tecnológicos.
Con los retos identificados, el modelo pone en marcha varios instrumentos de trabajo según la madurez de la tecnología (TRL): pruebas de concepto (PoC) para validar ideas, concursos de retos (challenge) para atraer propuestas, compra pública innovadora (CPI) cuando procede la contratación, y proyectos de investigación y desarrollo (R+D+i) para avanzar en soluciones todavía en construcción. Todo ello se acompaña de formación y capacitación, mentoría y acompañamiento y una plataforma de innovación que abre la Administración a un ecosistema GovTech formado por proveedores del CTTI, start-ups y pymes, centros de I+D, universidades y entidades de soporte.
El recorrido es iterativo y en co-creación: del proyecto de innovación se pasa a una solución resultante, apoyada por un observatorio de conocimiento, un laboratorio/demostrador donde probar en condiciones controladas y jornadas y eventos que comparten avances y aprendizajes. El ciclo se completa con la implementación y el escalado en la Generalitat, de modo que la innovación no se queda en el prototipo, sino que llega al servicio público con impacto medible.
GovTech Catalunya nace con una meta concreta: evolucionar el modelo de innovación digital de la Generalitat para acelerar la transformación de la administración pública catalana, implicando a todos los actores del ecosistema digital del país. Bajo el paraguas del Catalunya GovTech Hub, se plantea un espacio de encuentro y trabajo donde la tecnología se convierte en palanca de cambio real.
El enfoque se articula en cinco líneas de acción:
Entre 2019 y 2024, el embudo de innovación del CTTI —de propuestas a proyectos y productos— ha dado tracción y resultados medibles. En ese periodo se iniciaron 329 proyectos, de los cuales 23 fueron descartados. La actividad se tradujo en 237 proyectos finalizados y 69 en curso. A partir de ese trabajo se crearon 116 soluciones y 61 ya están en producción.
La tasa de conversión refleja la eficacia del modelo: el 49% de los proyectos acaban convirtiéndose en soluciones, y el 52% de esas soluciones terminan implementadas. En suma, un proceso con filtros claros que prioriza lo que aporta valor y consigue que una parte significativa de lo que se prueba llegue a la realidad operativa de la Administración.
En 2024, el CTTI ha acelerado de forma clara su actividad innovadora. A 4 de diciembre de 2024 se contabilizan 102 proyectos iniciados, frente a 63 en todo 2023. El pulso del año también se refleja en la ejecución: 73 proyectos en curso (por 38 en 2023) y 58 finalizados (por 22 el año anterior). El embudo mantiene filtros: 10 proyectos descartados en 2024, frente a 3 en 2023. Pese a que el dato de 2024 no cubre el año completo, el contraste con 2023 muestra un mayor volumen de iniciativas, más trabajo en marcha y un cierre de proyectos significativamente superior.
Caso de uso: generación de informes técnicos ambientales con IA
La Dirección General de Políticas Ambientales y Medio Natural es la responsable de elaborar informes técnicos para resolver las solicitudes que puedan impactar en el patrimonio natural y la biodiversidad de Cataluña. El proceso arranca con la petición del ciudadano o de la empresa y culmina en un informe técnico sustentado en tres pilares: la solicitud recibida, la normativa vigente aplicable y la información técnica disponible.
Sobre ese circuito, el CTTI plantea un reto concreto: ¿podemos automatizar la elaboración del informe técnico aplicando IA generativa? El objetivo es doble: optimizar tiempos —reducir el esfuerzo manual en tareas repetitivas— y unificar criterios, favoreciendo documentos más homogéneos y trazables.
La prueba de concepto se centra en un caso muy acotado: las autorizaciones de carreras de montaña. Para ello se alimenta el sistema con las fuentes de datos necesarias: el documento de solicitud y la ruta propuesta, informes históricos, normativa vigente e información cartográfica relevante. Con ese material, el resultado esperado es un módulo capaz de generar un documento base a partir de la solicitud, sobre el que el técnico pueda elaborar el informe final con criterio profesional.
El proyecto no ignora los condicionantes. Identifica retos derivados como el manejo de imágenes en combinación con IA generativa, la sensibilidad de los datos implicados y los aspectos de ética asociados a este tipo de tecnologías. La propuesta, en definitiva, busca introducir automatización responsable donde más valor aporta: acelerar la preparación del borrador y estandarizar estructuras, manteniendo la decisión técnica en manos de los equipos ambientales.
El CTTI ha construido un módulo con IA que prepara el borrador del informe técnico a partir de tres tareas encadenadas: resumir la solicitud, interpretar la cartografía/imágenes y añadir consideraciones técnicas derivadas de la normativa aplicable.
El sistema recibe la solicitud en PDF y aplica un flujo sencillo y seguro:
A partir del texto resumido, la ruta en formato GPX y las capas SHP de espacios protegidos, la IA realiza:
El informe resultante describe, con apoyo de mapa, si el recorrido atraviesa áreas protegidas (por ejemplo, Parc Natural del Delta de l’Ebre) y perímetros de protección o presencia de especies, incluyendo porcentajes de solape y el origen de los datos (observación de campo, actualizaciones cartográficas, etc.).
Con el resumen como entrada, el módulo localiza decretos, leyes y directivas pertinentes y redacta unas “consideraciones legales/técnicas” que el técnico puede revisar y completar. En el ejemplo se citan referencias como:
En conjunto, la PoC demuestra que es posible acelerar la redacción del informe y homogeneizar criterios, manteniendo la validación experta en manos del personal técnico ambiental.
La prueba de concepto deja tres mensajes claros. Primero, el valor: el borrador de informe generado con IA ayuda a los técnicos tanto en la redacción como en la toma de decisiones, con una reducción de tiempo cercana al 50% y una unificación de criterios que facilita comparar casos y realizar análisis de resultados con mayor consistencia.
Segundo, la viabilidad: el CTTI constata que es posible llegar a un producto viable. La tecnología responde, se han superado los retos iniciales y el enfoque apunta a la escalabilidad del modelo, requisito para extenderlo a más supuestos y unidades.
Tercero, el aprendizaje: la experiencia ha permitido recoger lecciones y puntos clave para la evolución del sistema, con un enfoque explícito en el servicio al ciudadano como guía de las próximas iteraciones. En suma, el piloto confirma ahorro de tiempo, solidez técnica y una hoja de ruta para crecer con control.
Con Aitor Farragut de Juan | Chief Data Officer Spain | Alain Afflelou y Sergi Alegre Ribalta | Business Intelligent Director | T2C
Antecedentes
En 2024, Alain Afflelou constata que su plataforma de datos crece sin gobierno y de forma descontrolada. La dirección decide cambiar de rumbo y abrir un proyecto de simplificación, proponiendo la evaluación de Denodo como vía para ordenar y racionalizar el ecosistema.
El plan toma forma a comienzos de enero de 2025 con el inicio de un POC de Denodo. Un mes después, en febrero de 2025, la compañía fija varias decisiones clave: una apuesta clara por el área analítica; la sustitución de Mulesoft como integrador de aplicaciones por razones financieras; y la exigencia de replicar en productivo dos integraciones críticas:
El calendario viene marcado por un hito inaplazable: en marzo de 2025 expiran las licencias de Mulesoft, lo que añade urgencia a la transición y a la validación de las integraciones en el nuevo enfoque. La fecha prevista de finalización del proyecto se sitúa en julio de 2025.
En síntesis, el punto de partida es un entorno de datos sobredimensionado y sin control; la respuesta, un plan de simplificación con Denodo, priorizando analítica, eficiencia de costes y continuidad operativa en las dos conexiones de negocio más sensibles.
Arquitectura anterior
El ecosistema de datos de Alain Afflelou se apoyaba en varias fuentes y múltiples tecnologías conectadas entre sí:
Los flujos dibujaban un entramado punto a punto: Oracle y SFTP alimentaban SQL Azure y PostgreSQL; desde ahí, parte del dato pasaba a BigQuery, que servía tanto a Power BI como a APIs y entregas SFTP, con MuleSoft participando en estas salidas. Salesforce también volcaba información hacia la plataforma y los consumidores.
El resultado era una arquitectura dispersa, con varios repositorios y herramientas de integración conviviendo para cubrir analítica, APIs y envíos por fichero. Un modelo funcional, pero que exigía simplificación y orden para dar el siguiente paso.
Arquitectura actual
La nueva plataforma coloca a Denodo en el centro del ecosistema como punto único de acceso al dato.
Desde los orígenes —Oracle (sistemas de tienda/ERP), Salesforce y ficheros por SFTP— los flujos entran en Denodo, que a su vez sirve la información a los distintos consumidores:
Dentro de la plataforma de datos se mantiene Microsoft SQL Azure, conviviendo con Denodo.
El resultado es una arquitectura simplificada: menos saltos, un hub claro para gobernar y distribuir la información, y una salida directa y coherente hacia analítica, servicios y envíos por fichero.
Ventajas y lecciones aprendidas
La modernización ofrece un mejor time to market: las entregas llegan antes al negocio. Al mismo tiempo, la solución reduce la materialización de datos, lo que se traduce en menor riesgo operativo. Otro avance clave es la unificación del acceso al dato, con impacto directo en gobernanza y seguridad. A ello se suma el soporte del fabricante, que aporta respaldo técnico en momentos críticos.
En el camino han quedado dos aprendizajes claros: la urgencia abre oportunidades, pero también introduce riesgos que hay que gestionar, y conviene tratar los entornos de desarrollo como productivos, con el nivel de exigencia que eso implica.
Con Raquel Pérez | IA Manager & Vertical Leader | Banco Sabadell, Pablo Hermida | Desarrollo de Negocio Empresas | Banco Sabadell y Fabiola Nasca | Directora de IA Generativa | Banco Sabadell
Overview Plan Captación 2025
Banco Sabadell presentó el Informe de Captación Potencial (ICP) como pieza central de su Plan de Captación 2025, con la promesa de dar “el salto del antes al ahora” en cómo preparan y ejecutan la captación de clientes. El enfoque parte de integrar y analizar datos clave del potencial —desde el balance financiero hasta la información sectorial— y los somete a un motor de procesamiento basado en IA generativa (LLM). Con ello, la entidad compara de forma exhaustiva la información del lead con el comportamiento y las características de clientes que comparten perfiles análogos.
El ICP aporta así un análisis objetivo sobre la idoneidad del lead y su potencial como cliente, lo que simplifica la preparación de estrategias de captación más efectivas. En la práctica, el sistema optimiza la recopilación y el procesado de la información, asigna potenciales de manera eficiente y personalizada, y —como novedad— ofrece recomendaciones y conclusiones. Además, compara los potenciales con clientes del mismo sector, añadiendo contexto competitivo a la toma de decisiones comerciales.
Según la proyección compartida, la implantación del ICP implicará un aumento en la tasa de captación x3,2% en 2025. Un indicador que sintetiza la ambición del banco: utilizar la IA generativa para convertir datos dispersos en decisiones comerciales más rápidas y con mayor probabilidad de éxito.
El ICP está cambiando la forma en que los equipos de Banco Sabadell preparan sus visitas de captación. El sistema ofrece una visión integral del potencial del lead y recomendaciones personalizadas, condensadas en análisis claros y directos que facilitan el trabajo del gestor y orientan la propuesta comercial.
El primer efecto es la información centralizada: todos los datos relevantes se presentan de forma consolidada, evitando saltar entre múltiples fuentes y agilizando la preparación. Además, la preparación se vuelve procedimentada: el ICP realiza el análisis de base y permite que el gestor se concentre en interpretar la información, reduciendo la curva de aprendizaje.
A ello se suma la generación de análisis concisos y claros, que optimizan cada visita al eliminar ruido y destacar lo esencial. Por último, aporta visión global del cliente potencial y su contexto, junto con sugerencias de productos alineadas con sus necesidades. El resultado es una propuesta de valor más efectiva, construida sobre datos bien ordenados y criterios fáciles de aplicar en el día a día comercial.
Contextualizando el ICP
Para entender el alcance del ICP, Banco Sabadell lo explica como un sistema con dos capas complementarias. En la superficie, el front-end es la parte visible para el equipo comercial: atractiva y fácil de usar, pensada para que cualquier gestor acceda a los análisis sin fricción. Aquí, la entidad se apoya en MicroStrategy para presentar la información de manera clara y accionable.
Bajo esa capa está el back-end, descrito como “el cerebro” que hace que todo funcione en conjunto. Es la potencia operativa que orquesta los procesos y garantiza que la herramienta trabaje de forma correcta y coherente, apoyándose en tecnología de IA (OpenAI) para sostener los modelos y la lógica que hay detrás.
El valor del ICP surge precisamente de esa combinación: una experiencia de usuario cuidada que acerca los insights al gestor y una base técnica robusta que integra, procesa y articula la información. Juntas, ambas piezas permiten transformar el proceso de captación con rapidez y consistencia.
En la capa visible del ICP, Banco Sabadell se apoya en MicroStrategy para la visualización de la información ya compilada y procesada. El front-end está organizado en dos vistas principales que dan soporte al trabajo diario con 27.000 potenciales:
El resultado es un entorno sencillo para localizar oportunidades y, al mismo tiempo, lo bastante detallado como para preparar cada visita con información concreta y accionable.
La pieza invisible del ICP es un motor de IA generativa (LLMs) que ha transformado el proceso de captación. Sobre esa base, el sistema analiza el balance del potencial cliente y lo compara con empresas del mismo sector, incorporando conocimiento experto e información clave del banco. Todo ello se articula mediante un prompt diseñado ad hoc para obtener el análisis desde GPT-4o.
¿Qué aporta en la práctica? Un conjunto de ventajas para el gestor:
El resultado es un back-end que orquesta datos, contexto y recomendaciones para que el front-end entregue insights claros y accionables.
El ICP arma un pipeline que ofrece una visión específica del comportamiento financiero de cada potencial y estima su viabilidad de conversión. Todo ocurre en un motor de IA multimodal que procesa la información y la devuelve al gestor en forma de resultados claros y utilizables.
El recorrido, de extremo a extremo, es este:
Con este flujo, el banco puede priorizar los potenciales según su viabilidad y mapearlos con clientes análogos ya existentes, dando al gestor las bases para definir la estrategia de acción comercial. En la práctica, los datos pasan de procesamiento a disponibilización al usuario sin fricciones, listos para convertir análisis en decisiones.
Para priorizar los potenciales de mayor interés, Sabadell analiza los patrones de riesgo de clientes y entrena un modelo XGBoost (Q-bo) que ayuda a enfocar los esfuerzos comerciales.
El proceso arranca con la construcción del dataset: un año de histórico que incorpora balances (situación, financieros, patrimonio, etc.) y señales de red sobre la interacción entre negocios. A partir de ahí se genera el target, asignando a cada registro un “color prisma” en función del riesgo crediticio observado en los últimos tres meses.
En el entrenamiento del modelo, el equipo aplica ingeniería de variables y un análisis de correlación para reducir los parámetros de más de 230 a 13. Después, sintoniza XGBoost mediante validación cruzada para ajustar los hiperparámetros.
El refinamiento se valida con métricas de producción: AUC 0,904, precisión 96,1%, recall 88,2% y KS 0,646. Con el modelo calibrado, se pasa a puntuación: se genera el dataset de scoring y se ejecuta el modelo. En producción, los leads quedan clasificados como OK, No especificado o KO, lo que permite a los gestores concentrarse en las oportunidades con mayor probabilidad de convertirse y descartar de forma temprana las que no cumplen los criterios.
Sabadell convierte el conocimiento experto sobre cada lead en información valiosa y concisa apoyándose en un LLM. El punto de partida es una base de datos de leads enriquecida con KPIs extraídos —entre 2–10M registros—. Tras un benchmarking de modelos GPT, el banco elige GPT-4o por su equilibrio entre calidad, velocidad y coste.
El siguiente paso es la construcción del prompt. Se diseña un prompt que analiza balances financieros y orienta al modelo para que haga un análisis numérico correcto. Luego se sintoniza con dos capas:
El informe resultante llega al gestor con tres bloques accionables:
Debajo, la arquitectura de la solución encadena todo el flujo: herramientas ETL, un microservicio de invocación para la generación del prompt, un microservicio “proteo 4” que invoca GPT-4o a través de Azure OpenAI, Snowflake como plataforma de datos y MicroStrategy como capa de visualización. Así, el análisis sectorial sale del laboratorio y se entrega, limpio y útil, en la mesa del equipo comercial.
Conclusiones
El despliegue del Informe de Captación Potencial (ICP) deja algo claro: cuando la IA se integra con criterio en los procesos comerciales, acelera la preparación, objetiva los análisis y mejora la conversión. El proyecto ha servido para fijar una hoja de ruta pragmática que Sabadell quiere aplicar en siguientes iniciativas.
Claves que se llevan del proyecto:
En suma, el ICP no solo mejora la captación hoy; también construye capacidades para abordar futuros proyectos de IA con más velocidad, rigor y tracción interna.
Plan de Adopción
Para que el ICP cale en la organización, Sabadell ha diseñado un plan de adopción centrado en la gestión efectiva del cambio. El objetivo es claro: motivar al equipo, dotarlo de recursos prácticos y asegurar una transición fluida hasta convertir la herramienta en rutina de trabajo.
Las palancas son concretas:
Con esta combinación, el banco reduce la curva de aprendizaje y crea las condiciones para una adopción exitosa, donde la tecnología suma desde el primer momento al trabajo comercial.
Testimonios
El feedback preliminar confirma el encaje del ICP en el día a día comercial. Los responsables destacan que se ha pasado de cargas limitadas y poco informativas a un listado fiable de empresas con datos detallados y realmente útiles para preparar la captación. Esa mayor calidad de la información, señalan, abre nuevas posibilidades de análisis y ayuda a detectar potenciales con más propensión al éxito.
En la operativa, los directores de empresa subrayan ahorro de tiempo en la preparación de visitas, gracias a una visión agrupada de los puntos clave que tratar con cada lead. También ven una mejora clara en la efectividad para abordar oportunidades distribuidas en ámbitos geográficos amplios, al contar con un criterio homogéneo y comparable.
La lectura común de los testimonios es que el ICP eleva la calidad del dato, prioriza mejor y acelera la preparación comercial, facilitando una adopción temprana basada en utilidad tangible.
Próximos pasos
Banco Sabadell plantea una ampliación con foco estratégico para llevar el ICP a más ámbitos del banco y sumar nuevas capacidades, siguiendo un enfoque de doble expansión: por segmentos de cliente y por funcionalidad.
El banco subraya que la alta permeabilidad técnica del ICP y su potencial de amplio impacto permiten escalar con eficiencia en costes de inversión: cada nueva fase reutiliza la base ya creada y maximiza el retorno del proyecto.
Con Albert Mercadal | Corporate Head of AI | Ferrovial
Visión
Ferrovial resumió su ambición con una idea sencilla y clara: entender qué ocurre en el mundo físico para optimizarlo desde el mundo digital con IA. No se trata de una promesa vacía, sino de un camino que ya han recorrido y del que extraen aprendizajes. “Mirando al pasado”, explican cómo han integrado la inteligencia artificial en dos frentes complementarios.
Por un lado, IA embebida en productos digitales que ayudan a decidir mejor y más rápido: modelos para predecir costes en obra, analizar escenarios en aeropuertos, hacer predicciones de tráfico, estimar la demanda y segmentar clientes, o alimentar motores de recomendación de proveedores que ajustan tiempos y presupuestos en proyectos de construcción.
Por otro, IA para entender el mundo físico allí donde la operación es crítica: inspección de infraestructuras —con iniciativas como flyAI—, optimización del mantenimiento de vías y gestión de autopistas con OCR y detección de eventos para anticipar incidencias y responder con mayor precisión.
Esta visión, presentada en Barcelona AI Quest 2025, prepara el terreno para Quercus, la plataforma con la que Ferrovial busca democratizar el uso de la IA generativa y transformar procesos de negocio mediante agentes autónomos. El objetivo es coherente con su trayectoria: observar lo que pasa en el terreno, traducirlo en datos útiles y convertirlos en decisiones que mejoran la operación día a día.
Pasos hacia la empresa aumentada
Después de definir la visión, Ferrovial dibuja un itinerario nítido hacia la “empresa aumentada”. El recorrido arranca en Q2 de 2023 con el Paso 1: GenAI segura, la base sobre la que asentar cualquier avance posterior. En Q1 de 2024 llega el Paso 2: Escalabilidad –plataforma–, orientado a sostener el crecimiento y a que las capacidades no dependan de desarrollos puntuales.
Ya en Q3 de 2024, el Paso 3 pone el foco en la democratización y la autonomía del negocio, acercando la IA a quienes toman decisiones en el día a día. El Q4 de 2024 marca el Paso 4: procesos orquestados por agentes de IA, con la automatización trabajando de extremo a extremo.
En la actualidad, el roadmap sitúa a la compañía en el Paso 5: IA distribuida e integrada, un estadio en el que la tecnología se incorpora de forma transversal. A partir de ahí se despliega el “Paso… N”, el horizonte al que convergen todos los anteriores: la empresa aumentada, capaz de operar con más información, más velocidad y más calidad en cada proceso.
Ferrovial empezó por lo esencial: crear un entorno privado y securizado para la IA generativa. Sobre ChatGPT-3.5 han levantado un LLM privatizado al que el empleado accede para tareas de uso diario —redacción de textos, análisis de información, resúmenes y traducción de documentos— desde un marketplace interno (MAIA) que estandariza el acceso y reduce riesgos. La premisa es clara: si la herramienta es útil y está bien protegida, la adopción llega sola.
En paralelo, la compañía ha incorporado Microsoft Copilot como asistente personal para el puesto de trabajo. Su papel: desarrollar nuevas habilidades, mejorar la colaboración entre equipos y liberar tiempo de tareas rutinarias. El despliegue se ha acompañado de instrucciones de acceso sencillas para los usuarios de O365.
Los resultados avalan el enfoque: 90 minutos ahorrados a la semana por empleado, una mejora media del 26% en la calidad del trabajo realizado con la herramienta, y un NPS de 7,6. Además, el 82% de los usuarios afirma que se sentiría decepcionado o frustrado si Copilot desapareciera. Con estos números, Ferrovial consolida la base de su hoja de ruta: una GenAI segura que ya genera impacto medible en productividad y experiencia del empleado.
Tras asegurar la base, Ferrovial da el salto a la plataforma que permite crecer sin fricciones. QUERCUS.AI nace con una premisa clara: usar IA generativa y agentes de IA de forma segura, gobernada y eficiente para que la compañía multiplique su capacidad de ejecución.
La plataforma articula cuatro líneas de impacto. Primero, transforma cómo se gestiona y se accede al conocimiento gracias a la IA generativa. Segundo, acelera la productividad al democratizar estas capacidades entre los equipos. Tercero, impulsa la transformación de procesos mediante Agentes Expertos de IA. Y, por último, integra y ofrece estas capacidades como servicios reutilizables dentro de la organización. El proyecto se apoya en socios tecnológicos como DXC Technology, Microsoft y OpenAI.
En lo técnico, QUERCUS.AI se despliega como un conjunto de “building blocks” que se ensamblan automáticamente para cada producto de IA. Funciona en múltiples canales —web, Microsoft Teams, WhatsApp, agentes autónomos, APIs y procesos integrados— y combina modelos genéricos, modelos personalizados y su implementación operativa. Se alimenta de distintas fuentes de datos: documentos, vídeo/imagen, BBDD relacionales, web, APIs y BBDD NoSQL.
Para sostener el uso a escala, la plataforma incorpora servicios comunes: biblioteca de prompts, prompt wallet, testing automatizado, extracción de entidades, generación de contenidos, marketplace, observability, gestión de costes, API de plataforma, CI/CD, product onboarding y gestión de acceso a contenidos. Todo ello se ejecuta sobre Microsoft Azure y Edge, lo que permite que los agentes interactúen entre sí y que cada solución se orqueste con las piezas necesarias. El resultado: una base preparada para crecer, sin perder control ni eficiencia.
Ferrovial ha puesto en manos de las áreas operativas asistentes departamentales autogestionados. El propósito es claro: democratizar el uso de la IA de forma segura, con gobierno y sin depender en todo momento del equipo técnico. Para ello, la compañía ha desplegado un marketplace de asistentes especializados por dominios de negocio —finanzas, operaciones, compras, etc.— desde el que cada Business Owner puede crear su propio asistente, ajustarlo a sus necesidades y ponerlo a trabajar en pocos pasos.
La plataforma incluye una consola de conocimiento y de gestión de usuarios que permite alimentar y mantener la base documental, así como definir permisos y perfiles de acceso. El interfaz de uso es una ventana de chat en la que los profesionales preguntan y reciben respuestas apoyadas en los contenidos corporativos autorizados, lo que reduce búsquedas y acelera tareas cotidianas.
El modelo aporta cuatro diferenciadores de valor:
Con estos “self managed assistants”, Ferrovial convierte la IA en una herramienta cotidiana y controlada, acercándola a quienes ejecutan los procesos y acelerando la captura de beneficios en toda la organización.
Ferrovial da un paso más al incorporar agentes de IA que colaboran entre sí para ejecutar tareas de principio a fin. Lo ilustra con un caso potencial en obra: ante la petición de identificar riesgos en una zona, un agente se conecta a la cámara más cercana y analiza las imágenes; otro consulta las políticas de salud y seguridad y aporta experiencia; un agente experto valida el resultado y genera un informe de H&S que pregunta al usuario si quiere enviar una alerta al gerente de proyecto. Con la confirmación, el sistema registra la información en Cority y emite las notificaciones correspondientes. El flujo combina consulta, validación y comunicación sin salir del mismo entorno.
La compañía subraya que esta tecnología permite rediseñar funciones y procesos para ganar eficiencia y automatizar operaciones. Y que, combinada con la IA tradicional y la IA generativa, rompe las barreras entre el mundo físico y el digital, posibilitando un diálogo continuo con los sistemas y una operación más autónoma.
Ya hay líneas de trabajo en marcha:
Con la base de QUERCUS.AI, Ferrovial da el salto a un AI-Workbench orientado a acelerar el time-to-market de los desarrolladores. El foco ya no es solo dotar de autonomía al negocio; ahora se trata de industrializar cómo se construyen y despliegan soluciones de IA dentro de la compañía.
La prioridad pasa por integrarse con fuentes y sistemas de terceros —a través de MCPs— para que la IA trabaje donde están los datos y las aplicaciones. Además, la organización evoluciona de asistentes conversacionales aislados a procesos con agentes descentralizados que dialogan entre sí (A2A), repartiéndose tareas y coordinándose de punta a punta.
Para sostener ese modelo, Ferrovial impulsa la reutilización de agentes expertos mediante un Agent Marketplace, donde las capacidades se comparten y versionan como cualquier otro producto interno. Y adopta un principio claro: IA-first, es decir, desarrollar agentes de IA con ayuda de la propia IA, reduciendo tiempos de entrega y estandarizando buenas prácticas. Con ello, la IA se vuelve transversal, distribuida e integrada en los procesos y en el ciclo de desarrollo.
La empresa aumentada por IA
Ferrovial culmina su hoja de ruta con un manifiesto claro: todas las funciones y procesos pueden aumentar su desempeño mediante interacciones fluidas entre agentes de IA y personas —siempre con el human in the loop—.
La compañía imagina un marketplace de agentes especializados por dominios y formatos de información, invocables desde procesos transversales, que permitan pasar de una IA multimodal a una IA verdaderamente transversal. En ese escenario conviven distintos modelos dentro de un mismo flujo orquestado por agentes; las fronteras entre lo físico y lo digital se diluyen; y la automatización avanza de tareas repetitivas a procesos autónomos, pero supervisados y aumentados.
El camino no está exento de desafíos.
Y queda una pregunta abierta para todo el sector: cómo desarrollar talento sénior si los perfiles júnior se reducen por la propia automatización. Superar estos retos será, en sí mismo, una vía de diferenciación competitiva.
KPIs
Ferrovial ha definido una batería de objetivos y métricas muy concretas para aterrizar su ambición con IA generativa y agentes autónomos.
En el plano de los objetivos, la prioridad es acelerar la adopción de casos de uso apoyados en GenAI y agentes; simplificar el uso para el usuario funcional y democratizar la tecnología; enriquecer el conocimiento interno con fuentes externas mediante soluciones de terceros especializadas; y hacerlo todo con garantías, de forma segura y auditable bajo criterios de IA responsable. Además, la compañía busca paquetizar el conocimiento experto para trasladarlo a procesos de negocio y automatizarlos, replicando el trabajo que haría un profesional experimentado.
Para saber si ese plan funciona, Ferrovial se fija en seis KPIs:
Con estas reglas de juego, la empresa persigue velocidad, uso masivo y seguridad a partes iguales, midiendo no solo cuánto se despliega, sino cómo y con qué resultado en el negocio.