La mayoría de programas de IA no fracasan porque el modelo estuviera mal. Fracasan porque la pregunta estaba mal.
El patrón que vemos cada trimestre
Un consejo se entusiasma con la IA. Se contrata a una consultora. Seis meses después hay una prueba de concepto que impresionó al comité, quedó bonita en una demo, y nunca llegó a producción. Ningún KPI se movió. Ningún ingreso se vio afectado. Presupuesto quemado, confianza dañada.
Esto pasa en ~80% de los proyectos corporativos de IA. Las razones se repiten de forma aburrida.
1. El problema era técnico, la métrica era vaga
Si la reunión de kickoff termina con “queremos usar IA para mejorar la experiencia del cliente”, ya has perdido. El proyecto va a derivar, porque no hay una definición compartida de “hecho”.
Lo que sí funciona: cada proyecto arranca con un resultado medible y concreto — “reducir el volumen de tickets de nivel 1 un 30% en 90 días”, “bajar el tiempo de procesado manual de facturas de 12 min a 2 min”. La parte de IA es secundaria; el objetivo de negocio es el ancla.
2. Nadie se hacía dueño del cambio
Entregar un modelo no es entregar valor. El valor ocurre cuando una persona cambia su comportamiento — un jefe de operaciones confía en el pronóstico, un comercial usa el lead scoring, un manager jubila el informe viejo. Sin un responsable interno con piel en el juego, el modelo se ignora.
3. La auditoría de datos fue después del piloto
La calidad de los datos es el techo. No puedes compensar con modelo unos labels ausentes, sistemas aislados, o un CRM que tres equipos distintos mantienen de forma distinta. Hoy rechazamos cotizar un proyecto de implementación sin antes hacer una auditoría de datos de dos semanas — ahorra al cliente cientos de horas de modelado en vano.
4. Se saltaron el 80% aburrido
RAG, agentes y fine-tuning se llevan la atención. El proyecto en realidad depende de: ¿cómo se refrescan los datos? ¿Quién es dueño de los prompts? ¿Cómo detectas regresiones? ¿Dónde están los controles de acceso? Cada despliegue exitoso tiene más glue code que código de modelo.
Cómo estar en el 20%
- Empieza por la P&L, no por el stack. Pregunta: “si esto funciona, ¿qué línea de la P&L se mueve y cuánto?” Si no sabes responder, no empieces.
- Comprométete con una métrica antes que con un modelo. Define la métrica, el baseline y el objetivo por escrito. Antes de picar código.
- Elige un decisor y un flujo. “IA para la empresa” no es un proyecto. “IA dentro del comité semanal de pipeline del director comercial” sí.
- Entrega algo vergonzosamente pequeño primero. Si en la semana 3 no hay nada vivo, ya estás en modo diapositiva.
La IA nunca había sido tan fácil de construir. Tampoco nunca había sido tan fácil malgastar dinero con ella. El 20% que entrega resultados no es el que tiene los mejores modelos — es el que tiene las preguntas más claras.