La inteligencia artificial ocupa un lugar destacado en la agenda de muchas empresas.Una encuesta actual entre responsables de marketing la sitúa entre los campos estratégicos más importantes.Al mismo tiempo, esos mismos estudios informan de una alta tasa de abandono: alrededor del 85 por ciento de los proyectos no alcanzan la operación productiva regular, sino que permanecen en estado piloto o se cancelan silenciosamente.
Llama la atención el motivo.Por regla general, no son los modelos los que fallan, ni tampoco las interfaces.Faltan procesos, responsabilidades claras y una base de datos sólida.Dicho de otro modo: el problema es organizativo, no técnico.
El piloto como callejón sin salida
Un desarrollo típico es el siguiente: un departamento especializado prueba una herramienta, por ejemplo para redactar borradores de texto, clasificar solicitudes o evaluar datos de formularios.La prueba funciona, los resultados convencen a pequeña escala.Después empieza el trabajo real, y es precisamente ahí donde el proyecto suele terminar.
Porque en el piloto se puede improvisar mucho.Los datos se recopilan a mano, los resultados se revisan manualmente, los errores se corrigen de forma informal.Para la operación regular eso no basta.Allí se necesitan datos de entrada definidos, responsabilidades documentadas, vías de aprobación y una respuesta a la pregunta de quién interviene cuando el sistema produce algo incorrecto.
Quien plantea estas preguntas solo después del piloto, las plantea demasiado tarde.El esfuerzo de integrar a posteriori un experimento funcional en una organización supera a menudo el esfuerzo del propio experimento, y es justo ahí donde se agotan los presupuestos.
La base de datos antes que la elección del modelo
Un patrón recurrente: las empresas debaten intensamente sobre proveedores y modelos antes de haber aclarado qué datos existen realmente en una forma aprovechable.La información de producto está en tres sistemas, los datos de clientes se mantienen de forma desigual, los contenidos del sistema de gestión de contenidos, es decir, el backend editorial del sitio web, han crecido durante años y tienen una estructura heterogénea.
Un modelo de lenguaje no compensa esas lagunas.Las reproduce.Quien, por ejemplo, planifica una búsqueda asistida por IA o una descripción de producto automatizada, debería comprobar primero si los campos están rellenados de forma consistente, si existen redundancias y si hay una fuente principal para cada dato.Este trabajo previo parece poco espectacular, pero decide si un proyecto se sostiene.
Qué distingue a los equipos que llegan a la operación
De las observaciones se pueden deducir algunos rasgos que separan los proyectos exitosos de los fallidos:
- Un proceso concreto en lugar de una tecnología. El punto de partida es una tarea identificable con un esfuerzo medible, no el deseo de utilizar IA.
- Responsabilidad designada. Hay una persona responsable de la calidad de los resultados, del mantenimiento de los datos y del desarrollo continuo.No un comité, no un departamento.
- Criterios de cancelación definidos. Antes del inicio queda fijado en qué se manifiesta el éxito y cuándo se pone fin a un proyecto.Eso evita pilotos que siguen en marcha durante años sin llegar nunca a ser productivos.
- Participación de los usuarios especializados. Quien ejecuta el proceso a diario conoce las excepciones.Son esas excepciones las que hacen fracasar los procedimientos automatizados.
- Puntos de control en el flujo. En las salidas críticas se mantiene prevista una aprobación humana, documentada, no improvisada.
Mantener expectativas realistas
Parte de los abandonos se debe a expectativas excesivas.Si un proyecto se inicia con la perspectiva de una automatización integral, cualquier alivio parcial parece un fracaso.Si, en cambio, desde el principio se persigue una mejora limitada y claramente delimitada, el beneficio puede demostrarse, y de ahí surge la base para el siguiente paso.
Por eso tiene sentido un enfoque que se mantenga manejable: un proceso, una fuente de datos, un grupo de usuarios.Solo cuando este segmento funciona de forma estable en la operación merece la pena ampliarlo.El camino inverso, una decisión amplia de plataforma sin un caso de uso probado, conduce con regularidad a sistemas que nadie utiliza.
La gobernanza no es una ocurrencia tardía
En cuanto la IA genera contenidos de forma productiva o prepara decisiones, surgen preguntas sobre trazabilidad, protección de datos y responsabilidad.Quien procesa datos de clientes debe saber a dónde van esos datos y cuánto tiempo se almacenan.Quien publica textos necesita un control editorial.Estos puntos forman parte de la planificación del proyecto, no de una corrección posterior.
El marco organizativo no es, por tanto, un freno, sino el requisito para que un piloto pueda siquiera pasar a la operación.
Clasificación para proyectos web y de software
Para los proyectos web y de procesos, esto significa sobre todo una cosa: el esfuerzo se desplaza de la selección del modelo a la preparación de datos, interfaces y flujos.Un sistema de gestión de contenidos bien estructurado, datos de producto mantenidos y vías de aprobación documentadas son la base real de cualquier función de IA en un sitio web o en el backoffice.
Quien cree esta base puede añadir o sustituir módulos de IA más adelante sin tener que reconfigurar el proyecto – y así no acaba en el grupo de iniciativas que terminan en fase piloto.