Un proyecto de IA es cualquier iniciativa en la que una empresa decide aplicar inteligencia artificial a algo suyo: automatizar un proceso, montar un chatbot que atienda a clientes, un asistente que responda con sus documentos, un sistema que clasifique correos o facturas. En resumen, coger un problema del día a día e intentar resolverlo con IA.
Y casi todos empiezan igual de bien. Muchos terminan igual de mal, aparcados en un cajón unos meses después. Lo curioso es que casi nunca es culpa de la tecnología.
Fracasar es la norma, no la excepción
Gartner calculaba en julio de 2024 que al menos el 30% de los proyectos de IA generativa se abandonan después de la prueba de concepto, lo que se llama el piloto. Los motivos suelen ser datos de mala calidad, controles de riesgo insuficientes, costes que se disparan y un valor de negocio poco claro.
Si miramos la IA en general, la foto es aún más dura. En 2024, una revisión de la corporación RAND estimó que más del 80% de los proyectos de IA fracasan, el doble que los proyectos de tecnología que no usan IA. Su conclusión, tras entrevistar a 65 ingenieros y científicos de datos, es rotunda: la mayoría de esos fracasos no son técnicos.
El piloto siempre sale bien, y ahí está la trampa
El día que enciendes una IA, todo encaja. Y encaja por un motivo concreto: en el piloto solo aparecen los casos que ya habías previsto y probado. Los de siempre, los que esperabas. La IA los resuelve sin despeinarse, la demo impresiona y parece que ya está.
Pero un piloto es un entorno de laboratorio. Le enseñas justo lo que sabes que va a pasar, y responde justo como querías. Nada que ver con lo que llega después.
La tercera semana: cuando entra la vida real
Cuando el sistema entra en el día a día, empiezan a aparecer los casos que nadie preparó. Un pedido con los datos incompletos. Un documento mal escaneado. Esa excepción que tu equipo resolvía a ojo y no anotó en ningún sitio.
La IA no ha visto nunca esos casos, así que no sabe qué hacer con ellos. Y ahí, en esa tercera semana, es donde el proyecto se viene abajo. No porque el modelo fuera malo, sino porque nadie contó con que la realidad siempre trae variables que no caben en una demo.
No es teoría: cuando la IA choca con la realidad
Dos historias virales lo explican mejor que cualquier informe.
En un partido de fútbol retransmitido con cámaras automáticas, el sistema de visión por ordenador tenía una orden simple: seguir el balón. Se pasó medio partido enfocando la cabeza calva del juez de línea. Hacía justo lo que le habían pedido, solo que no tenía ni idea de qué era un partido.
La segunda: un robot de reparto siguió su ruta con toda la eficiencia del mundo y se coló por debajo del precinto de una escena policial. No era imprudente. Una cinta de no pasar no significaba nada para él. Tarea cumplida, contexto ignorado.
Las dos cuentan lo mismo que la tercera semana de cualquier proyecto: la IA ejecuta de maravilla lo que ya ha visto, pero no tiene sentido común para lo que no estaba en el guion. Por eso, cuando sus decisiones importan, necesita a una persona cerca.
Por qué "más IA" no arregla nada
Cuando algo falla, la reacción instintiva es pedir un modelo más potente. Casi nunca es la solución.
Lo confirma RAND al buscar las causas de fondo. La más frecuente no es técnica, es de comunicación: los malentendidos sobre para qué sirve el proyecto entre quien construye la herramienta y quien conoce el negocio. Los proyectos que salen adelante están obsesionados con el problema que quieren resolver, no con la tecnología que usan.
Dicho claro: el cuello de botella rara vez es el modelo. Es el proceso, los datos y las personas que hay alrededor.
Cómo evitar que tu proyecto acabe en ese 30%
No hay fórmula mágica, pero sí unas cuantas decisiones que marcan la diferencia. Empieza por un problema que merezca la pena, porque la IA no es para todo, es para lo que de verdad importa. Pon a hablar a negocio y a técnica desde el primer día, ya que el mayor riesgo es el malentendido sobre el objetivo. Céntrate en el problema, no en la herramienta, que el modelo es lo último que se elige. Cuida los cimientos, los datos y dónde vas a desplegar. Y trata el arranque como el día uno, no como la meta: esos casos reales que rompieron el piloto son, precisamente, el material con el que se afina el sistema.
En Databot lo vemos así
Para nosotros, entregar una automatización no es el final del proyecto. Es el principio de la relación. Automatizar es relativamente fácil. Lo difícil, y lo que decide si la IA suma o resta, es acompañar esa tercera semana en la que aparecen los casos que nadie preparó.
Si estás pensando en automatizar un proceso con IA y quieres hacerlo bien desde el principio, hablémoslo.
¿Vas a automatizar un proceso?
Te acompañamos en esa tercera semana, y en todas las que vienen después.
