IA en la práctica: empieza por el problema, no por el modelo
La mayoría de las iniciativas de IA empiezan por la herramienta. El punto de partida correcto es más antiguo y mucho menos glamoroso: la decisión de negocio que quieres mejorar.
La mayoría de las iniciativas de IA que fracasan empiezan en el lugar equivocado. Por el modelo, por la herramienta de moda, por el proveedor que apareció con una demo. El punto de partida correcto es más antiguo y mucho menos glamoroso: el problema de negocio.
La IA no es un objetivo. Es una forma de mejorar una decisión que ya existe en tu operación. Cuando el punto de partida es la tecnología, terminas buscando un problema que justifique la compra. Cuando el punto de partida es la decisión, la tecnología se vuelve una consecuencia.
Tres preguntas antes de cualquier piloto
Antes de comprar GPU, contratar a un proveedor o abrir un proyecto, responde tres preguntas. Una frase cada una.
- ¿Qué decisión va a mejorar esta IA?
- ¿Cuánto cuesta hoy equivocarse en esa decisión?
- ¿Quién es el dueño del proceso una vez que la IA entre?
Si no puedes responder las tres de forma clara y específica, no es momento de tecnología. Es momento de volver a la mesa y entender mejor el proceso. Ese paso atrás cuesta una conversación. Saltárselo cuesta el proyecto entero.
"Usar IA en atención" no es un objetivo
Mira la diferencia entre dos frases que escucho todo el tiempo:
"Queremos usar IA en atención al cliente."
"Queremos reducir el tiempo medio de primera respuesta sin bajar la satisfacción del cliente."
La segunda es medible. Dice qué decisión cambia (cómo y cuándo responder), cuál es la métrica (tiempo de respuesta) y cuál es la restricción (satisfacción). La primera es un post de LinkedIn. Casi todo buen proyecto nace cuando alguien reescribe la primera frase con la forma de la segunda.
Reversible, repetitivo, con datos y medible
Un filtro simple para decidir dónde aplicar IA primero. Prioriza procesos que sean:
- Repetitivos, porque la ganancia se multiplica por el volumen.
- Reversibles, porque el costo de un error es bajo y aprendes rápido.
- Con histórico de datos, porque el modelo necesita algo concreto en qué apoyarse.
- Medibles, porque sin métrica no sabes si funcionó.
Atención, clasificación de documentos, marketing, back office y análisis interno suelen marcar las cuatro. Las decisiones irreversibles, de alto riesgo regulatorio o que afectan a personas directamente van al otro lado: cautela, supervisión humana, sin prisa.
La intuición detrás de los modelos
No necesitas saber entrenar una red neuronal para decidir bien sobre IA. Pero entender la intuición ayuda a separar la promesa de la realidad. Para la explicación visual de cómo aprende una red, 3Blue1Brown lo hace mejor que cualquier diapositiva:
La conclusión
Buena tecnología aplicada a un problema mal definido sigue siendo desperdicio. Empieza por la decisión, escribe la métrica antes de encender el modelo y elige un primer caso pequeño y reversible. El resto se vuelve más fácil.