Vi esto de cerca. Una empresa de logística con 1.200 empleados decidió "hacer IA." El VP de Operaciones había visto una demo en una conferencia — un sistema de ruteo inteligente que prometía reducir tiempos de entrega un 18%. Volvió con un mandato: construir algo así para el segundo trimestre.

El equipo pasó seis semanas evaluando proveedores. Eligieron uno. Pasaron otras cuatro semanas con acuerdos de acceso a datos y revisiones de seguridad. Cuando ingeniería finalmente empezó a construir, se dieron cuenta de que nadie había documentado cómo se tomaban las decisiones de ruteo en la práctica. Los despachadores usaban una combinación de un modelo de Excel con 10 años de antigüedad, conocimiento personal de las preferencias de cada conductor, y llamadas telefónicas a los encargados de depósito. Nada de eso estaba en ningún sistema.

El proyecto murió en el mes cinco. Gasto total: $220K. Líneas de código en producción: cero.

Esto no es la excepción. Es lo normal.

Se elige el problema equivocado

Cuando los ejecutivos aprueban una iniciativa de IA, casi siempre eligen el problema que suena más impresionante en una presentación de directorio. Ruteo inteligente. Pronóstico de demanda. Predicción de churn. Son problemas reales con valor real — pero también son los más difíciles de implementar porque viven en la intersección de múltiples sistemas, equipos y fuentes de datos.

La mejor decisión es aburrida. Encontrar el proceso que quema más horas de trabajo al mes. Suele ser algo que nadie menciona en las reuniones estratégicas: conciliación de facturas, clasificación de documentos, generación de reportes de cumplimiento, carga de datos de un sistema a otro. Estos procesos son dolorosos, repetitivos, están bien acotados y — esto es lo que importa — las personas que los hacen pueden explicar exactamente cómo funcionan.

Los datos de Gartner 2024 ponen la tasa de fracaso en 78% para pilotos de IA que nunca llegan a producción. El costo promedio de una prueba de concepto está entre $150K y $300K. Para el 22% que sí llega, el tiempo promedio desde la prueba de concepto hasta producción es de 9 meses. Esos números deberían hacer pensar a cualquiera antes de perseguir el caso de uso más vistoso.

No se puede automatizar lo que nadie documentó

Este es el asesino número uno.

Los equipos saltan directo a la selección de tecnología sin entender el proceso que quieren automatizar. Asumen que el proceso está documentado en algún lado. No lo está. En la mayoría de las organizaciones, el proceso real vive en la cabeza de 4 a 8 personas que lo vienen haciendo hace años. Han construido parches sobre parches. Saben que cuando el sistema muestra "aprobado" en realidad significa "pendiente de segunda revisión" porque alguien configuró mal un código de estado en 2019 y nadie lo arregló. Saben que hay que llamar a María en contabilidad los martes porque el reporte automático pierde las transacciones del fin de semana.

Nada de esto es visible para el equipo de IA. Construyen un sistema basado en lo que creen que pasa. No coincide con la realidad. El sistema produce resultados incorrectos. La gente deja de confiar. El proyecto muere.

Antes de escribir una sola línea de código, hay que sentarse con las personas que hacen el trabajo y mapear el proceso paso a paso. Cada entrada, cada punto de decisión, cada excepción, cada parche. Esto toma 2 a 4 semanas. La mayoría de los equipos lo saltan porque se siente lento. Pero saltarlo es lo que convierte un proyecto de 3 meses en un fracaso de 12.

La trampa de la prueba de concepto

Las pruebas de concepto son seductoras. Se construye una demo en un ambiente controlado con datos limpios. Funciona perfecto. El sponsor ejecutivo está encantado. El proveedor está encantado. Todos acuerdan pasar a la "Fase 2."

Entonces la Fase 2 choca con la realidad. La demo usó un dataset curado de 500 registros. Producción tiene 2 millones de registros con formato inconsistente, campos vacíos y casos borde que nadie anticipó. La demo corría sobre una API independiente. Producción necesita integrarse con SAP, Salesforce, un mainframe legacy y dos herramientas internas que no tienen API. La demo procesaba un tipo de documento. Producción tiene 14 tipos de documentos con layouts diferentes en 3 oficinas regionales.

La distancia entre una demo funcional y un sistema en producción es donde mueren la mayoría de los proyectos. La solución no es saltarse la prueba de concepto — es construirla contra datos reales, sistemas reales y casos borde reales desde el día uno. Sí, es más lento para arrancar. Pero los problemas difíciles aparecen en la semana 3 en vez del mes 6.

Qué funciona de verdad

Empezar por el proceso manual más doloroso de la operación. No el más estratégico. No el más impresionante. El más doloroso. Ese donde la gente pasa horas haciendo trabajo que detesta, donde los errores son frecuentes y donde el resultado esperado está bien definido.

Mapear ese proceso por completo antes de tocar cualquier tecnología. Hablar con las personas que lo hacen. Observarlas mientras lo hacen. Documentar cada paso, cada excepción, cada parche. Se va a descubrir que el proceso real es entre un 40% y un 60% más complejo de lo que la gerencia cree.

Después, construir un sistema estrecho que resuelva esa única cosa. No una plataforma. No una "solución potenciada por IA." Una herramienta específica que toma una entrada específica y produce una salida específica que una persona específica puede verificar. Desplegarlo en paralelo al proceso existente — no como reemplazo, como asistente. Dejar que la gente revise su trabajo. Corregir los errores. Iterar.

Esto no es glamoroso. No sirve para una charla en un congreso. Pero es cómo se pasa de cero a un sistema de IA funcionando en producción. Y una vez que hay uno, el segundo es más rápido porque la organización ya desarrolló el músculo: sabe cómo documentar procesos, cómo manejar la calidad de datos, cómo gestionar la transición de manual a automático.

Si quieren ver cómo se ve esto en la práctica, nuestra página de soluciones lo desglosa por industria y tipo de proceso.

La versión directa: la mayoría de las empresas no necesitan una "estrategia de IA." No necesitan un Centro de Excelencia de IA. No necesitan contratar un Chief AI Officer. Necesitan elegir un proceso roto, entenderlo por completo, y construir un sistema que lo arregle. Todo lo demás es una distracción que enriquece consultores y deja a los equipos de operaciones exactamente donde empezaron.