¿Por qué fracasan los primeros proyectos de IA?

Casi siempre por el mismo motivo: se elige el caso de uso más vistoso en lugar del más medible. Un asistente conversacional para clientes suena mejor en una presentación que «clasificar automáticamente los correos que entran a soporte», pero el segundo se puede medir en dos semanas y el primero compromete la cara de la marca.

El segundo motivo es la calidad de los datos. La IA no arregla información desordenada: la amplifica. Si tus documentos están dispersos y desactualizados, un asistente que los consulte va a dar respuestas dispersas y desactualizadas, con mucha seguridad y buen tono.

¿Qué tareas son buenas candidatas?

Una tarea es buena candidata cuando cumple tres condiciones a la vez:

  • Es repetitiva y ocurre con frecuencia conocida (diaria o semanal).
  • Trabaja sobre texto o datos poco estructurados: correos, documentos, formularios, transcripciones, tickets.
  • Tiene un criterio claro de «bien hecho», de modo que puedas verificar el resultado sin discutirlo.

Ejemplos concretos: clasificar y enrutar solicitudes entrantes, extraer datos de facturas o contratos, generar primeros borradores de respuestas comerciales, resumir llamadas de venta y volcarlas al CRM, responder preguntas internas sobre documentación.

¿Cómo priorizo entre varios casos de uso?

Ubica cada candidato en una matriz de impacto (cuánto tiempo o dinero libera al año) contra esfuerzo (integraciones necesarias, calidad de los datos, riesgo si se equivoca).

La regla práctica: tu primer proyecto sale del cuadrante de alto impacto y bajo esfuerzo, aunque sea el menos espectacular. Los casos de alto impacto y alto esfuerzo son los que justifican la inversión grande, pero solo después de que la organización ya tenga una victoria demostrable.

Descarta sin culpa el cuadrante de bajo impacto: son los proyectos que se hacen «porque se puede».

¿Cuánto debería durar el primer proyecto?

Semanas. Si tu primer caso de uso requiere seis meses antes de mostrar un resultado, elegiste mal. El objetivo del primer proyecto no es transformar la operación: es que tu equipo aprenda a trabajar con IA y que tú aprendas dónde están los cuellos de botella reales —que casi siempre resultan ser de datos y de procesos, no de modelos.

¿Qué necesito tener listo antes de empezar?

Menos de lo que se suele creer, pero no cero:

  • Saber dónde vive la información que el sistema va a consultar.
  • Una persona del negocio que pueda decir si un resultado es correcto.
  • Una métrica antes de empezar, para poder comparar después.
  • Claridad sobre qué datos no pueden salir de la organización.

¿Y si mi equipo no tiene perfil técnico?

No hace falta que lo tenga. Lo que sí hace falta es alguien que conozca el proceso a fondo, porque la parte difícil de un proyecto de IA rara vez es el modelo: es definir con precisión qué debe pasar en los casos ambiguos. Esa definición la hace quien entiende el negocio, no quien programa.

Ese es exactamente el trabajo de un AI Discovery: traducir la operación a casos de uso priorizados antes de invertir en desarrollo.