Por qué fracasan muchos proyectos de IA: procesos, datos y gobernanza antes que tecnología

Cada vez son más los proyectos de IA que fracasan, y casi nunca por culpa de la tecnología. En los últimos dos años parece que todas las organizaciones tienen la misma prioridad: incorporar inteligencia artificial

Cada semana aparecen nuevos modelos, nuevos asistentes y nuevas promesas sobre cómo reducir costes, automatizar tareas o aumentar la productividad. La tecnología avanza a una velocidad extraordinaria.

Sin embargo, es habitual encontrar en muchas organizaciones que el verdadero problema sigue siendo el mismo que hace cinco años: procesos poco definidos, datos inconsistentes y decisiones de negocio que dependen más de la experiencia de determinadas personas que de reglas conocidas por toda la organización. Y es precisamente ahí donde conviene hacer una pausa.

La inteligencia artificial no va a solucionar esos problemas, simplemente los hará más visibles. La IA no corrige aquello con lo que trabaja, sino que actúa sobre ello.

Si los procesos son sólidos, los acelerará; y si los datos son fiables, ayudará a tomar mejores decisiones. Pero cuando una organización funciona apoyándose en excepciones, conocimiento no documentado y datos inconsistentes, la tecnología no elimina esas carencias, las amplifica.

Por eso, cuando hoy hablamos de incorporar inteligencia artificial a una empresa, cada vez hablamos menos de asistentes que responden preguntas y más de agentes capaces de consultar sistemas, tomar decisiones y ejecutar acciones de forma autónoma. Y cuanto mayor es su capacidad para actuar, mayor es también la importancia de que aquello sobre lo que actúan esté bien definido.

Imagina que entregas un Ferrari a alguien que no tiene carretera por la que conducir. El coche es espectacular y la potencia también, pero el resultado seguirá siendo el mismo: un Ferrari atravesando un campo de tierra a 200 km/h.

Eso es exactamente lo que ocurre cuando implantamos inteligencia artificial sobre procesos mal definidos. No existe tecnología capaz de compensar un proceso que nadie entiende completamente, datos repartidos entre varios sistemas sin una fuente clara de verdad, o decisiones que se siguen tomando simplemente porque «siempre se ha hecho así».

El problema no suele ser la inteligencia artificial. El problema es la madurez de la organización sobre la que se implanta.

Por qué fracasan los proyectos de IA en la práctica

Pensemos en un escenario habitual.

Una empresa del sector retail decide automatizar la gestión de pedidos mediante un agente de IA. El objetivo es sencillo: reducir tareas manuales, agilizar el procesamiento de pedidos y minimizar errores.

El agente entra en funcionamiento y, durante las primeras horas, todo parece ir bien. Sin embargo, pronto empiezan a aparecer pedidos duplicados.

La investigación revela que el campo «estado del pedido» tiene cinco denominaciones distintas según el sistema que lo registra. Durante años, esa inconsistencia había pasado desapercibida porque los equipos la corregían manualmente como parte de su trabajo diario.

El agente no cometió ningún error. Simplemente hizo exactamente aquello para lo que había sido configurado.

Otro escenario habitual es el de una empresa de servicios financieros que implanta un agente para clasificar y priorizar incidencias de clientes. Las pruebas son satisfactorias y el comportamiento del sistema parece correcto. Sin embargo, al pasar a producción, empiezan a clasificarse como incidencias de baja prioridad reclamaciones de clientes estratégicos.

La causa tampoco está en la IA. Las reglas de negocio que diferenciaban a esos clientes nunca habían sido documentadas; formaban parte del conocimiento de varias personas con años de experiencia en la organización. Mientras ellas intervenían manualmente, el proceso funcionaba sin problemas. Cuando la decisión pasó a un agente, ese conocimiento dejó de formar parte del proceso.

Cada vez que aparece una excepción, la integración deja de comportarse como se esperaba. No suele producirse un fallo evidente ni una caída del sistema. Los errores simplemente se van acumulando y pueden pasar días, o incluso semanas, hasta que alguien detecta que el proceso ya no está funcionando correctamente.

Los ejemplos tienen algo en común: el problema nunca fue el agente, sino la organización sobre la que tenía que tomar decisiones.

Por eso conviene hacer una distinción importante. Cuando hablamos de agentes de IA no nos referimos simplemente a un chatbot capaz de responder preguntas. Hablamos de sistemas que consultan información, interpretan un contexto, toman decisiones y ejecutan acciones en nombre de la organización.

Cuanto mayor sea su capacidad para actuar, mayor será también la necesidad de que los procesos, las reglas de negocio y los datos sean coherentes.

Aquí resulta útil pensar en un GPS, no por la tecnología en sí, sino por la información sobre la que trabaja. Un GPS con mapas de hace diez años seguirá calculando rutas con absoluta seguridad, aunque algunas carreteras hayan desaparecido, otras hayan cambiado de sentido y muchas incorporaciones ya no existan. El problema no es el GPS. El problema es que está tomando decisiones sobre una representación incompleta de la realidad.

Con la inteligencia artificial ocurre exactamente lo mismo. Cada decisión que toma un agente refleja el grado de madurez de la organización que hay detrás: la calidad de sus procesos, la solidez de sus reglas de negocio y la fiabilidad de sus datos.

La IA no oculta las debilidades de una organización. Las hace visibles.

La calidad del dato no es un problema técnico

Hasta este punto hemos hablado de procesos, reglas de negocio y agentes de IA. Sin embargo, hay un elemento que conecta todos esos aspectos y que, con frecuencia, recibe menos atención de la que merece: los datos.

Cuando una organización decide incorporar inteligencia artificial, la conversación suele empezar hablando de modelos, plataformas o herramientas. Sin embargo, rara vez comienza con una pregunta mucho más importante: ¿podemos confiar realmente en nuestros datos?

En nuestra experiencia, muchos proyectos de IA no fallan por un problema de inteligencia artificial, sino de información.

Es habitual encontrar un mismo cliente registrado con nombres diferentes en varios sistemas, productos identificados con códigos distintos según el departamento que los consulte, o aplicaciones que muestran estados diferentes para un mismo pedido. Cuando alguien pregunta cuál de esos datos es el correcto, la respuesta suele ser tan sincera como preocupante: «Depende del sistema que consultes.»

Ese problema ya existía antes de la IA. Lo que cambia es que deja de pasar desapercibido. Mientras las decisiones las tomaban las personas, la experiencia compensaba muchas de esas inconsistencias. Los equipos sabían qué sistema consultar, qué dato ignorar o cuándo era necesario hacer una comprobación adicional.

Un agente de IA no dispone de ese contexto implícito. Trabaja con la información que recibe y, si esa información es inconsistente, sus decisiones también lo serán.

Por eso, la calidad del dato no es únicamente un problema tecnológico. Es, sobre todo, un problema de gobierno. Significa tener claro quién es responsable de cada dato, cuál es la fuente de verdad cuando existen varias versiones, cómo se valida la información antes de utilizarla o qué ocurre cuando dos sistemas entran en conflicto.

Son preguntas sencillas de formular, pero no siempre fáciles de responder. Y, sin embargo, ahí suele estar la diferencia entre implantar IA y hacerlo con garantías.

Cuando una empresa dedica tiempo a documentar sus procesos críticos, identificar sus fuentes de verdad y definir quién es responsable de mantener cada dato, la conversación cambia por completo. La inteligencia artificial deja de apoyarse en información dispersa para trabajar sobre una base mucho más fiable.

Eso no significa que desaparezcan todos los errores; ningún sistema está libre de ellos. La diferencia es que ahora los errores son previsibles, trazables y corregibles, lo que cambia por completo la forma de gestionar un proyecto de IA.

Al final, la diferencia rara vez está en el modelo que eliges. Está en los cimientos sobre los que construyes.

La IA es el acelerador, no el punto de partida

La inteligencia artificial seguirá evolucionando.

Dentro de unos meses aparecerán modelos más rápidos, más precisos y más asequibles que los actuales. Llegarán nuevos agentes, nuevas plataformas y capacidades que hoy ni siquiera imaginamos. Eso forma parte de la evolución natural de la tecnología.

Lo realmente difícil seguirá siendo conocer cómo funciona una organización, entender cómo circula la información, documentar las reglas de negocio y disponer de datos en los que se pueda confiar. La tecnología evoluciona, pero la complejidad de las organizaciones no lo hace al mismo ritmo.

Por eso, y según lo que hemos podido comprobar, el éxito de un proyecto de inteligencia artificial rara vez depende únicamente del modelo elegido. Depende, sobre todo, del trabajo realizado antes de implantarlo: de la calidad de los procesos, de la fiabilidad de los datos y de la capacidad de una organización para convertir el conocimiento individual en conocimiento compartido.

En realidad, la inteligencia artificial no crea organizaciones más eficientes. Hace más eficientes a las organizaciones que ya estaban preparadas para serlo.

Cómo lo abordamos en 3digits

Por eso, cuando una empresa nos plantea una iniciativa de IA, en 3digits la primera conversación casi nunca gira en torno a la tecnología.

No empezamos preguntando qué modelo quiere utilizar, qué plataforma ha elegido o qué agente quiere desplegar. Preferimos empezar por cuestiones mucho más básicas:

• ¿Cómo se toman hoy las decisiones?
• ¿Dónde reside realmente el conocimiento del negocio?
• ¿Qué ocurre cuando aparece una excepción?
• ¿Qué datos pueden considerarse la fuente de verdad?

Las respuestas a esas preguntas suelen determinar mucho más el éxito de los proyectos de IA que cualquier decisión tecnológica posterior.

Porque sí, tu empresa necesita inteligencia artificial. Pero no como punto de partida, sino como consecuencia de haber construido unos procesos sólidos, unos datos fiables y un modelo de gobierno que permita confiar en las decisiones que va a tomar.

Ese es el trabajo que, desde 3digits, ayudamos a realizar antes de hablar de modelos, plataformas o agentes.

Porque la mejor implantación de IA no es la que utiliza la tecnología más avanzada, sino la que consigue que la tecnología genere valor sobre una organización preparada para aprovecharla.