¿Por qué fracasan los proyectos de IA en empresas medianas?
Por tres motivos que se repiten: empezar eligiendo herramienta en lugar de proceso, no medir cómo estaban las cosas antes de empezar, y no definir quién valida el resultado del sistema.
Casi nunca fracasan por la tecnología. Fracasan por cómo se plantea el proyecto.
¿Qué significa empezar por la herramienta?
Contratar una plataforma y después buscar en qué usarla. Es el camino más rápido a un piloto que nadie utiliza, porque el criterio de la decisión ha sido la demostración comercial y no un problema concreto de la empresa.
El orden que funciona es el contrario: proceso, criterio de éxito, datos disponibles, y solo entonces herramienta. Con esa secuencia, además, la herramienta es intercambiable, que es una posición mucho más cómoda.
¿Por qué es tan importante medir antes?
Porque si no hay foto inicial, el resultado se discute con opiniones. Basta con anotar cuántas veces ocurre el proceso, cuánto tarda, cuántos errores genera y qué cuesta corregirlos.
Es exactamente el mismo principio que aplicamos en visibilidad: guardamos la foto de partida antes de tocar nada, para poder demostrar el cambio después. Sin eso, cualquier mejora es una sensación.
¿Cuáles son los demás errores habituales?
Estos aparecen en casi todos los proyectos que llegan atascados:
- Automatizar un proceso que nadie ha ordenado antes: si el criterio no está escrito, el sistema no puede seguirlo.
- Dejar al agente sin límites de permisos ni de gasto, y descubrirlo con un incidente.
- No prever quién atiende las excepciones, que siempre existen.
- Buscar la automatización total en lugar del 80% con validación humana en lo crítico.
- No contar con la persona que hoy hace el trabajo, que es quien conoce los casos raros.
- Cambiar el alcance a mitad del proyecto, con lo que nunca hay nada terminado que medir.
¿Cómo se plantea un proyecto que sí termina?
Un proceso, un criterio de éxito escrito, un punto de validación humana y una fecha. Cuando ese bloque funciona y está medido, se decide el siguiente con datos en la mano.
Y una regla que ahorra mucho dinero: si tras el análisis la conclusión es que ese proceso no merece automatizarse, se dice. Un proyecto que no se hace a tiempo es más rentable que uno que se abandona a medias.
Si quieres evitar ese recorrido, el sprint de oportunidades identifica el proceso, el criterio de éxito y el retorno esperado antes de escribir una línea de código.
Ver el AI Opportunity Sprint