La inteligencia artificial se ha convertido en una especie de invitado obligatorio en las conversaciones empresariales. Está en los comités directivos, en los planes estratégicos, en las presentaciones comerciales y, por supuesto, en los presupuestos de transformación digital. Pareciera que toda organización necesita tener un proyecto de IA para demostrar que está avanzando. Sin embargo, mientras observo este entusiasmo, cada vez me hago una pregunta más sencilla: ¿realmente necesitamos tantos proyectos de inteligencia artificial o estamos financiando iniciativas simplemente porque llevan la etiqueta de IA?
El problema no está en experimentar. De hecho, considero que experimentar sigue siendo fundamental para entender las posibilidades de una tecnología que evoluciona rápidamente. La dificultad aparece cuando confundimos experimentar con invertir sin criterios claros. Una demostración impresionante puede captar nuestra atención en pocos minutos, pero eso no significa necesariamente que detrás exista un problema empresarial suficientemente relevante.
Primero el problema, después la IA
Antes de discutir qué modelo utilizar, qué proveedor contratar o qué plataforma implementar, prefiero comenzar por algo mucho menos sofisticado, es decir, entender qué queremos cambiar. La primera pregunta debería ser bastante concreta: ¿qué decisión, actividad o proceso será diferente después de implementar la IA?
Si la respuesta se limita a expresiones como “mejoraremos la productividad”, “seremos más innovadores” u “obtendremos mejores insights”, probablemente todavía no tenemos un proyecto. Tenemos, en el mejor de los casos, una intención. Para mí, un proyecto comienza a tener sentido cuando podemos identificar quién utilizará la solución, qué hace actualmente, qué hará diferente y, sobre todo, qué valor generará ese cambio.
Esto parece evidente, pero en medio del entusiasmo tecnológico podemos terminar buscando problemas para justificar una solución que ya queremos implementar. El orden debería ser exactamente el contrario. Primero entendemos el problema y después evaluamos si la IA representa realmente la mejor alternativa para resolverlo.
Sin buenos datos, la promesa se queda corta
Ahora bien, identificar correctamente el problema tampoco es suficiente. Podemos tener una excelente oportunidad y descubrir después que nuestros datos no están preparados para aprovecharla. Aquí aparece una de las contradicciones que más me llaman la atención: hablamos mucho de inteligencia artificial, pero no siempre hablamos con la misma intensidad de calidad, disponibilidad y gobernanza de datos.
La IA puede ser la parte más visible del proyecto, aunque buena parte del trabajo real ocurre mucho antes. ¿Tenemos los datos necesarios? ¿Son confiables? ¿Podemos acceder a ellos? Y, todavía más importante, ¿tenemos derecho a utilizarlos para ese propósito?
Por eso, la preparación de los datos no debería aparecer como una actividad secundaria dentro del proyecto. En muchos casos constituye una condición previa para decidir si vale la pena iniciarlo. Una organización puede tener acceso a modelos cada vez más sofisticados, pero si sus datos son incompletos, inconsistentes o difíciles de utilizar, la tecnología tendrá poco margen para generar resultados sostenibles.
Alguien tiene que responder por el resultado
Existe otra pregunta que considero determinante: ¿quién será responsable cuando el proyecto deje de ser un proyecto? Durante el piloto todo parece relativamente sencillo. Existe un equipo, un cronograma, un presupuesto y alguien encargado de presentar los avances. Pero el verdadero desafío comienza cuando la solución entra en operación.
Los modelos requieren seguimiento, ajustes y eventualmente reemplazo. Por eso, me preocupa cuando la responsabilidad termina exclusivamente en el área de tecnología o, peor aún, en el proveedor. Si la IA pretende transformar un proceso del negocio, entonces alguien del negocio debe asumir la responsabilidad por sus resultados.
Esto implica pasar de hablar únicamente de responsables tecnológicos a identificar propietarios del valor generado. La pregunta deja de ser quién implementó la herramienta y pasa a ser quién responde porque esa herramienta produzca mejores decisiones, reduzca tiempos, disminuya costos o genere una experiencia diferente para el cliente.
También debemos saber cuándo detenernos
Necesitamos recuperar una práctica que muchas veces desaparece cuando hablamos de innovación: definir qué significa tener éxito. No basta con afirmar que una solución “funciona”. Necesitamos una línea base, una meta y un horizonte temporal. Pero añadiría algo que considero todavía más importante: debemos acordar desde el comienzo bajo qué condiciones estaremos dispuestos a detenernos.
Nos encanta inaugurar pilotos, pero nos cuesta cerrar aquellos que no producen resultados. Así terminamos acumulando pruebas de concepto que sobreviven durante meses porque nadie quiere reconocer que la hipótesis inicial simplemente no funcionó.
Por eso encuentro especialmente valioso pensar la inversión en IA por etapas. En lugar de comprometer grandes presupuestos desde el inicio, podemos liberar recursos conforme aparezca evidencia. Primero validamos el problema, después los datos, luego la solución y finalmente su capacidad para escalar. Esto no significa burocratizar la innovación. Al contrario, significa protegerla. Cuando los recursos son limitados, continuar financiando una iniciativa sin evidencia también implica dejar de financiar otras que podrían generar mayor valor.
De implementar IA a saber elegir dónde utilizarla
Finalmente, todavía queda una pregunta que muchas organizaciones preferirían dejar para después: ¿podríamos explicar tranquilamente nuestra solución frente a un cliente, un auditor o un regulador? Si necesitamos demasiadas explicaciones para justificar cómo utilizamos los datos, quién toma la decisión final o por qué un algoritmo recomienda determinada acción, posiblemente tenemos un problema de gobernanza que ninguna precisión técnica podrá ocultar.
Todo esto me lleva a pensar que el desafío empresarial frente a la IA está cambiando. Durante los últimos años nos preocupamos por aprender a utilizarla. Ahora necesitamos aprender a seleccionar dónde utilizarla. Y esa segunda capacidad podría terminar siendo mucho más importante.
Una organización madura en IA no será necesariamente aquella que tenga más proyectos, más pilotos o más herramientas contratadas, sino aquella que pueda explicar con claridad por qué decidió invertir en unos y descartar otros.
Al final, quizás necesitemos menos presentaciones espectaculares y más preguntas incómodas. Preguntar qué problema resolvemos, qué datos tenemos, quién responde por los resultados, cómo mediremos el valor y bajo qué condiciones estaremos dispuestos a detenernos puede parecer menos atractivo que hablar del próximo modelo de IA. Sin embargo, allí comienza una verdadera gestión de la IA. Porque decirle sí a la IA es sencillo. Lo difícil, y probablemente lo estratégico, es saber exactamente a qué le estamos diciendo sí.
