La IA no falló: el proyecto nunca estuvo listo (Caso Real)
La IA no falló: el proyecto nunca estuvo listo (Caso Real)
Embedded Files
📲 Es un placer atenderte, escribenos a info@solvobi.com | Telefono: +593 96 423 1174 | Chatbot en:
Hace poco conocí un caso real en una pyme de Cuenca, Ecuador, que me dejó pensando.
La empresa tenía una necesidad que, sobre el papel, parecía perfecta para inteligencia artificial: analizar diariamente las ventas y el stock de todos sus locales, detectar posibles quiebres de inventario y recomendar movimientos de mercadería entre tiendas.
La expectativa era bastante lógica:
“Quiero que la IA revise mi negocio todos los días y me diga dónde tengo problemas, dónde me falta producto y qué debería hacer con mi inventario”.
Suena razonable.
Incluso suena como uno de esos proyectos que hoy se venden bajo la promesa de “transformar el negocio con IA”.
Pero el resultado fue muy diferente.
El proyecto alcanzó apenas un 5% de efectividad
El proyecto alcanzó apenas un 5% de efectividad
La solución no logró entregar resultados suficientemente confiables y el proyecto no continuó.
La primera conclusión podría ser evidente:
“La IA no sirve para esto”.
Pero creo que esa es precisamente la conclusión equivocada.
El problema no necesariamente estaba en la capacidad de la inteligencia artificial. Estaba varios pasos antes.
Y este caso representa bastante bien una conversación que muchas empresas deberían tener antes de comenzar a invertir en proyectos de IA.
Darle todos tus datos a una IA no significa que entenderá tu negocio
Darle todos tus datos a una IA no significa que entenderá tu negocio
Existe una idea peligrosa alrededor de la inteligencia artificial: pensar que basta con conectarla a nuestras bases de datos para que mágicamente descubra qué está pasando y nos diga qué hacer.
No funciona así.
Los modelos de lenguaje tienen una capacidad extraordinaria para procesar información, generar contenido, identificar patrones dentro de determinados contextos y apoyar múltiples tareas. Pero eso no reemplaza la arquitectura analítica que una empresa necesita construir.
Antes de pedirle respuestas a una IA, debemos asegurarnos de que nuestros datos puedan responder las preguntas que queremos hacer.
Y ahí apareció el primer gran problema de este proyecto.
No existía una gobernanza de datos suficientemente definida ni un esquema analítico preparado para el objetivo.
Entregarle toda la base de datos a la IA no garantiza inteligencia.
Si los datos están incompletos, mal estructurados, duplicados, desactualizados o carecen de definiciones comunes, la IA simplemente tendrá más capacidad para procesar rápidamente un problema que ya existía.
En otras palabras:
datos mal gobernados + IA no producen mejores decisiones; pueden producir malas decisiones más rápido.
Antes de automatizar una decisión, hay que definirla
Antes de automatizar una decisión, hay que definirla
Supongamos que queremos que la IA detecte un problema de stock.
Parece sencillo.
Pero inmediatamente aparecen preguntas:
¿Qué significa exactamente “falta de stock”?
¿Cero unidades?
¿Inventario inferior a tres días de venta?
¿Una cobertura menor al promedio histórico?
¿Debemos considerar productos en tránsito?
¿Qué sucede si otro local tiene exceso de inventario?
¿Cuándo conviene transferir producto y cuándo conviene realizar un nuevo pedido?
¿Cuánto cuesta mover ese inventario?
¿Existe una cantidad mínima que justifique la transferencia?
Ahí está el verdadero problema.
Si la organización no ha definido cómo interpreta estas situaciones, estamos esperando que la IA invente las reglas del negocio.
Y eso no es automatización.
Es delegar una decisión que nosotros mismos todavía no hemos estructurado.
La IA necesita procesos, no solamente datos
La IA necesita procesos, no solamente datos
Antes de automatizar un proceso deberíamos poder explicar claramente dónde comienza, qué información utiliza, qué reglas aplica, qué excepciones existen y dónde termina.
La lógica debería ser algo parecido a esto:
Datos → reglas → indicadores → decisión → acción → medición del resultado.
Solo después tiene sentido incorporar IA dentro del proceso.
Esto conecta con algo fundamental en analítica: antes de construir una visualización, un dashboard o una solución tecnológica, debemos entender el contexto y saber qué queremos que alguien conozca o haga con la información. Storytelling with Data plantea precisamente la importancia de definir primero el contexto, la audiencia y la acción antes de decidir cómo utilizar los datos.
De forma similar, cuando hablamos de analítica empresarial, integrar fuentes, limpiar y transformar datos, modelarlos correctamente y definir indicadores son pasos previos a la toma de decisiones.
La IA no elimina esos pasos.
Los vuelve todavía más importantes.
El segundo problema: no existían políticas suficientemente claras
El segundo problema: no existían políticas suficientemente claras
Una IA puede trabajar bajo criterios.
El problema aparece cuando esos criterios viven únicamente en la cabeza de las personas.
Por ejemplo:
Si un producto tiene menos de X días de cobertura y otro local tiene más de Y días, evaluar una transferencia siempre que el costo logístico sea inferior a Z.
Ahora tenemos algo que podemos medir.
Tenemos variables.
Tenemos límites.
Tenemos una regla.
Y, sobre todo, tenemos una decisión que posteriormente podemos auditar.
Pero decir:
“Si parece que tenemos poco stock, revisa dónde sobra y decide si conviene moverlo”
es completamente diferente.
Para una persona con diez años trabajando en la empresa, “poco stock” posiblemente tenga sentido.
Para un sistema automatizado, necesitamos convertir ese conocimiento en criterios observables.
No todo lo ambiguo debe convertirse inmediatamente en una automatización
No todo lo ambiguo debe convertirse inmediatamente en una automatización
Aquí aparece, para mí, uno de los aprendizajes más importantes del caso.
Para automatizar una decisión necesitamos una fuente de medición.
No podemos construir procesos críticos únicamente alrededor de conceptos como “mucho”, “poco”, “parece suficiente” o “probablemente convenga”.
Tenemos que transformar esos conceptos en variables, indicadores, rangos, reglas y excepciones.
Porque si nosotros mismos no sabemos definir qué significa gris, no deberíamos esperar que la IA decida qué tonalidad de gris es aceptable para nuestro negocio.
Entonces, ¿por qué falló realmente el proyecto?
Entonces, ¿por qué falló realmente el proyecto?
No porque la idea fuera mala.
Tampoco porque analizar ventas, inventarios y transferencias entre locales sea necesariamente una tarea imposible para la inteligencia artificial.
El proyecto falló porque se intentó llegar demasiado rápido al último escalón.
Se quería una IA tomando decisiones cuando todavía faltaba construir parte de la estructura que alimentaba esas decisiones.
Faltaba gobernanza.
Faltaban reglas.
Faltaban indicadores.
Faltaba convertir conocimiento empresarial en lógica medible.
Y esta diferencia es importante porque cambia completamente la conversación.
Tal vez muchas empresas no tienen todavía un problema de inteligencia artificial.
Tienen primero un problema de datos, procesos y decisiones.
Antes de comenzar tu próximo proyecto de IA, hazte estas preguntas
Antes de comenzar tu próximo proyecto de IA, hazte estas preguntas
Si estás pensando en implementar inteligencia artificial dentro de tu empresa, antes de preguntar qué modelo utilizar, pregúntate:
¿Mis datos están limpios, estructurados y gobernados?
¿Puedo explicar claramente dónde comienza y termina el proceso?
¿Sé exactamente qué decisión quiero automatizar o apoyar?
¿Tengo indicadores que permitan medir esa decisión?
¿Las reglas del negocio están documentadas?
¿He definido qué debe suceder ante las excepciones?
¿Puedo medir si la recomendación de la IA fue correcta?
¿Existe una persona responsable de validar y mejorar el proceso?
Si varias respuestas son no, posiblemente todavía no necesitas comenzar por la IA.
Necesitas comenzar por ordenar el negocio que quieres que la IA entienda.
Porque implementar inteligencia artificial sobre procesos que todavía no están definidos no necesariamente vuelve más inteligente a una organización.
A veces solamente hace que sus problemas viajen más rápido.
Y quizá esa sea una de las conversaciones que más necesitamos tener hoy:
antes de preguntarnos qué puede hacer la IA por nuestra empresa, deberíamos preguntarnos si nuestra empresa está preparada para decirle a la IA qué necesita hacer.
¿Qué piensas? ¿Cuántos proyectos de IA realmente fracasan por la tecnología y cuántos fracasan porque intentamos automatizar decisiones que todavía no hemos aprendido a definir?
José Andrés Quito
23-08-2026
Estamos listos para ayudarte: https://presentacion.solvobi.com
Page updated
Report abuse