Una empresa madura con IA sabe qué pilotos debe abandonar
Muchas empresas confunden la actividad con el progreso. Lanzan varios pilotos de inteligencia artificial, contratan licencias, organizan una presentación interna y celebran las horas que, en teoría, van a ahorrar. Todo eso demuestra movimiento. No demuestra todavía que la IA esté aportando valor.
La pregunta incómoda llega después: ¿qué ocurre cuando una prueba no genera el resultado esperado, cambia negativamente el comportamiento del equipo o crea más trabajo de supervisión del que elimina?
Mi conclusión es sencilla: la madurez no está en probarlo todo ni en mantener todos los proyectos vivos. Está en diseñar cada prueba con métricas, límites y una condición de salida. Una empresa madura con IA sabe qué debe escalar, qué debe corregir y qué debe abandonar.
La IA cambia el sistema de trabajo, no solamente la tarea
Una automatización nunca entra en una empresa como una pieza aislada. Cambia el reparto del trabajo, las expectativas y, a veces, los incentivos de quienes participan en el proceso.
Una prepublicación publicada en arXiv estudia más de 500.000 contactos comerciales de una correduría digital china de seguros de salud. La empresa utilizó agentes de voz con IA y entregó a sus trabajadores humanos contactos con una intención de compra aparentemente mayor.
El reparto técnico funcionó: durante las tres primeras llamadas, la proporción de contactos de mayor intención aumentó aproximadamente 23 puntos porcentuales. Sin embargo, la adquisición lograda por los trabajadores humanos cayó cerca de cinco puntos.
Los empleados reasignaron los contactos iniciales alrededor de ocho puntos más, insistieron menos y realizaron llamadas aproximadamente un 13 % más cortas. La explicación propuesta por los investigadores es especialmente útil: si el trabajador espera que el siguiente contacto sea todavía mejor, puede dedicar menos esfuerzo al actual.
Es un buen recordatorio para cualquier proyecto de captación en Panoramix. No basta con medir si una IA clasifica correctamente las oportunidades. También hay que observar la conversión, la persistencia comercial y el tiempo dedicado a cada nivel de calidad. Una clasificación técnicamente mejor puede producir un sistema comercial peor.
Saber cerrar proyectos también es una competencia de IA
Las organizaciones suelen tener procesos para aprobar nuevas iniciativas. Muchas menos tienen reglas claras para detenerlas.
Según un análisis de Gartner realizado con 2.002 responsables tecnológicos, solo el 13 % afirmó haber conseguido un valor significativo o transformador con la IA.
Las organizaciones con reglas para impedir que un piloto sin resultados llegue a producción tenían 2,3 veces más probabilidades de pertenecer al grupo más avanzado. Las que también contaban con reglas para retirar iniciativas en producción con poco valor tenían 2,6 veces más probabilidades. Sin embargo, solo el 31 % disponía de condiciones para detener pilotos y apenas el 17 % tenía reglas para retirar proyectos ya implantados.
No interpreto estos datos como una invitación a ser conservadores. Los interpreto como una llamada a probar con más rigor. En Innown, antes de comenzar un proyecto de IA, plantearía tres resultados posibles:
- Escalar, si alcanza los umbrales de valor, fiabilidad, coste y adopción.
- Corregir y repetir, si el problema está identificado y una nueva prueba puede resolverlo.
- Cerrar, si el beneficio no compensa el coste, el riesgo o la supervisión necesaria.
Si la única salida prevista es continuar, no estamos realizando un piloto. Estamos justificando una decisión tomada de antemano.
Cuando la IA produce más, el cuello de botella pasa a ser humano
La IA puede aumentar mucho la capacidad de producción. Eso no significa que toda esa producción pueda revisarse, aprobarse o utilizarse con la misma velocidad.
En datos internos publicados por Anthropic, las horas de trabajo realizadas por agentes de IA superaron en agosto a las horas de los empleados en una proporción de seis a uno. También aumentaron el código producido por persona, las ventas por comercial y los contratos procesados.
Pero apareció otro límite: la atención humana. Los empleados dedicaban una parte creciente de su tiempo a coordinar, revisar y supervisar cadenas de trabajo ejecutadas por agentes.
Conviene mantener la cautela. Son resultados internos de una empresa nativa de IA y no pueden trasladarse directamente a una pyme convencional. Aun así, muestran un problema que he visto en muchas automatizaciones: es posible generar más trabajo del que una persona puede validar adecuadamente.
En Informatix, una automatización bien diseñada debería incluir una capacidad máxima de revisión humana. Si la cola de elementos pendientes supera ese límite, el sistema debe reducir el ritmo o detener nuevas ejecuciones. Automatizar no consiste en mover el atasco de un sitio a otro.
Utilizar IA no equivale necesariamente a aprender
Otro riesgo aparece cuando confundimos un buen resultado asistido con una capacidad realmente adquirida.
Un experimento aleatorizado publicado por el NBER trabajó con 1.174 adultos de entre 25 y 45 años. Los participantes resolvieron problemas empresariales con o sin IA generativa y, después, realizaron otra prueba sin ayuda.
Sin IA, la diferencia entre participantes con mayor y menor nivel educativo era de 0,548 desviaciones estándar. Con IA, se redujo a 0,139: aproximadamente tres cuartas partes de la brecha desaparecieron durante la tarea asistida. Pero, al retirar la herramienta, reapareció una parte importante de la diferencia.
El aprendizaje más duradero se produjo cuando el uso intensivo de IA se combinó con un esfuerzo sostenido de la persona. Para una empresa, la aplicación práctica es muy concreta: después de una formación o de implantar un asistente, conviene realizar una pequeña prueba sin IA. Así podemos distinguir lo que el profesional ha aprendido de lo que simplemente ha delegado.
No entregaría a un modelo aquello que una regla resuelve mejor
No todos los problemas necesitan un modelo de lenguaje. De hecho, hay procesos en los que una solución determinista sigue siendo más fiable, más barata y más fácil de auditar.
La prepublicación KiranaBench simula la gestión de una pequeña tienda de barrio en India. Cuatro agentes de lenguaje ejercen como gerente, cajero, ayudante y contable. Las interacciones se probaron en inglés, hindi y una combinación informal de ambos idiomas.
Todos los sistemas quedaron muy por debajo de un comerciante basado en reglas fijas. El mejor modelo logró solo una octava parte del beneficio del sistema de referencia y dos configuraciones rindieron peor que una tienda sin gestión. El resultado empeoró en hindi y en lenguaje híbrido.
El estudio es una prepublicación y debe leerse con esa limitación. Pero refuerza una decisión de arquitectura que considero esencial en soluciones como ANUBIS o Matrix: los cálculos, el estado de cada operación, los límites, las reglas contables, las conciliaciones y los permisos deben seguir siendo deterministas.
Reservaría la IA para interpretar información, explicar resultados, comunicarse con personas y gestionar excepciones que no puedan resolverse mediante reglas sencillas. La IA debe aportar flexibilidad donde hace falta, no introducir incertidumbre donde ya conocemos la regla.
La ficha de salida de un piloto de IA
Antes de aprobar cualquiera de los proyectos de IA en una empresa, utilizaría una ficha breve con cuatro decisiones obligatorias.
1. Resultado mínimo esperado
¿Qué mejora debe producir el piloto en ingresos, margen, tiempo, calidad o riesgo para que tenga sentido? El indicador debe existir antes de empezar y debe compararse con una referencia real, no con una estimación creada después.
2. Capacidad de supervisión humana
¿Cuántas ejecuciones puede revisar el equipo sin convertir la validación en un nuevo cuello de botella? Conviene definir tanto la capacidad diaria como el nivel de error que obliga a detener la automatización.
3. Efectos sobre el comportamiento
¿La herramienta mejora realmente el trabajo o está provocando menos esfuerzo, exceso de confianza, pérdida de conocimiento o dependencia? Esta parte exige observar el proceso, no solo mirar un panel de métricas.
4. Condición explícita de parada
¿Qué dato obliga a corregir o cerrar el proyecto y en qué fecha se tomará la decisión? Sin fecha y sin umbral, un piloto mediocre puede mantenerse indefinidamente porque siempre parece estar “a punto” de funcionar.
Pensemos en una pyme que quiere usar IA para clasificar oportunidades comerciales. Podría exigir una mejora mínima de conversión, limitar la revisión manual a una hora diaria, vigilar que los comerciales no abandonen antes los contactos de menor puntuación y fijar una revisión a las seis semanas. Si la conversión no mejora o la supervisión supera el límite, toca corregir o cerrar. Las horas supuestamente ahorradas no compensan por sí solas una venta perdida.
La madurez no se mide por el número de pilotos
La IA genera valor cuando forma parte de un sistema de trabajo medible, supervisable y capaz de detenerse. No basta con que el modelo responda bien en una demostración. Tiene que funcionar dentro de una organización real, con personas, incentivos, límites de atención y responsabilidades.
Por eso no mediría la adopción de IA contando licencias, asistentes o pruebas en marcha. Mediría cuántos proyectos han demostrado valor, cuántos se han corregido a tiempo y cuántos se han cerrado antes de consumir más recursos.
Una empresa madura con IA no es la que lanza más pilotos, sino la que sabe cuáles debe abandonar.
La siguiente vez que revises un proyecto de IA en marcha, no preguntes solo qué puede hacer la herramienta. Pregunta qué resultado mínimo debe producir, quién puede supervisarla, qué está cambiando en el comportamiento del equipo y qué dato justificaría detenerla. Ahí empieza el criterio empresarial.
Preguntas frecuentes
¿Cuánto debería durar un piloto de inteligencia artificial?
Lo suficiente para observar el proceso completo y comparar resultados con una referencia válida. La duración debe fijarse antes de empezar y terminar con una decisión: escalar, corregir o cerrar.
¿Qué métrica es más importante para medir el retorno de la inversión en IA?
Depende del proceso. Puede ser margen, ingresos, tiempo, calidad o reducción de riesgo. Lo importante es no confundir actividad o volumen generado con valor empresarial.
¿La supervisión humana reduce el beneficio de automatizar?
Tiene un coste y debe medirse. No es un fallo de la automatización, sino una condición operativa. El problema aparece cuando la carga de revisión supera la capacidad del equipo o elimina el ahorro previsto.
