Los errores que pueden arruinar proyectos de IA en una empresa y cómo evitarlos

La velocidad con la que avanzó la adopción ayuda a entender por qué estas discusiones pasaron al primer plano. Según un reporte global de McKinsey, el 78% de las organizaciones ya utiliza Inteligencia Artificial en al menos una función de negocio. En América Latina, Boston Consulting Group señala que el desafío ya no consiste únicamente en incorporar estas herramientas, sino en integrarlas de manera consistente a los procesos de las organizaciones y capturar valor a partir de ellas.

En Argentina, un estudio de Microsoft indicó que el 85% de las empresas medianas ya utiliza inteligencia artificial y que el 87% de quienes la implementaron reportó mejoras de productividad.

Hernán Mazzeo, CTO de Restart, lo describe con precisión: "La IA no corrige procesos desordenados: los acelera y muchas veces también amplifica sus errores." El error más frecuente que observa en las empresas argentinas es empezar por la tecnología y no por el problema de negocio. Muchas sienten que 'tienen que hacer algo con IA' y salen a buscar herramientas antes de definir qué proceso quieren mejorar, cuál es el resultado esperado y cómo lo van a medir.

Juan Stein, cofundador de Prometheo, coincide y agrega un punto que suele subestimarse: implementar IA no debería significar simplemente reducir costos. El verdadero potencial aparece cuando permite responder más rápido, hacer mejores seguimientos, atender más oportunidades y vender más sin aumentar proporcionalmente la estructura. El problema es que muchas empresas no tienen esa claridad antes de arrancar — y entonces el proyecto se convierte en un experimento sin métrica.

Dos casos reales de proyectos de IA que fallaron: qué salió mal y qué se puede aprender

El caso que Mazzeo recuerda con más nitidez es el de una empresa que quiso implementar un asistente de IA para automatizar la atención de consultas internas. Desde el punto de vista técnico, el proyecto funcionaba: el modelo interpretaba las preguntas y generaba respuestas correctamente. El problema apareció cuando avanzaron: la información estaba distribuida en documentos con versiones contradictorias, distintas áreas respondían diferente ante la misma situación y no había un responsable claro de mantener actualizado el conocimiento.

El proyecto tuvo que detenerse. La conclusión fue contundente: "No se puede automatizar una decisión que la propia empresa todavía no sabe cómo tomar de manera consistente". Recién después de ordenar la documentación, definir criterios y asignar responsables, el proyecto pudo retomarse.

Stein recuerda un caso igualmente ilustrativo. Una empresa quiso usar Prometheo para reactivar automáticamente miles de leads acumulados, la idea era detectar quién seguía interesado sin poner al equipo comercial a revisar conversaciones viejas una por una. El problema fue que activaron la automatización antes de ordenar la base. Había contactos que ya habían comprado, otros que estaban en plena negociación con un vendedor, y muchos cuyo estado en el CRM nunca se había actualizado.

El resultado fue inmediato: un cliente que ya había comprado recibió un mensaje preguntándole si todavía estaba interesado. Otro, que estaba negociando en ese momento con un vendedor, recibió una nueva apertura comercial desde cero. Tuvieron que frenar la campaña, ordenar el CRM y definir sobre qué segmentos podía actuar el agente. "Automatizar también significa amplificar. Un proceso mal armado puede generar diez errores manualmente. Con IA puede generar diez mil."

Cómo saber si un proceso está listo para ser automatizado con Inteligencia Artificial

Mazzeo propone cinco características que comparten los proyectos con mayores probabilidades de éxito: parten de un problema concreto, cuentan con datos accesibles y confiables, tienen un responsable de negocio, pueden medirse con un indicador claro y se integran en la operación cotidiana de las personas. Y ofrece una prueba simple para los que tienen dudas: si mañana la solución estuviera funcionando perfectamente, ¿qué cambiaría concretamente en el negocio? Si nadie puede responderlo con claridad, el proyecto todavía no está listo.

Stein suma el criterio del volumen: automatizar un proceso que ocurre cinco veces por mes probablemente no cambie demasiado el negocio. En cambio, si hay cientos o miles de leads con preguntas similares, vendedores haciendo seguimientos manuales o conversaciones que quedan sin responder fuera de horario, el impacto puede ser enorme. Y agrega un tercer punto crítico: la IA tiene que tener acceso al contexto necesario para actuar. Sin información sobre el cliente, su historial y el momento del proceso, el agente no puede tomar buenas decisiones.

Qué debería hacer un CEO argentino antes de invertir en inteligencia artificial

Mazzeo propone tres preguntas concretas. Primero: ¿qué problema del negocio queremos resolver y cuánto valor genera resolverlo? La inversión debe estar vinculada con un resultado observable: reducir costos, aumentar ventas, mejorar la experiencia del cliente, disminuir errores.

Segundo: ¿tenemos el proceso, los datos y los responsables necesarios para sostener la solución? No alcanza con desarrollar un modelo, alguien debe ser responsable de la información y de decidir qué hacer cuando la IA se equivoca.

Tercero: ¿cómo vamos a lograr que las personas incorporen esta herramienta a su trabajo? El retorno no aparece cuando la solución se implementa técnicamente, sino cuando se usa de manera efectiva.

Stein lo cierra con una recomendación práctica que resume el enfoque: antes de invertir en IA, una empresa debería poder responder tres cosas muy concretas, qué problema quiere resolver, cuánto le cuesta hoy ese problema y qué tendría que pasar para considerar que la implementación funcionó. "La IA genera valor cuando deja de ser un proyecto de innovación y empieza a ser parte de una métrica del negocio."

Las empresas argentinas que están obteniendo resultados reales no son necesariamente las que más invirtieron ni las que adoptaron más rápido son las que dedicaron tiempo a definir el problema antes de elegir la solución. Ese paso previo, el más aburrido y el menos glamoroso, es el que más frecuentemente se saltea. Y es el que más determina si el proyecto va a funcionar o no.