La lista de preparación para la IA: ¿está su empresa realmente lista?

Hay una pregunta que me hacen al menos una vez por semana, casi siempre con una risa algo nerviosa: «Entonces… ¿deberíamos hacer algo con IA?». Es la pregunta equivocada, pero es honesta. La pregunta correcta —la que casi nadie hace primero— es más callada y mucho más útil: ¿está esta empresa realmente preparada para sacar valor de la IA, o solo estaríamos quemando dinero para parecer modernos?

Llevo años sentándome frente a propietarios y directivos de empresas medianas: fabricantes, mayoristas, despachos profesionales, negocios de servicios regionales con entre cincuenta y trescientas personas. Quienes triunfan con la IA casi nunca empiezan por la tecnología. Empiezan siendo honestos sobre el estado de su propia casa: sus datos, sus procesos, sus personas y cómo se toman realmente las decisiones cuando nadie mira. La tecnología es la parte fácil. La preparación es lo que decide si obtiene un resultado o un arrepentimiento.

Así que esta es, más o menos, la lista que repaso antes de recomendar a una empresa que gaste un solo euro en construir algo. No es un modelo de madurez con doce dimensiones y un colorido gráfico radar. Es un conjunto de preguntas sencillas que puede responder con un café, agrupadas en cinco cosas que de verdad predicen si la IA funcionará para usted, o si lo dejará en silencio en evidencia en una reunión de seguimiento dentro de seis meses.

Por qué la «preparación» importa más que el modelo

Esta es la verdad incómoda con la que los proveedores no abren: el modelo de IA rara vez es lo que hace fracasar un proyecto. Los modelos hoy son asombrosamente buenos, y mejoran cada pocos meses haga usted algo o no. Lo que mata los proyectos es todo lo que rodea al modelo: los datos desordenados con que se alimenta, el proceso al que se atornilla, las personas a las que nunca se preguntó, el responsable poco claro, la definición difusa de éxito.

He visto a empresas gastar dinero serio en un piloto ingenioso que funcionaba de maravilla en la demo y luego moría al chocar con la realidad, porque los datos que necesitaba vivían en tres sistemas incompatibles y en la cabeza de una persona. El piloto no estaba mal. La empresa simplemente no estaba preparada para él. La preparación no es una barrera que lo deje fuera de la IA: es lo que determina si su inversión se multiplica o se evapora.

La buena noticia es que la preparación tiene arreglo, y la mayoría de los arreglos son poco vistosos y baratos. No necesita un lago de datos ni un director de IA. Necesita saber con honestidad dónde está en cinco frentes y cerrar la una o dos brechas que de otro modo hundirían el primer proyecto. Repasémoslas.

Pilar 1: sus datos, ¿son lo bastante buenos para construir sobre ellos?

La IA es tan buena como aquello con lo que la alimenta, y aquí es donde más se sorprenden las empresas medianas. No porque sus datos sean terribles —suelen bastar para llevar el negocio—, sino porque «bastante bueno para humanos» y «bastante bueno para una máquina» son listones distintos. Una persona puede leer un registro de cliente algo inconsistente y saber que «Müller GmbH» y «Mueller G.m.b.H.» son la misma empresa. Un sistema necesita que usted ya lo haya decidido.

No necesita datos perfectos. Nadie tiene datos perfectos, y esperar a tenerlos es solo procrastinación con traje. Lo que necesita son datos accesibles, razonablemente consistentes y conectados con el proceso que quiere mejorar. Hágase las preguntas sencillas:

• ¿Puede llegar de verdad a los datos que necesitaría, o están atrapados en un sistema del que solo un proveedor puede exportar?
• ¿Se registra lo mismo de la misma forma la mayoría de las veces: clientes, productos, estados, fechas?
• ¿Se conocen entre sí sus sistemas centrales, o alguien transcribe cada día de uno a otro?
• ¿Hay suficiente histórico del que aprender, cuando la tarea lo requiere?
• ¿Estaría tranquilo si un regulador preguntara de dónde salió una cifra concreta?

Algo que la gente subestima: la propiedad de los datos. Si una parte crítica de lo que alimentaría al modelo vive dentro de una herramienta de terceros cuyo contrato prohíbe exportarla, eso no es un problema técnico que pueda sortear: es uno comercial que tiene que resolver primero. Mejor descubrirlo ahora, sobre el papel, que tres meses después de empezar a construir.

Pilar 2: sus procesos, ¿son lo bastante estables para automatizar?

Hay un viejo dicho en nuestro mundo: si automatiza un caos, obtiene un caos más rápido. Es un tópico porque es implacablemente cierto. La IA colocada sobre un proceso caótico no arregla el caos: lo escala, y ahora está confundido a toda velocidad. Antes de poner inteligencia sobre un proceso, este tiene que ser lo bastante estable como para describírselo a un nuevo empleado en su primer día.

Eso no significa que tenga que ser elegante ni estar plenamente documentado. Significa que tiene que ser real y repetible. La prueba es simple: ¿puede dibujarlo? Si sentara en una sala a tres personas que hacen el trabajo y les pidiera bosquejar los pasos, ¿dibujarían más o menos el mismo cuadro, o tres distintos, cada uno insistiendo en que el suyo es cómo se hace «de verdad»?

Reglas frente a criterio

También ayuda saber ante qué tipo de proceso está. Si sigue reglas fijas —mueve estos datos allí, envía aquel recordatorio, marca todo lo que supere un umbral—, quizá no necesite IA en absoluto; la automatización sencilla es más barata y fiable. La IA se gana el sueldo donde el trabajo es genuinamente desordenado y tiene forma de lenguaje o de criterio: leer un correo en texto libre y extraer el pedido, redactar una primera respuesta, clasificar documentos que nadie quiere archivar. Ser honesto sobre cuál tiene le ahorra comprar un mazo para una chincheta.

Pilar 3: sus personas, ¿lo usarán de verdad?

Este es el pilar que recibe menos atención y rompe más proyectos. Puede tener datos limpios y un proceso ordenado y aun así acabar con una herramienta que nadie toca, porque las personas cuyo trabajo cambió fueron tratadas como una ocurrencia tardía. Un modelo que se ignora tiene un ROI de exactamente cero, por impresionante que pareciera en la presentación.

Aquí la preparación va en parte de competencias, pero sobre todo de confianza e implicación. ¿Se preguntó a las personas que hacen el trabajo qué las frena, o se les entregó una solución a un problema que no reconocían como suyo? ¿Siente alguien dentro de la empresa cierta propiedad sobre que esto salga bien, o es «el proyecto del consultor»? ¿Hay al menos una persona curiosa en el equipo que lo impulse en lugar de esquivarlo en silencio?

No necesita científicos de datos en plantilla. Para la mayoría de las empresas medianas, el socio adecuado aporta la profundidad técnica. Lo que no puede externalizar es la disposición a cambiar cómo se hacen unas pocas tareas diarias, y esa disposición se construye implicando a las personas pronto, no anunciando el nuevo sistema en una reunión general cuando ya está comprado.

Pilar 4: estrategia y presupuesto, ¿hay un responsable real y una cifra real?

Las iniciativas de IA que flotan al margen del negocio, sin responsable claro ni éxito definido, tienden a ir a la deriva hasta que alguien las deja sin fondos en silencio. La preparación en este frente es poco vistosa pero decisiva: una persona designada que responde del resultado, un problema concreto que merezca la pena resolver y un presupuesto a la altura de la ambición, incluida la parte que todos olvidan, que es mantener la cosa funcionando tras el lanzamiento.

Debería poder terminar esta frase antes de empezar: «Este proyecto tiene éxito si, en tres meses, ocurre [algo concreto y medible]». «Seremos más innovadores» no es una meta; es una nota de prensa. «Nuestro equipo deja de pasar seis horas a la semana transcribiendo pedidos» es una meta. Cuanto más estrecha y medible, mejor, y más fácil será saber si de verdad ganó.

Sobre el presupuesto en concreto: construir suele ser la mitad más pequeña. Un modelo necesita supervisión, algún reajuste ocasional y un responsable que advierta cuando la realidad se aparta de aquello con lo que se entrenó. Las empresas que solo presupuestan la construcción están montando una herramienta que funciona de maravilla un trimestre y luego se pudre despacio porque a nadie se le pagó por cuidarla. Planifique para la aburrida vida posterior del proyecto, no solo para su emocionante nacimiento.

Pilar 5: riesgo y gobernanza, la parte que no puede saltarse en Europa

Para una empresa mediana europea, este pilar no es opcional, y fingir lo contrario es como acabar con una herramienta ingeniosa que legalmente no puede desplegar. No necesita un departamento de cumplimiento, pero sí necesita haberse hecho las preguntas básicas antes de construir, no después. En su mayor parte se reduce a saber qué datos toca el sistema, dónde se procesan y quién responde cuando se equivoca.

Las preguntas dan menos miedo de lo que suenan. ¿Procesa la herramienta datos personales y, de ser así, en servidores de quién y bajo qué acuerdo? Si la IA sugiere algo —un precio, una respuesta, una decisión—, ¿lo revisa una persona donde importa, o actúa sola? ¿Puede explicar, en lenguaje llano, cómo llegó a un resultado concreto si un cliente o un auditor pregunta? ¿Ha pensado qué pasa el día en que se equivoque con total seguridad, porque ese día llegará?

Ponerlo todo junto: evaluarse con honestidad

No necesita una hoja de cálculo para esto, aunque puede montarla. Repase los cinco pilares y puntúe cada uno en rojo, ámbar o verde; no como aspira a estar, sino como está hoy de verdad. El objetivo no es sacar todo verde; casi ninguna empresa lo hace y usted tampoco lo necesita. El objetivo es encontrar el uno o dos rojos que hundirían un primer proyecto y ocuparse de ellos antes de construir.

1. 1
   Puntúe cada pilar en rojo, ámbar, verde

   Datos, procesos, personas, estrategia, gobernanza. Sea honesto: una autoevaluación optimista solo traslada la decepción a más adelante.
2. 2
   Encuentre sus rojos bloqueantes

   Un rojo justo en el pilar del que depende su primer proyecto es una señal de stop. Un rojo en algo no relacionado puede esperar. El contexto importa más que el total.
3. 3
   Cierre primero las brechas baratas

   La mayoría de las brechas de preparación se cierran con trabajo poco vistoso y de bajo coste: hacer accesibles los datos, escribir el proceso, implicar al equipo pronto.
4. 4
   Elija el proyecto real más pequeño

   Escoja un proceso estable, frecuente y bien responsabilizado donde esté lo bastante verde para ganar. Una pequeña victoria terminada financia la siguiente, en confianza, no solo en dinero.
5. 5
   Entonces, y solo entonces, construya

   Con los rojos despejados en los pilares que importan y una meta medible por escrito, está listo. No perfecto: listo. Son cosas distintas, y solo una de ellas llega a producción.

Fíjese en que la mayor parte de este trabajo no tiene nada que ver con la IA. Datos accesibles, un proceso que puede dibujar, un equipo comprometido, un responsable claro, una persona en el circuito: estas cosas mejoran su empresa aunque nunca despliegue un solo modelo. Ese es el bono silencioso de tomarse en serio la preparación: la preparación vale por sí misma. La IA solo le da una razón para hacerla de una vez.

Preguntas frecuentes