El piloto de IA más peligroso no es el que fracasa en la primera semana. Es el que funciona perfectamente durante seis meses y nunca escala. Porque ese piloto consume tiempo del equipo, genera un reporte de resultados positivos que llega a la dirección, y produce una sensación de que la empresa está avanzando en IA — sin que nada en la operación real haya cambiado.
El piloto eterno es el estado en que viven la mayoría de los proyectos de IA empresarial. No es un fracaso visible — el proveedor entregó lo que prometió, el demo funciona, las métricas del piloto son buenas. Es un éxito que no llega a ningún lado. Y mientras el piloto existe, consume el capital político y el presupuesto que podría ir a un proyecto que sí escale.
Por qué los pilotos no escalan: tres razones que se repiten siempre
1. La métrica de éxito estaba equivocada desde el inicio
La mayoría de los pilotos de IA se miden con métricas de proceso o de satisfacción: «el sistema respondió correctamente el 87% de las preguntas», «el equipo lo calificó con 4.2 de 5», «el tiempo de respuesta bajó de 48 horas a 6 horas en los casos del piloto». Estas son métricas válidas. Pero ninguna de ellas es la métrica que le importa al negocio.
La métrica que le importa al negocio es el KPI operativo que el piloto debería mover: costo por transacción, tasa de conversión, tiempo de ciclo del proceso completo, tasa de error con costo. Si el piloto no está diseñado desde el inicio para demostrar impacto en un KPI operativo con un baseline claro, el reporte de fin de piloto tiene buenos números que no se pueden traducir a una decisión de escalar. El área de finanzas pregunta «¿cuánto ahorramos?» y la respuesta es «el usuario lo calificó 4.2 de 5».
La solución es definir en el contrato del piloto, antes de empezar, cuál es el KPI operativo que se va a mover, cuál es el baseline hoy, y cuál es el umbral de resultado que justifica la decisión de escalar. Si el proveedor no quiere comprometerse con un KPI operativo — solo con métricas de proceso — es una señal de que tampoco tiene confianza en que el sistema funcione en tu operación real.
2. No hay mandato ejecutivo sobre los dos departamentos involucrados
Los proyectos de IA que escalan tienen un patrón en común: hay alguien con presupuesto y autoridad sobre el área que va a operar el sistema y sobre el área de tecnología que lo va a mantener, y esa persona tiene un incentivo claro para que el proyecto llegue a producción. No es el gerente de innovación, que tiene el proyecto como una de sus 12 iniciativas del año. Es el COO, el VP de Operaciones, o el director general del área de negocio que va a tener que rendir cuentas por el resultado.
Sin ese mandato, el piloto vive en un espacio de nadie: el proveedor entrega, el equipo de innovación lo opera, pero el área de operaciones — que va a tener que cambiar sus procesos para absorber el sistema — no tiene razón para priorizarlo. Las integraciones técnicas se demoran porque el equipo de TI tiene otras prioridades. El proceso de capacitación del equipo operativo se posterga. La fecha de lanzamiento se mueve cuatro veces. Y al final, el proveedor entrega el sistema y el cliente no lo usa porque el equipo operativo nunca lo adoptó.
3. Los datos no estaban listos
Este es el problema que nadie quiere admitir en la etapa de ventas porque paraliza el proyecto antes de empezar. El sistema de IA necesita datos históricos con la calidad suficiente para entrenarse, o datos operativos en tiempo real con la estructura correcta para funcionar. En la mayoría de las empresas medianas de LATAM, esos datos existen pero no en el formato que el sistema necesita: están en múltiples sistemas sin integrar, tienen inconsistencias de nomenclatura entre áreas, no tienen el etiquetado que el modelo requiere, o no tienen la cobertura temporal necesaria (18 a 24 meses de historial limpio es el mínimo para la mayoría de los casos de uso).
El trabajo de preparación de datos se descubre al inicio del proyecto si el proveedor hace un due diligence de datos antes de firmar. Si no lo hace — si el proveedor trabaja con los datos de ejemplo que le mandas en el proceso de ventas y no con una muestra real de producción — la preparación de datos aparece como un bloqueo en el mes 2, cuando ya hay un contrato firmado y una fecha de entrega comprometida. En ese punto, el proyecto se extiende o el sistema se entrega con datos insuficientes y no funciona bien.
Si el proveedor no pidió acceso a una muestra de datos reales de producción antes de firmar el contrato, no sabe qué está comprando — y tú tampoco.
Las tres condiciones para que un proyecto llegue a producción
En cinco años de proyectos de IA empresarial en LATAM y Estados Unidos, los proyectos que llegaron a producción y funcionaron comparten tres condiciones. Cuando falta alguna, el proyecto o no termina o termina sin impacto.
- Un KPI operativo acordado con baseline claro. Antes de empezar, todos saben qué número tiene que moverse, cuánto tiene que moverse para justificar la decisión, y cómo se va a medir.
- Un patrocinador ejecutivo con autoridad sobre el área que opera el sistema. No el gerente del proyecto — el director o VP que va a usar el resultado para tomar decisiones de negocio.
- Un diagnóstico de datos completado antes de la firma del contrato. El equipo técnico vio datos reales de producción, identificó los problemas, estimó el trabajo de preparación, y ese trabajo está incluido en el alcance y el presupuesto del proyecto.
Nótese que ninguna de las tres condiciones es tecnológica. No es «el modelo tiene que ser lo suficientemente bueno» ni «el sistema tiene que integrarse con X». Son condiciones organizacionales y de gobernanza. Porque el 90% de los problemas que hacen fallar un proyecto de IA empresarial son organizacionales y de gobernanza, no técnicos.
Cómo saber en la semana 1 si un engagement va a funcionar
Hay cuatro preguntas que hacemos en la primera semana de cualquier proyecto. Las respuestas predicen mejor el resultado del proyecto que cualquier análisis técnico que hagamos después.
- ¿Quién va a usar el sistema todos los días y qué tiene que cambiar en su flujo de trabajo para poder usarlo? Si nadie lo sabe en la semana 1, la adopción va a ser el cuello de botella del proyecto.
- ¿Cuál es el KPI que este proyecto tiene que mover y cuál es el baseline hoy? Si la respuesta es «tenemos que mejorar la eficiencia», el proyecto no tiene un objetivo medible.
- ¿Quién tiene autoridad para tomar la decisión de escalar si el piloto tiene buenos resultados? Si la respuesta es «tenemos que presentarlo al comité», el escalamiento va a tardar entre 3 y 9 meses adicionales.
- ¿Los datos que necesitamos están disponibles, son accesibles y son suficientemente limpios? Si la respuesta es «tenemos que verificarlo», hay un bloqueo probable en el mes 2.
Si las cuatro respuestas son claras y concretas en la semana 1, el proyecto tiene muy buena probabilidad de llegar a producción en el plazo planificado. Si dos o más respuestas son vagas, el proyecto va a necesitar más tiempo — o va a llegar al mismo punto que todos los pilotos eternos: funcionando bien en sus propias métricas, sin impacto en el negocio.
El diagnóstico de madurez de IA que ofrecemos en Glú está diseñado exactamente para responder estas preguntas antes de comprometerte con un proyecto. No evaluamos si tu empresa «está lista para la IA» en abstracto — evaluamos si las condiciones específicas para que un proyecto de IA tenga impacto están presentes hoy, y qué hace falta para que lo estén.
¿Cuál es el estado real de IA en tu empresa?
En 4 minutos, el diagnóstico de Glú identifica las brechas concretas que frenan la adopción de IA en tu operación y te dice cuál es la siguiente acción. Sin formularios de ventas — el resultado es inmediato.
Hacer el diagnóstico IA