Estrategia de IA

Así empiezan la mayoría de los proyectos de IA: alguien lee un artículo, se lo presenta al CEO, contratan a un proveedor, y seis meses después hay un proof-of-concept que funciona en una demo pero nadie usa en producción. El proveedor se va. El POC queda en un repositorio. La empresa concluye "la IA no funciona para nosotros."

La IA funcionó bien. La estrategia no.

Los tres modos de fracaso que vemos repetidamente

Primero: empezar con la tecnología en lugar de la decisión. "Deberíamos usar LLMs" no es una estrategia. "Necesitamos reducir el análisis de encuestas de 3 semanas a 3 horas" sí lo es. La tecnología sigue al problema.

Segundo: saltarse la evaluación de datos. Un modelo de IA es tan bueno como los datos con los que se entrena. Si tus registros de clientes tienen 40% de campos vacíos, un modelo de churn predecirá ruido. Hemos rechazado propuestas de IA y recomendado limpieza de datos en su lugar. No es lo que el cliente quería escuchar, pero les ahorró seis cifras.

Tercero: construir sin guías de uso. Un LLM que alucina en una demo es una curiosidad. Un LLM que alucina en un sistema orientado a pacientes es un riesgo legal. Cada implementación de IA necesita límites explícitos sobre qué puede y qué no puede hacer, cómo se detectan errores, y quién es responsable.

Cómo se ve un proyecto

Empezamos con AI Opportunity Mapping: una evaluación estructurada de 2-3 semanas que examina tus operaciones, preparación de datos y capacidades del equipo contra una biblioteca de casos de uso probados de IA. El resultado es una lista rankeada de oportunidades — puntuadas por impacto, factibilidad y preparación de datos — con un primer piloto recomendado.

Luego construimos el piloto. No una presentación sobre lo que la IA podría hacer. Un sistema funcionando.

Para un proveedor de salud, eso significó un pipeline desde respuestas de SurveyMonkey a través de AWS Lambda y la API de ChatGPT hacia Snowflake — convirtiendo encuestas de pacientes en insights estructurados en minutos en lugar de semanas. Para eBay, fue un sistema de predicción de churn — detallado en nuestro trabajo de Customer & Marketing Insights — donde la pregunta de estrategia de IA no era "¿podemos predecir el churn?" sino "¿podemos hacer la predicción accionable dentro del flujo de retención existente?". La respuesta requirió integrar el output del modelo con disparadores de CRM y automatización de marketing, para que el equipo de retención recibiera listas con scores sobre los que podía actuar de inmediato, no un CSV que tenían que interpretar.

Para una plataforma de seguridad en la nube, entregamos un modelo de precios FY27 en 9 días usando Claude Code en 28 sesiones enfocadas. Nueve días. No porque cortamos esquinas — porque la arquitectura correcta (tablas seed estructuradas, lookups temporales, validación paralela) eliminó el trabajo manual que usualmente estira los proyectos de precios a trimestres.

Qué dejamos al irnos

Además del piloto funcionando: un documento inicial de guías de uso de IA adaptado a tu industria y perfil de riesgo. Un scorecard de preparación de datos que muestra qué casos de uso adicionales tus datos actuales pueden sustentar y cuáles necesitan inversión primero. Un plan de entrega para que tu equipo pueda operar, monitorear e iterar el piloto sin nosotros.

Cuándo la IA no es la respuesta

Si una consulta SQL y un dashboard bien diseñado resuelven el problema, la IA agrega complejidad sin valor. Si tus datos no están limpios ni centralizados, la IA amplificará las inconsistencias. Te lo diremos durante la fase de Opportunity Mapping — aproximadamente el 30% de los casos de uso que los clientes nos traen se resuelven mejor con analítica convencional.

Preguntas que vale la pena hacer antes de invertir

¿Puedes describir la decisión específica que este sistema de IA mejoraría — y cómo mides esa mejora hoy sin IA? ¿Tienes al menos 6 meses de datos limpios y etiquetados para el proceso que quieres automatizar? Si el sistema de IA comete un error, ¿cuál es el costo — y quién lo detecta?