Llevamos dos años implementando IA en procesos empresariales y el patrón es demoledor. La mayoría de proyectos que no generan valor tienen exactamente el mismo problema: nadie definió una métrica de éxito antes de empezar. Es como construir una casa sin saber si quieres un estudio o un palacio.
El ciclo se repite en cada empresa con la precisión de un reloj suizo. Se lanza el piloto con gran fanfarria, todos hablan de transformación digital, los primeros resultados generan entusiasmo. Tres meses después nadie sabe realmente si funcionó. Los datos están ahí, pero nadie definió qué significaba "funcionar".
He visto equipos gastarse seis cifras en chatbots que responden el 90% de consultas pero nadie midió si eso redujo la carga de trabajo del equipo humano. Otros implementaron análisis predictivo que acierta en el 85% de los casos, pero nunca establecieron si esa precisión mejora las decisiones operativas o solo alimenta dashboards bonitos.
La presión por "tener IA" llega mucho antes que la pregunta fundamental: para qué la queremos. Los consejos directivos preguntan por la estrategia de inteligencia artificial como si fuera una vacuna obligatoria. Los equipos técnicos responden con posibilidades técnicas en lugar de objetivos de negocio. Se habla de machine learning, procesamiento de lenguaje natural, automatización, pero casi nunca de qué proceso específico va a cambiar y cómo lo vamos a medir.
La pregunta que hay que hacer antes de cualquier implementación es brutalmente simple: ¿qué proceso cambia de forma medible y en qué plazo? No vale responder "mejoramos la eficiencia" o "optimizamos la experiencia del cliente". Vale responder "reducimos el tiempo de procesamiento de facturas de 48 a 12 horas" o "aumentamos la tasa de resolución en primera llamada del 65% al 80%".
Un cliente del sector retail lo ilustra perfectamente. Su primer proyecto de IA era un sistema de recomendaciones "para mejorar las ventas". Seis meses y muchos euros después, las recomendaciones funcionaban técnicamente pero las ventas seguían igual. Nadie había definido qué significaba "mejores recomendaciones" en términos de negocio.
El segundo intento fue radicalmente diferente. Definieron el objetivo: aumentar el ticket promedio en un 15% en tres meses mediante recomendaciones cruzadas en checkout. Establecieron métricas intermedias: tasa de clic en recomendaciones, tasa de conversión, impacto por categoría. El sistema se implementó con los mismos algoritmos base, pero esta vez cada decisión de diseño se tomó pensando en esos números concretos. Resultado: 18% de aumento en ticket promedio en dos meses y medio.
La diferencia no estuvo en la tecnología. Estuvo en que la segunda vez sabían exactamente qué tenían que conseguir antes de escribir la primera línea de código. Cada ajuste del algoritmo tenía un propósito medible. Cada A/B test respondía a una hipótesis específica sobre el comportamiento de compra.
La IA es una herramienta de ejecución extraordinariamente potente. Puede automatizar decisiones, encontrar patrones, procesar volúmenes imposibles para humanos. Pero sigue siendo eso: una herramienta. La estrategia, definir qué queremos conseguir y cómo lo vamos a medir, sigue siendo responsabilidad completamente humana.