Por qué fracasan los proyectos de automatización con IA (y casi nunca es culpa de la IA)

Por mucho que el alcance de la tecnología siga creciendo sin parar, y que el techo de lo imposible esté cada vez más lejos, cuando vas a implementar —en este caso, IA— tienes que preguntarte: para qué, dónde, con qué propósito, cuánto esfuerzo voy a dedicar (tiempo y dinero), qué retorno espero y cómo voy a medirlo.

Ahora mismo conviven distintas realidades, y una de ellas es la de muchas empresas que van acumulando pilotos fallidos, proyectos sin acabar, automatizaciones que en lugar de ahorrar tiempo y dinero lo aumentan… Normalmente es porque el ejercicio previo no se ha hecho correctamente.

Un muestrario de proyectos que no salen

Van algunos ejemplos. Seguro que reconoces alguno:

• Estoy automatizando la interpretación documental, pero no tengo un método ágil, escalable y reutilizable de revisión de esos resultados, así que me dejo los ojos comparando un JSON contra un PDF y acabo invirtiendo el mismo tiempo que antes, cuando leía el PDF y picaba sus datos a mano.
• No he fijado con mi proveedor los SLAs que miden la calidad de los resultados, y entonces él considera que un 95% de acierto es fantástico y a mí no me sirve de nada, porque como no puedo adivinar dónde está ese 5% de errores, tengo que revisar todo el set de resultados.
• No hice el ejercicio de qué % de tiempo estoy invirtiendo en lo que estoy automatizando, y he dedicado semanas a algo en lo que invertía minutos y muy de vez en cuando.
• En mi workflow no tengo bien definido en qué situaciones es un humano quien debe dar el OK y cuándo la IA puede decidir sola; eso hace que invierta tiempo en revisar cosas absurdas o que me lleve sustos viendo que la IA se sale del carril.
• No he involucrado al equipo en la implementación; ahora funciona mal, y lo que genera es escepticismo y desconfianza en la tecnología.
• No tengo bien calibrado el modelo de IA que uso, el texto que envío en cada petición ni el número de llamadas que hago para resolver… y resulta que estoy gastando más en tokens que el coste del tiempo que invertía en la tarea.
• Trabajo en entornos totalmente desacoplados de mi entorno nativo: pierdo mucho tiempo exportando e importando información y, además, es un proceso susceptible de error que me da inseguridad.
• Antes de la IA trabajábamos con textos libres, o sin una BBDD normalizada, o sin un workflow predefinido. Al no tener el proceso bien definido, ahora la automatización es un mono con dos pistolas.
• Cuando el texto no viene en un PDF perfecto, falla; cuando viene en una tabla, pierde la relación entre sus elementos.
• No distingo entre resultados, son todos iguales: no vienen con umbral de confianza, no tengo reglas que escupan los resultados dudosos, no tengo estrategias para validarlos o rescatarlos. Lo que me venga, lo enchufo; y como a veces falla y no sé cuándo ni por qué, lo reviso todo.
• Cambio de estrategia y de modelo cada vez que veo un post en LinkedIn hablando del nuevo modelo que acaba de liquidar a (poner profesión al gusto).
• Estoy automatizando algo que me daba un feedback del que no puedo prescindir: la tarea en sí no era importante, pero necesito tener visibilidad sobre ella.

Podría seguir hasta el infinito, pero la cuestión es que nada de lo anterior es culpa de la IA: es culpa de la falta de planificación y, por qué no decirlo, de conocimiento sobre cómo acometer un proyecto profesional de automatización de procesos.

Por eso somos Consultoría + Tecnología

Y por eso insistimos siempre en que Cómo Entrenar mi Robot es un servicio de Consultoría + Tecnología, no solo tecnología. Porque la herramienta puede ser magnífica, pero si antes no sabes a dónde vas —qué automatizas, con qué propósito, cuánto vas a invertir, qué retorno esperas y cómo lo vas a medir—, el proyecto es un fracaso inevitable.

La tecnología la ponemos nosotros; y el criterio para que no acabe en el cajón de los pilotos fallidos, también. Antes de tocar un modelo, hacemos el ejercicio que casi nadie hace: definir el proceso, fijar cómo se mide la calidad y decidir dónde decide la máquina y dónde decides tú. Si te interesa esa parte, la desarrollamos en por qué necesitas métricas de verdad en automatización documental.