Insights
¿Cuándo no conviene usar IA en una empresa de servicios?
No conviene usar IA cuando el proceso no está definido, cuando el dato de partida no es fiable, cuando el volumen no justifica el coste de mantenerlo, o cuando nadie en la empresa va a poder sostenerlo después. En esos cuatro casos la IA no resuelve el problema: lo tapa y lo hace más caro de diagnosticar.
Publicado el
¿Por qué se aplica IA donde no toca?
Porque es la respuesta que se espera. Cuando una empresa plantea que su operación va saturada, proponer inteligencia artificial suena a solución moderna y proponer «vamos a mirar cómo funciona vuestro proceso» suena a excusa para cobrar antes de hacer nada. El incentivo comercial empuja hacia lo primero.
El resultado se repite: proyectos caros que automatizan una parte pequeña de un proceso que seguía roto por otro lado. La empresa acaba con una herramienta más y con la sensación de que la tecnología no le sirve, cuando lo que no servía era el diagnóstico.
¿Qué pasa si el proceso no está definido?
Que se automatiza una versión inventada de él. Si al preguntar cómo se gestiona un aviso salen tres respuestas distintas de tres personas, no hay un proceso: hay tres, y cada uno vive en la cabeza de quien lo ejecuta.
Automatizar en ese punto obliga a elegir una de las tres versiones sin saber cuál es la buena, y las otras dos siguen ocurriendo por fuera del sistema. El síntoma típico aparece a los pocos meses: la automatización funciona y aun así hay gente llevando un Excel paralelo.
Lo que toca antes es escribir el proceso real, no el que figura en el manual. Eso no es un preámbulo del trabajo: es trabajo, y a menudo elimina la mitad de lo que se iba a automatizar.
¿Qué pasa si el dato no es fiable?
Que la IA aprende del desorden y lo devuelve con aspecto de conclusión. Un modelo que clasifica clientes sobre una base con el mismo cliente duplicado tres veces, con nombres distintos y sin dueño claro de cuál manda, produce una respuesta y no avisa de que la base estaba mal.
Es la diferencia con una regla explícita: una regla falla de forma visible y un modelo falla de forma plausible. En un proceso donde nadie va a revisar caso por caso, el fallo plausible es peor.
¿Cuándo sale más a cuenta una regla que un modelo?
Casi siempre que la decisión sea predecible. Si un aviso se asigna al técnico de la zona y del gremio correspondiente, eso es una tabla, no un problema de inteligencia artificial. Resolverlo con un modelo añade coste por ejecución, variabilidad y una dependencia externa a cambio de nada.
La pregunta útil no es «dónde metemos IA», sino «qué decisiones repetitivas consumen tiempo y podrían tomarse con información que ya tenemos». Muchas veces la respuesta a esa segunda pregunta es una regla de dos líneas.
La IA aporta donde el criterio no cabe en una tabla: clasificar texto sin estructura, extraer datos de documentos con formatos distintos, responder consultas sobre documentación propia. Ahí sí hay algo que un programa convencional no hace bien.
¿Y si no hay quien lo mantenga?
Entonces no se despliega, por bueno que sea. Una automatización con IA necesita que alguien mire los registros, detecte que lleva dos semanas fallando en un caso concreto y decida si se ajusta o se para. Sin esa figura, el sistema sigue ejecutándose y acumulando errores que nadie ve.
La regla que aplicamos es simple: lo que se implanta tiene que poder medirse, mantenerse y detenerse. Si algo no cumple las tres, no entra en producción aunque funcione en la demostración.
¿Cómo se decide entonces?
Mapeando el proceso real, midiendo dónde se va el tiempo y valorando cada oportunidad con los mismos criterios. Cada una sale con una decisión de cuatro posibles: simplificar, automatizar, aplicar IA o no hacer nada.
Esa cuarta opción existe y hay que decirla en voz alta. Un análisis que siempre termina recomendando comprar lo que vende quien lo hace no es un análisis: es un argumentario.