Durante los primeros meses de Redstone Labs, nuestro pitch era “consultoría en AI y automatización.” Sonaba bien. Era lo que el mercado buscaba. Cada empresa quería “hacer algo con AI” y nosotros estábamos ahí para ayudarles.
El problema era que estábamos vendiendo un martillo. Y cuando vendes un martillo, todo parece clavo.
La trampa del martillo
Llegábamos a las reuniones y la conversación siempre giraba alrededor de AI. “¿Qué podemos hacer con machine learning?” “¿Podemos usar AI para mejorar nuestro servicio al cliente?” “¿Pueden construirnos un modelo predictivo?”
Y nosotros, con todo el entusiasmo del mundo, encontrábamos formas de meter AI en cada esquina. Porque eso era lo que vendíamos.
Hasta que un proyecto nos enseñó la lección.
Un cliente nos pidió un sistema de recomendaciones para su plataforma de e-commerce. Tenían un catálogo de 500 productos y 2,000 usuarios activos. Hicimos el análisis, evaluamos los datos, diseñamos la arquitectura del modelo.
A mitad del proyecto, nos dimos cuenta de algo incómodo: con 500 productos y 2,000 usuarios, un sistema de recomendaciones basado en reglas simples (productos comprados juntos frecuentemente, categorías relacionadas, popularidad) funcionaba igual de bien que cualquier modelo de ML. Y era 10 veces más fácil de mantener.
Habíamos propuesto la solución sofisticada porque era lo que vendíamos. No porque fuera lo que el cliente necesitaba.
El giro
Ese proyecto nos obligó a hacernos una pregunta incómoda: ¿estamos resolviendo problemas o estamos vendiendo tecnología?
Son cosas distintas. Vender tecnología es convencer al cliente de que necesita lo que tú ofreces. Resolver problemas es entender qué necesita el cliente y usar la herramienta adecuada, sea AI, un script de Python, una hoja de cálculo, o una conversación difícil con su equipo.
Abraham Maslow lo describió en 1966: “Si tu única herramienta es un martillo, tiendes a tratar todo como si fuera un clavo.” No estaba hablando de consultoría tecnológica, pero bien podría haberlo estado.
Decidimos que nuestro diferenciador no iba a ser “somos expertos en AI.” Iba a ser “resolvemos problemas de negocio usando la herramienta correcta.” A veces esa herramienta es AI. A veces no.
Qué cambió en la práctica
1. Empezamos con el diagnóstico, no con la solución.
Antes: el cliente nos decía qué quería y nosotros lo construíamos. Ahora: el cliente nos cuenta su problema y nosotros evaluamos qué necesita. A veces coincide con lo que pedían. A veces no. Pero siempre empezamos por entender antes de proponer.
2. Dejamos de tener miedo de decir “no necesitas AI.”
Al principio daba miedo. Si le dices a un cliente que no necesita lo que vino a comprarte, ¿no pierdes el proyecto? La realidad fue la opuesta. Los clientes valoran la honestidad. Confían más en alguien que les dice “esto se resuelve más simple” que en alguien que les vende la solución más cara.
3. Ampliamos el stack.
AI sigue siendo nuestro fuerte. Es donde tenemos más experiencia y más profundidad técnica. Pero también hacemos arquitectura de datos, automatización de procesos, integraciones de sistemas, y consultoría estratégica. Porque un problema de negocio rara vez se resuelve con una sola herramienta.
Lo que el mercado realmente necesita
Después de años trabajando con empresas de distintos tamaños en LATAM, la conclusión es clara: la mayoría no necesita “AI.” Necesita que alguien se siente con ellos, entienda su operación, identifique dónde están perdiendo tiempo y dinero, y les proponga una solución que funcione en su contexto.
A veces eso es un modelo de ML sofisticado. A veces es conectar dos sistemas que no se hablan. A veces es automatizar un reporte manual que consume 20 horas al mes. A veces es decirle al cliente que el problema no es tecnológico sino de procesos.
Lo que el mercado necesita son consultores que resuelvan problemas. No vendedores de AI disfrazados de consultores.
La frase que nos define
Después de ese giro, acuñamos una frase interna que guía todo lo que hacemos: “No vendemos AI. Resolvemos problemas.”
Es simple. Pero cambió completamente cómo nos presentamos, cómo evaluamos proyectos, y cómo medimos nuestro éxito. El éxito ya no es “implementamos AI.” Es “el cliente tiene un resultado medible que justifica la inversión.”
Y si ese resultado se logra sin una sola línea de machine learning, perfecto. El problema se resolvió. Eso es lo único que importa.