“Necesitamos AI.” Es la frase que más escuchamos en las primeras reuniones con empresas que nos contactan. Y la primera pregunta que hacemos siempre es la misma: ¿para qué?
No es una pregunta retórica. Es genuina. Porque en nuestra experiencia, al menos la mitad de las empresas que “necesitan AI” en realidad necesitan otra cosa. Y esa otra cosa suele ser más barata, más rápida de implementar, y más efectiva.
El framework de 4 preguntas
Después de años evaluando proyectos, destilamos un framework simple para determinar si AI es la herramienta correcta para un problema:
1. ¿El problema es repetitivo?
AI brilla en tareas que se hacen muchas veces con variaciones. Si el proceso ocurre una vez al mes, probablemente no justifica la inversión en AI. Un buen procedimiento documentado es suficiente.
Si el proceso ocurre cientos o miles de veces por día, ahí hay una conversación interesante.
2. ¿Tienes datos sobre el problema?
No datos en general. Datos específicos del problema que quieres resolver. Si quieres predecir qué clientes van a cancelar, necesitas datos históricos de cancelaciones con suficientes variables para que un modelo encuentre patrones.
“Tenemos mucha data” no es una respuesta. ¿Datos de qué? ¿En qué formato? ¿Qué tan limpios? ¿Qué tan completos? Estas preguntas definen si la AI es viable o si primero necesitas invertir en infraestructura de datos.
3. ¿El costo del error es manejable?
Todo modelo de AI comete errores. La pregunta es si tu contexto tolera esos errores. Clasificar emails en categorías con un 5% de error es aceptable. Aprobar créditos con un 5% de error puede ser catastrófico.
Esto no significa que AI no pueda usarse en contextos de alto riesgo. Significa que necesita supervisión humana en los puntos de decisión críticos. El diseño del sistema cambia completamente según la tolerancia al error.
4. ¿Lo puedes resolver con reglas?
Esta es la pregunta que muchos quieren saltarse. Si puedes escribir un conjunto de reglas if/then que resuelvan el 90% de los casos, probablemente no necesitas AI. Necesitas un buen sistema basado en reglas.
AI es para los problemas donde las reglas no escalan. Donde hay demasiadas variables, demasiadas combinaciones, o demasiada ambigüedad para codificar manualmente. Si puedes definirlo con lógica booleana, hazlo. Es más barato, más predecible, y más fácil de mantener.
En la filosofía de la ciencia le llaman la Navaja de Ockham: ante dos explicaciones que producen el mismo resultado, elige la más simple. Lo mismo aplica a soluciones técnicas. Ante dos herramientas que resuelven el mismo problema, elige la menos compleja.
Los 3 escenarios más comunes
Escenario A: “Queremos AI pero no tenemos datos.” Recomendación: invertir en captura y organización de datos primero. Definir qué necesitas medir, implementar la instrumentación, y después de 6-12 meses evaluar AI con datos reales. No es la respuesta que quieren escuchar, pero es la honesta.
Escenario B: “Tenemos datos y un problema claro, pero no sabemos por dónde empezar.” Recomendación: un proyecto piloto acotado. Elegir un subproblema específico, construir un proof of concept en 4-6 semanas, y medir resultados contra el proceso actual. Si los números funcionan, escalar. Si no, aprendiste algo valioso sin haber apostado todo.
Escenario C: “Ya intentamos AI y no funcionó.” Recomendación: antes de intentar de nuevo, entender por qué falló. El 80% de los fracasos de AI que hemos visto no son por la tecnología. Son por datos insuficientes, expectativas desalineadas, o problemas mal definidos. Resolver la causa raíz antes de iterar sobre la solución.
Lo que no te va a decir la mayoría de las consultoras
Hay un conflicto de intereses estructural en la industria de consultoría AI: si te dicen que no necesitas AI, pierden el proyecto. Eso genera un incentivo perverso a encontrar casos de uso de AI donde no necesariamente los hay.
En Redstone Labs lo manejamos distinto. Si la evaluación indica que no necesitas AI, te lo decimos. Y te ayudamos con lo que sí necesitas, aunque sea menos emocionante. Porque preferimos un cliente que confía en nosotros y vuelve, que un proyecto de AI que nunca debió existir.
No todo problema de negocio se resuelve con AI. Pero todo problema de negocio se puede evaluar honestamente. Eso es lo que hacemos.