Cómo saber si tu empresa está lista para IA (y cuándo todavía no)

Cada vez que alguien nos pide 'un proyecto de IA', la primera pregunta que hacemos no es qué modelo usar, sino: ¿qué decisión específica quieres tomar más rápido o con menos error humano? Si la respuesta es vaga ('queremos ser más eficientes', 'queremos innovar'), todavía no están listos para construir — están listos para diagnosticar.

La inteligencia artificial no arregla datos desordenados; los amplifica. Un modelo entrenado sobre un CRM con clientes duplicados, campos vacíos y criterios inconsistentes no va a producir predicciones útiles — va a automatizar el caos que ya tenías, solo que más rápido. Por eso, antes de cualquier proyecto de IA, evaluamos tres cosas: qué tan limpios están los datos, qué tan bien documentado está el proceso que se quiere automatizar, y si existe una persona dentro de la empresa que pueda validar los resultados del modelo con criterio de negocio real.

Las empresas que sí están listas comparten un patrón: tienen un proceso manual, repetitivo, bien entendido, que alguien en la empresa puede explicar paso a paso — como el reporte regulatorio que automatizamos para MUFG, que antes tomaba a tres personas casi dos semanas cada mes. No era un problema de 'falta de innovación', era un proceso manual, doloroso y perfectamente definido: el candidato ideal para IA.

Las que todavía no están listas suelen tener el problema opuesto: procesos que cambian todo el tiempo, sin una versión 'correcta' documentada, o decisiones que dependen más de política interna que de datos. En esos casos, recomendamos empezar por Data Governance o Data Quality antes que por IA — no porque sea menos emocionante, sino porque construir un modelo sobre datos sucios cuesta más corregirlo después que hacerlo bien desde el inicio.

Ahora, ¿qué pasa cuando el diagnóstico sí dice que estás listo? No nos saltamos directo a entrenar un modelo sobre tus datos de producción, aunque el cliente tenga prisa. Seguimos cuatro fases, siempre en el mismo orden. La primera es un assessment que dimensiona el caso de uso real: cuántos registros hay, qué tan estructurados están, y qué tan seguido cambia el patrón que se quiere predecir o automatizar. Con esas respuestas decidimos el motor correcto — a veces es entrenar un modelo propio sobre tus datos, a veces es integrar una IA generativa que ya existe (ChatGPT, Claude, Gemini, entre otras) porque reinventar el modelo no tiene sentido para ese problema específico. No creemos en una sola herramienta para todo; creemos en elegir la correcta para cada caso.

La segunda fase es la que más se salta la gente con prisa, y la que más problemas evita: entrenamiento y validación con datos reales, no con una muestra filtrada a mano para que se vea bien. Medimos precisión contra un criterio de negocio real — no solo contra una métrica técnica como el 'accuracy' general — y dejamos que la persona que va a usar el modelo lo cuestione antes de que toque producción. Un modelo con 92% de precisión que falla justo en el 8% de los casos que más le importan al negocio (los de mayor monto, por ejemplo) no es un buen modelo, aunque el número se vea impecable en una presentación.

Solo hasta que ese criterio de negocio valida el modelo lo pasamos a producción — y normalmente lo hacemos primero en 'modo sombra': el modelo corre en paralelo al proceso manual, comparando resultados, sin todavía tomar decisiones por sí solo, hasta que el equipo confía en lo que ve. Es la misma lógica detrás del DRP pasivo que usamos en proyectos como el de MUFG: nunca apostarle todo a un cambio de un día para otro. Y siempre dejamos documentación y capacitación para que tu propio equipo pueda mantenerlo, ajustar umbrales o reentrenarlo cuando el patrón cambie — no construimos cajas negras que solo nosotros entendemos.

Si no sabes en cuál de los dos grupos está tu empresa, ese diagnóstico es exactamente el primer paso que hacemos antes de proponer cualquier cosa — sin costo, sin compromiso. A veces la respuesta es 'sí, construyamos un modelo'; a veces es 'ordenemos primero tus datos'. Ambas son un buen resultado si evitan que gastes en algo que no vas a poder usar.