IA vs. automatización: no son lo mismo, y contratar la equivocada te cuesta caro

Si tu proceso siempre sigue las mismas reglas — 'si el monto es mayor a X, manda a revisión; si el cliente lleva 3 quejas, escala a supervisor' — no necesitas inteligencia artificial. Necesitas automatización basada en reglas, que es más barata, más rápida de construir, y perfectamente predecible: siempre hace exactamente lo que le dijiste que hiciera, y cualquiera en tu equipo puede leer la regla y entender por qué pasó lo que pasó.

La inteligencia artificial entra cuando las reglas no se pueden escribir de antemano porque el patrón es demasiado complejo o cambia con el tiempo: detectar una transacción fraudulenta que no se parece a ningún fraude anterior, predecir qué cliente está a punto de cancelar su servicio, o recomendar qué pantalla publicitaria conviene contratar según tráfico vehicular y clima en tiempo real — el motor que construimos para Aittana. Ahí, un modelo que aprende de datos históricos supera por mucho a una lista de reglas escritas a mano, porque nadie puede anticipar a mano todas las combinaciones posibles de tráfico, hora del día y clima que determinan si una pantalla vale la pena.

Para decidir entre las dos, usamos un filtro de tres preguntas antes de proponer nada. Primero: ¿se pueden enumerar las excepciones? Si puedes escribir en una lista razonable todos los casos especiales que existen hoy, son reglas, no IA. Segundo: ¿el patrón cambia con el tiempo de forma que nadie puede predecir por adelantado? El comportamiento de tráfico y clima que alimenta el motor de Aittana cambia todos los días — ninguna lista de reglas fija se mantendría vigente una semana. Tercero: ¿qué tan caro es un error? Si equivocarse le cuesta caro al negocio (aprobar un fraude, perder a un cliente valioso), vale la pena la inversión adicional que implica mantener un modelo; si el error es barato, unas reglas simples bastan.

El error más caro que vemos es contratar un proyecto de IA complejo para un problema que un conjunto de reglas resolvería en una fracción del tiempo y el costo — y luego descubrir que nadie en la empresa sabe explicarle a un auditor por qué el modelo decidió lo que decidió. También vemos el error contrario: empresas que intentan mantener a mano cientos de reglas para un problema que en realidad es demasiado matizado para reglas fijas, agregando una excepción nueva cada semana hasta que el sistema de reglas se vuelve imposible de mantener — y ahí es donde un modelo simple de machine learning resolvería lo mismo con mucho menos esfuerzo continuo.

En la práctica, casi nunca es 'todo reglas' o 'todo IA' — la solución que de verdad funciona casi siempre es un enrutador delante de todo el proceso: los casos que caen dentro de reglas claras (típicamente el 70-80% del volumen en los procesos que hemos visto) se resuelven al instante con automatización simple, barata y 100% auditable. Solo el 20-30% restante, el que de verdad es ambiguo, llega al modelo de IA — que es más caro de mantener, así que tiene sentido reservarlo para donde realmente agrega valor.

Esa diferencia de costo de mantenimiento es la parte que casi nadie pregunta antes de firmar un contrato. Una regla se actualiza editando una línea de código: cuesta minutos. Un modelo de IA necesita monitoreo continuo de 'drift' — el momento en que el mundo real se aleja tanto de los datos con los que se entrenó que la precisión empieza a caer sin que nadie lo note a simple vista — y reentrenamiento periódico cuando eso pasa. Si tu proveedor no te explicó ese costo de mantenimiento antes de vender el proyecto, es una señal de que no lo dimensionó bien.

En ADM empezamos cada proyecto preguntando cuál de los dos escenarios describe mejor el problema real, no el que suena más atractivo en una junta de consejo. La mayoría de las veces, la respuesta correcta es esa combinación: reglas simples para los casos obvios, y un modelo de IA enfocado solo en los casos ambiguos donde de verdad agrega valor — y se lo dejamos por escrito al cliente, con el volumen estimado de cada lado, antes de escribir una sola línea de código.