Más del 90 % proyectos de IA no llegan nunca a producción
Por qué fracasan proyectos y cómo vender (o comprar) IA.
Vemos en prensa y redes sociales los avances que la IA produce en muchos sectores, lo nuevo de Claude, que si es más o menos potente para según que tarea Chatgpt, Google da un golpe en la mesa con el nuevo Gemini, X enloquece con Openclaw.
¿Pero que pasa en realidad en el mundo empresarial fuera de esta cámara de eco?
Según miles de estudios, más del 90% de las empresas ya utiliza IA. Pero la realidad es que, menos del 10% de los proyectos de IA, llegan finalmente a salir en producción. La IA, sin duda ha cambiado muchos paradigmas, pero después de este “boom” , o mejor desde cada boom que sale, “toca separar el grano de la paja”.
Más del 90% de esos proyectos nunca llegan a producción.
Sí, has leído bien. 9 de cada 10.
Se firman. Se desarrollan. Se cobran. Se presentan en PowerPoints.
Y luego mueren.
Hace algo unos meses, me salió una de esas oportunidades que no puedes decir que no, un trabajo que para los frikis como yo, es una pasada:
Un trabajo donde debes estar al día de todo lo que pasa con la IA y tener reuniones con Google, Microsoft, AWS, IBM, Mistral…
Un trabajo donde tenerlibertad, para crear productos y llevarlos a mercado para grandes empresas.
Así que desde hace algo más de 6 meses me uní a Orange, en una nueva división digital, llevando soluciones a mercado, para empresas de más de 200 empleados.
Estás aproximaciones a mercado las hacemos con producto interno o con partners, así que si tienes una solución que pueda ayudar este tipo de empresas, no dudes en contactarme, o si necesitas ver cómo te puedo ayudar, encantado igualmente.
Después de estar unos meses ejecutando y observando el mercado, en empresas de muchos sectores, y con todo tipo de aproximaciones:
Empresas con departamento exclusivo de IA.
Empresas que no hacían nada in house.
Departamento técnicos que querían innovar…
Te quiero contar por qué fracasan proyectos y cómo vender (o comprar) IA. Pero esta segunda parte la dejaremos para otro post.
Por qué mueren los proyectos de IA
Vamos a algunos de los motivos que he identificado:
1. El proyecto de IA es una nota de prensa, no una necesidad real
En muchas empresas, los proyectos de IA nacen porque:
Un directivo esta leyendo que todo es IA y sino te quedas atrás, aunque vendas muebles.
Otro director vio que la competencia “hace IA”.
Alguien en el comité de dirección preguntó “¿y nosotros qué hacemos con la IA?”
Nadie sabe qué problema concreto van a resolver. Pero eso no importa.
Lo importante es poder decir: “Hemos lanzado iniciativas de IA.”
El proyecto existe para hacer curriculum corporativo. No para resolver problemas.
Y cuando no hay un problema real que duele, no hay impacto. Si si no hay impacto no hay urgencia, y el proyecto se muere en cuanto aparece cualquier otro fuego que apagar.
2. La regla de Pareto aquí también se cumple
Otro de los factores de fracaso es el famoso 80/20. La IA actual hace bien el 80% del trabajo. El otro 20% es complicado de conseguir.
Y aquí es donde se rompen la mayoría de los proyectos.
Ejemplos reales en los cuales el 80% de accuracy es bien:
Call Center: Un asistente de IA puede resolver el 80% de las consultas básicas: “¿cuándo llega mi pedido?”, “quiero cambiar mi dirección”. Ese 80% ya es grandioso. Atender fuera de horario o sustituir el IVR tradicional(la locución de para hablar con central pulsa el 1, para x el 2) es oro. Aquí el aporte de valor vs fallo esta totalmente justificado.
Clínica de Salud: Un sistema de IA puede agendar el 80% de las citas sin problema: chequeos rutinarios, renovación de recetas, resultados de análisis básicos. Otro caso de uso donde esta claro el beneficio vs riesgo.
Ayuntamiento: La IA puede responder el 80% de consultas sobre trámites, horarios, documentación necesaria. ¿El 20%? Casos particulares con situaciones excepcionales. Sin problema
SAT/CAU Técnico: El 80% son incidencias repetitivas: reseteo de contraseña, problemas de conexión básicos, consultas sobre procesos. Ese 80% ya libera muchas horas de tu equipo técnico.
Por contra aquí otros ejemplos:
Cálculos financieros: Cohortes de retención, cashflow, en predicción de cash flow o presupuestos puede llevar a decisiones estratégicas erradas. El 20% restante determina si refinancian o cierren operaciones. Aquí necesitas+ 95%.
Procesos sanitarios: En hospitales, diagnósticos de apoyo, detección de anomalías en resonancias. Un 80% de precisión significa que 1 de cada 5 tumores iniciales pasa desapercibido. ¿Eso es aceptable?
Procesos críticos de producción: Un 80% de calidad significa 2 de cada 10 unidades defectuosas no detectadas.
3. El Champion Interno se va o lo mueven
Otros de los motivos por lo que acaban fallando los proyectos de IA, aunque esto es aplicable a cualquier proyecto, es que tu “champion interno” (la persona que apostó por el proyecto en el argot de ventas) lo defendió en comités, peleó por el presupuesto se va, lo promocionan, o lo mueven a otra área.
Y el que llega nuevo tiene sus proyectos, sus prioridades, sus métricas en las que le van a evaluar y tiene que marcar territorio y se carga todo lo demás porque simplemente era lo antiguo.
Tu proyecto de IA heredado no es su problema. Es una carga.
Adiós.
4. La política interna mata más proyectos que los bugs
Contabilidad quiere el proyecto porque elimina dos procesos manuales de adaptar presupuestos a SAP.
El de IT, lo para porque quieren abordar un proyecto global, “cuando toque”.
RRHH tiene miedo de que “IA” signifique despidos.
Legal está aterrado con temas de compliance y GDPR.
Cada uno tiene su agenda. Cada uno puede frenar.
Se necesita estar alineado, se necesita poder, intereses contrapuestos y se crea una resistencia política. El proyecto entra en un limbo de reuniones y comités donde va a morir lentamente.
5. La Integración es un Infierno
La demo funciona perfecta.
Pero la empresa real no usa sistemas estándar. Usa ese ERP customizado hace años, conectado a bases de datos legacy, con datos en formatos antiguos.
La integración es el 70-80% del proyecto. No la IA. La integración.
Y nadie presupuestó para eso.
Cuando llegan los sobre costes y los retrasos, el proyecto pierde momentum. Y apoyo.
6. Las expectativas son los padres
En una reunión de kick-off:
Cliente: “Queremos un chatbot que atienda el 95% de las consultas de clientes sin intervención humana en 3 meses.”
Realidad: Su base de conocimiento está desactualizada, desorganizada, y repartida en 15 sistemas que no hablan entre sí.
Pero nadie quiere decir esto en la reunión. Porque el proyecto ya está vendido.
3 meses después: el chatbot responde el 70% de consultas con un 80% de precisión.
El problema viene cuando:
El cliente espera 95% de accuracy desde el día 1. Y para pasar de 80% a 95% no necesitas un 15% más de esfuerzo. Necesitas 10X más de esfuerzo.
Más datos (y mejor etiquetados).
Más fine-tuning.
Más border cases a gestionar.
Más integración con sistemas.
Más supervisión humana.
Muchos proyectos mueren porque nadie explicó esta curva de complejidad.
La clave: reconoce cuándo el 80% ya es suficientemente valioso.
Para un call center que atiende 10,000 llamadas/día, resolver automáticamente 8,000 ya es un WIN enorme. No necesitas el 95% para justificar el proyecto.
7. Un proyecto de IA antes siempre es de data
La gente se piensa que le pasas los excels y 2 datasources a chatgpt y te va hacer todo el trabajo. Y lo que nadie se da cuenta es que su proyecto de IA no es un proyecto de IA. Es un proyecto de data.
Garbage In, Garbage Out (GIGO)
Es la regla más antigua de la programación. Lleva 50 años viéndose. Y sigue pasando.La mayoría de empresas no tiene infraestructura de datos. Tienen bases de datos. Es diferente:
Bases de datos: Sirven para transacciones operacionales. Hoy vendiste 1000€. La data está ahí. Bien.
Infraestructura de datos: Es el pipeline que limpia, unifica, valida y prepara data para análisis y IA. La mayoría de empresas no lo tiene.
¿Qué pasa? Cuando llega el proyecto de IA, es el caos:
• Data en Excel
• Data en SAP
• Data en Salesforce
• Data en sistemas heredados que nadie entiende
• Data duplicada en 3 sistemas diferentes
• Data con formatos inconsistentes
• Data con gaps de 6 meses
• Data sin documentación sobre qué significa cada campo
Y alguien (siempre un becario o un técnico desesperado) se pasa 3 meses limpiando data manualmente para que el modelo tenga algo con lo que entrenar.
Porque IA sin data de calidad es solo máquinas gastando agua y electricidad.
Vamos con un caso de uso real:
Una empresa de más de 2000 trabajadores quería desplegar un chatbot para consultar nóminas y gestiones de RRHH con Copilot de Microsoft, (porqué Microsoft es lo suelen usar las empresas que tienen dinero, a mi no me gusta, pero es lo que hay).
Querían que la información solo estuviera disponible a nivel de empleado y sus superiores. Pero no conseguían securizar la información para poder llevarlo a producción con datos tan sensibles así que tuvimos que montar una nueva estructura de data y autentificación para poder abordar el proyecto.
Conclusión
La IA funciona, si se implanta bien, muchos de los proyectos mueren por razones que no tienen tanto que ver con la tecnología.
La IA si tiene mucho Hype, la IA es el presente y el futuro y hay que saber como llevarla a mercado.
Recordemos que hay sectores que ya han cambiado para siempre, sectores como programación, generación de imágenes y video…
Cómo siempre en el software, vende soluciones a problemas, no IA.
Si quieres verlo en video puedes hacerlo aquí:
Mis otras cosas:
Te recuerdo que puedes comprar el libro en Fnac, El Corte Inglés, La Casa del Libro y en este enlace Amazon:
Curso métricas y modelos Saas
Lanzamos la tercera edición sobre el Curso SaaS sobre métricas y modelos financieros. En la siguiente edición tendrás como regalo el libro. Si ya lo has comprado y estas interesado en el curso, escríbeme y te hago el descuento por el importe,
Info sobre el curso SaaS:
Si necesitas ayuda en tu SaaS o en tu estrategia de datos y finanzas, escríbeme y cerramos una reunión.