Tu primer proyecto de IA: elige un resultado medible

El primer proyecto de IA de una empresa define si habrá un segundo. Si llega a producción en semanas y alguien puede señalar un indicador que cambió, el siguiente proyecto consigue financiación. Si se alarga durante un trimestre y termina en una demo, el tema queda en silencio durante un año.

Por eso, la pregunta no es «qué es lo más ambicioso que podríamos hacer con IA». Es «qué es lo más pequeño que podríamos hacer y que alguien notaría».

Empieza detrás del firewall

Los mejores primeros proyectos funcionan dentro de la empresa, sin exponerse a los clientes. Un agente interno que se activa según un horario —cada hora, cada noche— lee lo que necesita leer, redacta lo que necesita redactar y deja el resultado para que una persona lo apruebe.

Ese enfoque resuelve la mayoría de los problemas que hacen fracasar un primer proyecto antes de empezar:

• Nada tiene que estar activo todo el tiempo. Una tarea programada no necesita infraestructura en tiempo real ni una GPU esperando tráfico.
• La revisión está integrada. Una persona aprueba cada resultado antes de que ocurra cualquier acción. La gobernanza forma parte del propio flujo de trabajo.
• La métrica es evidente. Las horas que antes se dedicaban a la tarea y que ahora ya no hacen falta.

Los candidatos suelen estar a la vista: el informe semanal que alguien prepara a mano, las notas de reuniones que nadie redacta, los registros del CRM que quedan desactualizados, los recibos que se acumulan antes de la conciliación y las señales de ventas enterradas en un archivo de correos. Cada uno requiere semanas de trabajo, en lugar de trimestres.

La aprobación humana es la parte importante y está diseñada para ser temporal. Al principio, quien revisa detecta las omisiones y los casos excepcionales, y cada corrección se convierte en una regla que el agente sigue la próxima vez. Cuando las correcciones se acercan a cero, se puede retirar esa instancia de aprobación. La autonomía es algo que un agente se gana.

Los datos que ya tienes

Antes de recurrir a un modelo de lenguaje, revisa las hojas de cálculo, los registros de las aplicaciones, los registros de transacciones y las exportaciones del CRM que la empresa ya genera. Ese tipo de datos estructurados alimenta modelos predictivos que llevan una década siendo poco llamativos y confiables; eso es lo que quieres en un primer proyecto.

Cosas que puedes predecir con los datos que ya existen:

• Disponibilidad de existencias, para dejar de quedarte sin productos y de pedir de más
• Demanda por día o por hora, para ajustar el personal y el inventario
• Carga de infraestructura, para que la capacidad en la nube aumente antes del pico y no después
• Abandono de clientes, con suficiente anticipación para intervenir
• Calidad de los prospectos, para dedicar el tiempo de ventas a quienes tienen más posibilidades de convertirse en clientes

Los modelos construidos con bibliotecas estándar —XGBoost, scikit-learn— funcionan en milisegundos, cuestan muy poco de operar y producen resultados que un equipo de cumplimiento normativo puede examinar. Rara vez necesitas una nueva canalización de datos para empezar. Una exportación bien mantenida y un objetivo claramente definido suelen ser suficientes.

La herramienta adecuada, no la que está de moda

Un primer proyecto enseña algo más valioso que el resultado: qué tipo de IA sirve para cada tipo de problema. No todo necesita un modelo de lenguaje, y saber cuándo no hace falta es una ventaja competitiva.

Los modelos de lenguaje se ganan su lugar cuando la entrada es lenguaje: resumir documentos largos, responder preguntas sobre contenido no estructurado, redactar comunicaciones que requieren contexto y extraer estructura de textos desordenados.

El aprendizaje automático clásico es la mejor opción cuando la entrada es una tabla: predicciones a partir de datos estructurados, puntuaciones que deben calcularse en milisegundos, resultados que deben ser totalmente explicables y cargas de trabajo que deben escalar con costos bajos.

Los sistemas más duraderos combinan ambos: un modelo rápido para la predicción y un modelo de lenguaje para las partes que realmente requieren leer y escribir.

Qué hacen las empresas que llegan a un segundo proyecto

1. Delimitan el problema. Un proceso interno, una métrica clara y un alcance del que un equipo pueda hacerse cargo.
2. Usan los datos que ya existen. Las nuevas fuentes de datos corresponden a un segundo proyecto.
3. Integran la aprobación desde el primer día. La revisión humana permite que las personas involucradas aprendan a confiar en el sistema y que el sistema aprenda.
4. Hacen visible el resultado. Un indicador que cambió, mostrado a quienes financian el siguiente proyecto.
5. Registran lo que aprendieron. En especial lo que no funcionó: eso le ahorra un mes al segundo proyecto.

Si sospechas que la IA podría hacer más por ti, pero no sabes por dónde empezar, esa es la pregunta que busca responder el AI Discovery Sprint: dos semanas con los ingenieros que lo construirían, tras las que sabrás cuál es el primer proyecto y por qué.