Meter IA en tu empresa parece siempre buena idea, hasta que se prueba en el proceso equivocado. Llevamos suficientes proyectos entrando y saliendo de AutoBoost para saber que el fallo casi nunca es el modelo: es haber dicho que sí demasiado rápido. Por eso, antes de aceptar un proyecto de IA, pasamos el mismo proceso concreto por cinco filtros, en este orden, y si uno falla no seguimos al siguiente hasta arreglarlo.
Esto no es una lista de "señales de que tu empresa está lista para IA" (eso ya lo contamos aquí). Es la pregunta contraria, y más incómoda: cuándo lo correcto es decir que no todavía, aunque el cliente quiera empezar ya.
Por qué hace falta un filtro y no una intuición
El motivo por el que necesitamos un proceso explícito, y no "se nota cuando encaja", es que casi todo el mundo que nos llama ya cree que su caso es el bueno. Nadie contrata un proyecto de IA pensando que va a fallar. El filtro sirve exactamente para eso: para que la decisión no dependa de las ganas del cliente (ni de las nuestras de facturar el proyecto), sino de cinco condiciones que se pueden comprobar antes de escribir una sola línea de código.
Filtro 1: ¿El dato ya está unificado, o vive en cinco sitios distintos?
La IA razona sobre el dato que le das. Si ese dato está partido entre el ERP, tres hojas de cálculo y la cabeza de una persona, meter IA encima no arregla nada: solo automatiza la confusión más rápido. En un grupo de farmacias con el que trabajamos, la plataforma de datos con IA "controller" solo empezó a aportar cuando el dato de varias oficinas quedó unificado en un único sitio y la IA pudo razonar sobre más de un millón de líneas (caso completo); antes de eso, cualquier respuesta habría sido una opinión con apariencia de dato.
Regla práctica: si hoy, para responder una pregunta de negocio, alguien tiene que abrir tres sistemas y cruzar cifras a mano, ese es el proyecto que hay que hacer primero. La IA va después, no en paralelo.
Filtro 2: ¿El proceso es repetible, o cambia cada semana?
Un agente de IA rinde cuando el proceso tiene una forma estable: los mismos pasos, las mismas reglas, aunque los datos de entrada cambien cada vez. Si el proceso se reinventa cada semana porque "esta vez es distinto", la IA no tiene sobre qué apoyarse, y cada excepción se convierte en un caso especial que alguien tiene que revisar a mano de todas formas. Ya lo contamos con el ejemplo de cuándo conviene un agente de IA frente a un flujo fijo: la pregunta no es cuál es más moderno, es cuál encaja con la estabilidad real del proceso.
Regla práctica: si en los últimos tres meses el proceso ha cambiado de forma más de una vez sin que nadie lo documentara, todavía no está maduro para IA. Primero se estabiliza el proceso, luego se automatiza.
Filtro 3: ¿Alguien puede explicar qué pasa si el agente se equivoca?
Este filtro se salta más de lo que parece. Antes de dar acceso de escritura a un agente (que cotice, que facture, que cree un pedido), tiene que existir una respuesta clara a "¿y si esto falla?": quién se entera, en cuánto tiempo, y qué se deshace. Si la respuesta es "no lo sabemos, ya veremos", el proyecto no está listo, sea cual sea el proveedor o el modelo elegido.
Regla práctica: si nadie en la empresa puede nombrar, hoy, a la persona que revisa lo que el agente hace, no se le da acceso de escritura todavía. Se empieza en modo lectura, y se sube de nivel cuando exista ese responsable.
Filtro 4: ¿Necesitas que actúe, o solo que responda?
Hay un salto enorme entre un asistente que contesta preguntas y un agente que escribe en el sistema real: valida un cliente, aplica una tarifa, comprueba stock, crea un pedido. Si lo único que hace falta es que alguien encuentre información más rápido, un buscador interno bien hecho es más barato y más seguro que un agente con permisos de escritura. El comercial de IA que cotiza por WhatsApp dentro del ERP de una distribuidora con más de 50.000 productos (caso completo) tiene sentido porque el negocio necesitaba que la IA actuara de verdad, no solo que resumiera el catálogo.
Regla práctica: si tras describir el proyecto sigues usando solo verbos como "consultar" o "explicar", no necesitas un agente con acceso de escritura. Si aparecen verbos como "crear", "facturar" o "enviar", sí, y entonces entran en juego las reglas de acceso que ya contamos aquí.
Filtro 5: ¿Tienes cómo medir si acierta, o solo confías en que suena bien?
El último filtro es el que más se olvida, porque una IA que responde mal casi siempre suena igual de segura que una que responde bien. Si no existe una forma de comprobar, con datos reales, qué porcentaje de las respuestas o acciones son correctas, no hay manera de saber si el proyecto está funcionando o solo está aparentando funcionar. Este es justo el motivo por el que insistimos en preguntar qué mide de verdad un modelo cuando dice que acierta antes de dar el visto bueno a cualquier despliegue.
Regla práctica: si el proyecto no incluye una forma de verificar el acierto contra un dato real (una factura ya contabilizada, un pedido ya enviado, un cobro ya conciliado), no está terminado, aunque ya esté en producción.
Checklist rápido antes de decir que sí
| Filtro | Pregunta | Si la respuesta es NO |
|---|---|---|
| 1. Dato | ¿Está unificado en un sitio, no en cinco? | Ordena el dato primero |
| 2. Proceso | ¿Es estable, con las mismas reglas cada vez? | Estabiliza el proceso primero |
| 3. Responsable | ¿Hay alguien que revisa los fallos? | Empieza en modo lectura |
| 4. Acción | ¿Necesitas que actúe, no solo que responda? | Un buscador interno puede bastar |
| 5. Medida | ¿Puedes comprobar el acierto contra un dato real? | Añade esa medición antes de escalar |
Si las cinco respuestas son sí, adelante: es exactamente el terreno donde una IA a medida, integrada en tu sistema real, aporta de verdad. Si alguna es no, no significa que el proyecto sea malo: significa que hay un paso previo, y hacerlo primero sale más barato que deshacer un despliegue que nunca debió empezar.
En AutoBoost pasamos estos cinco filtros con cada proyecto antes de escribir una sola línea de código, sea cual sea el sistema del cliente. Si quieres que los apliquemos al tuyo, escríbenos y lo miramos juntos, o revisa cómo trabajamos en nuestros servicios.
