IA predictiva es la frase que más rápido cierra una demo, y la que menos se explica después. Suena a algo serio: un modelo que aprende de tu negocio y te dice lo que va a pasar. Cuando se pregunta qué hay dentro, la respuesta casi siempre es mucho más sencilla que eso, y no pasa nada: el problema no es que sea sencillo, es que te lo cobren como si no lo fuera.
Qué te venden cuando te dicen "IA predictiva"
Bajo esa misma etiqueta conviven dos cosas muy distintas, y casi ningún proveedor te dice cuál de las dos te está entregando:
- Una proyección por ritmo. Coges un valor que cambia con el tiempo (horas consumidas, stock, visitas), miras cuánto ha cambiado en un periodo reciente y extiendes esa línea hacia adelante. Es una regla de tres con una interfaz bonita encima. No hace falta entrenar nada, y funciona bien cuando el comportamiento es razonablemente estable.
- Un modelo que de verdad aprende patrones. Detecta estacionalidad, pesa distinto cada dato según su antigüedad, combina varias variables a la vez (no solo una) y cambia de comportamiento cuando el patrón cambia, sin que nadie reprograme la regla a mano. Aquí sí hay entrenamiento, datos históricos etiquetados y una validación real de cuánto acierta.
Ninguna de las dos es mejor en abstracto. La proyección por ritmo es más barata, más rápida de construir y, sobre todo, más fácil de explicar a quien la usa. El modelo que aprende patrones cuesta más, tarda más y solo compensa cuando el problema de verdad lo necesita. El problema aparece cuando te venden la primera con el precio y el discurso de la segunda.
El caso real: cuándo se te va a acabar la bolsa de horas
En AutoBoost gestionamos con nuestro propio sistema las bolsas de horas de los proyectos que llevamos con nuestros clientes: cada cliente tiene un panel donde ve cuántas horas le quedan en su bolsa activa. Hasta hace poco, ese panel se quedaba ahí: un número que baja. Útil, pero incompleto, porque un número que queda obliga al cliente a hacer la cuenta él mismo para saber si le llega al mes que viene.
Le añadimos una previsión de agotamiento: la fecha en la que, al ritmo actual, esa bolsa se va a quedar a cero. El cálculo se alimenta del ritmo de consumo de las últimas 4 semanas, no de todo el histórico desde el primer día, porque el ritmo reciente predice mejor lo que va a pasar la semana que viene que un promedio de hace medio año que ya no refleja cómo se está usando el servicio ahora.
Aquí viene la parte incómoda de contar, y la contamos igual: esto no es un modelo que aprende. Es horas restantes dividido entre ritmo semanal reciente, la misma regla de tres de toda la vida, bien elegida en la ventana de tiempo que usa y bien colocada donde el cliente la ve antes de que sea tarde. No hicimos ninguna IA para construirlo, y no hacía falta.
Lo que sí cambió de verdad fue la utilidad: un número que queda ("te quedan 40 horas") no mueve a nadie a actuar. Una fecha ("al ritmo actual, se te acaba el 14 de noviembre") sí, porque convierte un dato pasivo en una decisión con plazo. Esa es la lección que se traslada a cualquier negocio que vende por bolsa, cuota o consumo, tenga IA de por medio o no: mostrar el ritmo, no solo el saldo, adelanta la conversación de renovación a cuando todavía hay margen para tenerla con calma.
Cuándo sí hace falta un modelo que aprende, no una regla de tres
La regla de tres se rompe en cuanto el comportamiento que quieres predecir depende de más de una cosa a la vez, o cambia de forma que una línea recta no explica. Ahí es donde de verdad hace falta un modelo entrenado con datos reales, no una proyección.
Es la diferencia con lo que hacemos, por ejemplo, en la plataforma de datos e IA que unifica el dato de un grupo de farmacias: ahí la IA no proyecta una línea, razona sobre más de un millón de líneas de venta para reconstruir qué se vendió de verdad cuando el propio ERP lo calculaba mal, cruzando varias fuentes a la vez y validando el resultado al céntimo. Eso no lo resuelve ninguna regla de tres, porque no hay una sola variable que cambia con el tiempo: hay múltiples fuentes que hay que conciliar entre sí.
| Pregunta | Si la respuesta es sí, probablemente te basta una regla de tres | Si la respuesta es sí, probablemente hace falta un modelo real |
|---|---|---|
| ¿Depende de una sola variable que cambia con el tiempo? | Sí (horas, stock, visitas) | No, depende de varias a la vez |
| ¿El comportamiento reciente predice bien el próximo periodo? | Sí, es razonablemente estable | No, cambia por estacionalidad o por factores externos |
| ¿Necesitas cruzar o reconciliar varias fuentes de datos distintas? | No, un solo origen basta | Sí, hay que combinar y validar entre fuentes |
| ¿El error de una proyección simple es barato de corregir? | Sí, se ajusta a mano sin drama | No, un error se propaga a una decisión cara |
Antes de pagar por "IA predictiva", pregunta esto
- ¿La predicción usa más de una variable a la vez, o solo el ritmo reciente de una?
- ¿Hay un proceso de entrenamiento y una validación de cuánto acierta, con datos concretos?
- ¿Cambia de comportamiento cuando el patrón cambia, o solo extiende la última línea?
- ¿Te pueden explicar en una frase de qué se alimenta el número que te están dando?
- ¿El precio que te piden corresponde a construir y mantener un modelo, o a una fórmula que se escribe en una tarde?
Si la mayoría de respuestas apuntan a la columna sencilla, no hay nada malo en quedarte con la regla de tres. Solo asegúrate de que el precio que pagas también sea el de una regla de tres.
Por qué lo contamos así, aunque nos convenga vender "IA" a secas
En AutoBoost construimos software e IA a medida integrados en el sistema real de cada cliente, y una parte de ese trabajo es justo decidir, para cada pieza, si hace falta un modelo que aprende o si un cálculo bien planteado resuelve lo mismo con menos coste y menos riesgo de fallo. Meter una IA donde no hace falta no impresiona a nadie que la use dos semanas seguidas: solo añade una caja negra donde antes había una cuenta que cualquiera podía verificar. Primero se ordena el dato y se elige bien la herramienta, luego se aplica la IA donde de verdad aporta, no antes.
Si estás valorando un proyecto que te venden como "IA predictiva" y quieres saber cuál de las dos cosas es de verdad, hablamos en AutoBoost.