El problema para los líderes en 2026 no es la falta de ideas sobre casos de uso de la IA. Tienen demasiadas. Lo que falta es el filtro que separa el proyecto que merece seis meses de trabajo del proyecto que no sobrevivirá a la primera demostración interna. Estas son las tres preguntas que hago en la reunión de definición del alcance. Treinta minutos por caso de uso, no más. Si sólo una de las tres queda sin respuesta precisa, no nos lanzamos.
¿Qué problema concreto resuelve la IA?
No “cómo la IA podría mejorar nuestra productividad”. ¿Qué problema concreto, en qué proceso, con qué volumen actual, qué tiempo de procesamiento, qué calidad, qué coste?
“Reducir el tiempo de tramitación de las solicitudes de asistencia al cliente” es una dirección. “Reducir en un 40% el tiempo de tramitación de las solicitudes de categoría B (problemas técnicos sencillos), que representan el 60% del volumen y actualmente se tramitan en 48 horas” es un problema.
La diferencia no es de detalle. Un problema concreto permite definir un criterio de éxito mensurable. Un criterio de éxito mensurable permite decidir si el proyecto ha funcionado. Sin él, no podrá evaluar el retorno de la inversión y no sabrá cuándo parar.
¿Por qué IA y no algo más simple?
Esta es la pregunta más incómoda. Antes de lanzar un proyecto de IA, pregúntese si el problema no puede resolverse mediante un algoritmo determinista (regla de negocio, ordenación, filtro, regex). Si no, mediante un cuadro de mando y un proceso de toma de decisiones humano más claro. A veces, es una reorganización del proceso la que resuelve el problema sin tocar la tecnología. A veces se trata simplemente de una herramienta empresarial existente mejor configurada.
La IA tiene sus ventajas: generaliza en entradas no estructuradas, se adapta a las variaciones, funciona en grandes volúmenes sin aumento proporcional de los costes. Pero es probabilística (y por tanto falible), opaca, difícil de auditar y más cara de mantener que una regla determinista. La clasificación de documentos por palabras clave con reglas de negocio claras es más barata, más predecible y más explicable que LLM para la misma tarea si las categorías están bien definidas.
¿Quién gestiona los casos en los que la IA se equivoca?
Esa es la pregunta que nunca se hacen las demos. En una demo, todo funciona. En producción, entre el 3 y el 20% de los casos (según la tarea y el modelo) no funcionan como se esperaba. Alguien tiene que ocuparse de ello.
¿Quién detecta los errores? ¿Cómo se comunican? ¿Quién los corrige? ¿Quién es responsable de las decisiones basadas en resultados incorrectos de la IA?
Si no puede responder a estas preguntas, su proceso de implantación está incompleto. No se trata de un problema técnico. Es un problema de organización y responsabilidad. La IA no elimina la responsabilidad. La desplaza.
En las parrillas de puntuación
Una matriz de puntuación promete transformar la decisión en una suma. Pero no lo hace. La decisión se toma caso por caso, teniendo en cuenta el contexto de la organización, la madurez del equipo y el coste de oportunidad del no proyecto. Cualquier tabla que pretenda decidir por ti es una simplificación peligrosa.