Un piloto que funciona y no llega a producción es más caro que un piloto que fracasa rápido. Consume presupuesto, quema credibilidad interna y deja a la organización convencida de que “la IA no es para nosotros”.
Y es el desenlace más frecuente.
El dato
El estudio The GenAI Divide del proyecto NANDA del MIT analizó 300 despliegues públicos, entrevistó a 52 directivos y encuestó a 153 responsables. Su conclusión: pese a una inversión empresarial de entre 30.000 y 40.000 millones de dólares, el 95% de los proyectos de IA generativa no produjo retorno medible.
Y la causa que señala no es técnica: preparación de los datos, integración en el flujo de trabajo y ausencia de un resultado definido.
Los cinco saltos que un piloto no da
Un piloto demuestra que algo es posible. Producción exige otras cinco cosas, y cada una es donde mueren los proyectos:
1. Del caso bonito al caso real. El piloto se prueba con veinte documentos limpios que alguien eligió. Producción trae el escaneo torcido, el proveedor que cambió de formato y el cliente que escribe en tres idiomas. La precisión del 94% de la demo se convierte en 71%.
2. De una persona a un equipo. En el piloto lo usa quien lo construyó, que sabe qué preguntarle. En producción lo usan doce personas que no estaban en las reuniones y a quienes nadie explicó los límites.
3. Del entusiasmo al mantenimiento. El piloto tiene un dueño motivado. Producción necesita alguien de guardia cuando falla un martes a las siete de la tarde, y un presupuesto anual que nadie previó.
4. Del resultado al proceso. Esta es la grande. El piloto produce una salida; el proceso necesita saber qué pasa con ella. Quién la revisa, qué ocurre si está mal, dónde se guarda, qué sistema la consume después.
5. De “funciona” a “sabemos que funciona”. Sin medición continua, nadie puede afirmar que el sistema siga rindiendo dentro de seis meses. Y sin esa afirmación, nadie firma la ampliación.
Qué hacen distinto los que escalan
El propio estudio identifica un 5% que sí extrae valor. No se distingue por tecnología, sino por integrar la IA en un flujo concreto en vez de desplegar una herramienta genérica.
Lo que vemos en los que lo consiguen:
- El piloto se diseña como producción desde el día uno, sólo que con menos volumen. Mismo dato sucio, mismos usuarios reales, mismos casos raros.
- Hay un dueño de proceso, no un dueño de proyecto. Alguien cuyo trabajo mejora o empeora según el resultado.
- El criterio de éxito se escribe antes de empezar, con número y fecha.
- Se presupuesta la operación, no sólo la construcción. Como cualquier otro sistema.
- El alcance es incómodamente pequeño. Un proceso, un equipo, una métrica.
La pregunta de kickoff
Antes de aprobar un piloto, esta conversación ahorra meses:
“Si el piloto sale perfecto, ¿qué tenemos que hacer para ponerlo en producción, quién lo hace y con qué presupuesto?”
Si no hay respuesta, no estás aprobando un piloto. Estás aprobando una demo cara.