Cada vez que sale el tema de la inteligencia artificial en una reunión, veo la misma escena: media mesa con los ojos brillantes, convencida de que esto lo cambia todo, y la otra media con los brazos cruzados, pensando que es la enésima moda. Y luego estoy yo, que llevo un tiempo montando esto de verdad en una empresa de retail, intentando que ninguna de las dos mitades tenga toda la razón.
Porque el dato incómodo es este: nueve de cada diez proyectos de IA no llegan a nada. No escalan, no se miden y acaban muriendo en una demo bonita. Lo curioso es que casi nunca fallan por la tecnología. Fallan por cosas bastante más aburridas.
Así que voy a contar lo que he aprendido separando el ruido de la señal: por qué fracasan, qué conceptos conviene tener claros para no comprar humo, y el método que uso para decidir dónde aplicar IA y dónde no.
Las cuatro formas de fracasar
Si repaso los proyectos que se caen, los míos y los que me cuentan colegas, casi todos encajan en una de estas cuatro causas:
La promesa mágica. El comercial te vende una capacidad que la tecnología no entrega. La demo funciona de maravilla… con datos de juguete. Luego la conectas a la realidad y se desinfla.
El dato que no existe. El proyecto necesita datos que la empresa no tiene, o que sí tiene, pero están sucios, repartidos en cinco sitios que no se hablan y sin nadie que responda por ellos.
El proyecto sin dueño. Nadie se responsabiliza del cambio de proceso ni de la adopción. La herramienta se instala y se queda ahí, mirando.
La ausencia de métrica. No hay medición antes y después. Nadie sabe si funcionó, así que la siguiente vez que pidas presupuesto no tienes con qué defenderlo.
Fíjate en que, en ninguna de las cuatro, el problema es el modelo. El reto nunca es comprar IA. Es elegir bien dónde aplicarla y blindar el dato antes de empezar.
La IA no es una sola cosa
Buena parte del humo viene de tratar “la IA” como si fuera un bloque único. Cuando aparece en prensa, normalmente vemos la punta del iceberg. Debajo hay capas, y conviene distinguirlas para saber de qué estamos hablando:
Está la inteligencia artificial como paraguas: cualquier sistema que imita capacidades humanas, como ver, leer, decidir o hablar. Dentro está el machine learning, sistemas que aprenden de datos en lugar de seguir reglas escritas a mano. Dentro, las redes neuronales y el deep learning, que aprenden patrones complejos de imagen, audio o texto. Y de ahí salen los LLM, redes especializadas en lenguaje (los Claude, GPT, Llama de turno) y los modelos especializados, entrenados para una tarea concreta, como leer una factura o prever demanda.
Y una aclaración que ahorra muchas conversaciones de ciencia ficción: todo lo que existe hoy en producción es IA estrecha. Resuelve una tarea. La IA general, con capacidades humanas amplias, sigue en investigación y nadie la ha conseguido. La superinteligencia es teórica. Cuando alguien te venda que su producto “piensa”, desconfía.
La fórmula que de verdad sirve
Si tuviera que resumir en una línea qué hace útil a la IA dentro de una empresa, sería esta:
LLM + RAG + MCP = un agente que entiende, lee tus documentos y opera sobre tus sistemas.
Traducido, porque estas siglas se usan mucho y se explican poco:
El LLM es el motor que entiende y genera lenguaje. Por sí solo es brillante, pero no sabe absolutamente nada de tu empresa.
El RAG (Retrieval Augmented Generation) es la biblioteca inteligente: hace que el modelo busque primero en tus documentos y responda con ese contexto, citando la fuente. Cambias el documento y la respuesta cambia, sin reentrenar nada. Es lo que conecta el modelo público con tu conocimiento privado.
El MCP (Model Context Protocol) es un conector estandarizado que permite a la IA consultar tus sistemas, con permisos. Es la diferencia entre una IA que solo habla y una que puede mirar tu stock o tu contabilidad respetando quién pregunta.
Y un agente es un LLM con herramientas y objetivos: no solo responde, actúa. Lee, decide, llama a una API y escribe en un sistema. Ahí es donde la cosa deja de ser un chat curioso y empieza a mover trabajo.
Un principio que me ha salvado de más de un susto: el modelo razona, los scripts ejecutan. Lo creativo lo hace el modelo; las acciones irreversibles, como un despliegue, un correo o un borrado, las hace código determinista. Al modelo no le das el botón rojo.
Los tokens son el nuevo petróleo
Aquí entra la parte que a los de negocio les interesa de verdad: esto se paga por uso. Cuanta más IA, más consumo. Y toda empresa que escala IA acaba delante de la misma decisión, con tres opciones de coste y riesgo muy distintos.
Puedes ir 100% nube: coste variable que crece linealmente con el uso, mantenimiento cero, última generación… pero tus datos viajan a un tercero y no controlas ni el precio ni la disponibilidad.
Puedes ir 100% local: inversión en hardware por delante, pero cero coste por token y los datos nunca salen de casa. A cambio, necesitas equipo para mantenerlo.
Y puedes hibridar: lo crítico y sensible en casa, lo creativo y puntual en la nube. Para la mayoría es la opción más equilibrada, y es la que defiendo casi siempre: cloud para productividad y casos no sensibles, on-premise para el dato que no puede salir.
No es una decisión de “Claude contra GPT”. Es decidir qué modelo usas para qué dato y qué tarea. Modelos grandes para razonamiento exigente, modelos pequeños para tareas acotadas que van rapidísimas y baratas, y modelos especializados para lo concreto. Lo habitual es combinarlos, no elegir uno.
Elige la raíz, no las hojas
Con las piezas claras, viene la pregunta del millón: ¿por dónde empiezo? Mi consejo es buscar la raíz, no las hojas. Es decir, la decisión de la que cuelgan muchas otras.
En retail, por ejemplo, esa raíz suele ser la previsión de venta. Si aciertas cuánto vas a vender, alimentas de golpe la logística (cuántos bultos mover), las compras (cuánto pedir y cuándo) y la gente (cuántas personas y qué horarios en cada tienda). Un solo motor bien hecho da servicio a tres áreas. Si fallas en la venta, todo lo demás se mueve en falso.
Y un matiz que para mí marca la diferencia: que el modelo no solo dé una cifra, sino que explique por qué. “142 unidades el viernes: +18% por festivo local, +6% por campaña, -4% por lluvia prevista, sobre la base del año pasado.” Un número sin el porqué no te lo compra ningún comité. Un número con su razonamiento, sí.
El antídoto: valida tú, no el comercial
Aquí está, para mí, la pieza que separa a quien acaba en el 90% que fracasa de quien no: un filtro propio antes de escuchar a ningún vendor.
En la práctica es un pequeño comité que decide internamente si un caso es viable, con cuatro reglas de oro: validamos nosotros (no quien nos quiere vender), solo entra lo que tiene dato fuente comprobado, cada iniciativa lleva un sponsor de negocio y un owner técnico, y toda idea nace con una métrica medible desde el día uno.
Y una ficha única por la que pasa cada propuesta, con cinco ejes obligatorios:
- Impacto. ¿Qué mueve? Horas, ventas, margen, stock, riesgo.
- Datos. ¿Existen, están limpios, tenemos permisos y trazabilidad?
- Facilidad. ¿Qué integraciones y qué cambio de proceso exige?
- Riesgo. Privacidad, legal, reputacional, operativo.
- Métrica. El indicador antes/después, definido antes de empezar.
Parece burocracia. Yo era el primero que veía este tipo de marcos como plantillas para consultoras aburridas. Me equivocaba. No va de rellenar casillas. Va de pasar de “lo probamos a ver” a “sabemos por qué esto sí y aquello no”. Es lo que convierte una lista de ideas sueltas en un portfolio que puedes gobernar.
Los frentes que hay que defender desde el día uno
Aunque hagas todo bien, un despliegue de IA tiene varios puntos por los que se puede caer. Conviene vigilarlos desde el principio:
Datos sensibles saliendo a un tercero sin control. Permisos por rol: el mismo conector no puede enseñar lo mismo a administración que a tienda; sin esa capa, hay fugas. Alucinaciones: el modelo se inventa una cifra y, sin trazabilidad ni validación humana, el error acaba en tu presentación. Lock-in y coste: sin estrategia híbrida, la factura crece con la adopción. Regulación: el AI Act europeo trae obligaciones de transparencia y documentación. Y explicabilidad: decisiones “caja negra” que luego no puedes justificar ni al cliente ni al regulador.
Ninguno es motivo para no hacer nada. Todos son motivo para hacerlo con cabeza.
En resumen
La IA no es ni la salvación que cuentan los titulares ni el humo que señalan los escépticos. Es una herramienta muy potente para una empresa que ya tiene los deberes hechos: datos ordenados, procesos definidos, un responsable y una métrica. Si los tienes, vuela. Si no, el trabajo más rentable que puedes hacer este año probablemente no lleve la etiqueta “IA”: será ordenar la casa para que, cuando la enchufes, tenga algo bueno que amplificar.
Y sobre todo, no delegues en el comercial la decisión de qué te conviene. Valídalo tú, con tu dato y tu métrica. El 90% que fracasa casi siempre es el que se saltó ese paso.
Lo difícil se hace, lo imposible se intenta. Pero antes de intentar lo imposible, conviene tener el dato en su sitio.
Joan Garcia Camba es CIO de retail internacional en Barcelona. Ingeniero y MBA, escribe sobre tecnología, gestión y equipos desde 2008. Su perfil profesional completo está en joan.si.
